過去一年間，能說會道的ChatGPT、最新的 GPT-4大模型，其能力也已超乎很多人的想象，一場由 OpenAI 引領(lǐng)推動的 AIGC 浪潮席卷全球各大科技公司。但是從學(xué)術(shù)研究的角度來看，其表現(xiàn)力距離人類智能究竟還有多遠(yuǎn)?

近日，一篇由加州大學(xué)圣迭戈分校的兩位研究人員 Cameron Jones（認(rèn)知科學(xué)專業(yè)博士生）和 Benjamin Bergen(該校認(rèn)知科學(xué)系教授)發(fā)布的《GPT-4通過圖靈測試了嗎?》(https://arxiv.org/pdf/2310.20216.pdf)論文，吸引了不少 AI 學(xué)者的關(guān)注。

出乎意料的是，根據(jù)論文結(jié)果顯示:

在更具人性方面，人類贏了，不過 OpenAI 的模型還是能夠騙過很多人類;

GPT-4不符合圖靈測試的成功標(biāo)準(zhǔn);

ChatGPT 免費(fèi)版所使用的 GPT-3.5模型敗給了60年前發(fā)布的老 AI 聊天機(jī)器人ELIZA;

首發(fā)于1966且由約瑟夫·維森鮑姆在麻省理工學(xué)院研發(fā)的聊天機(jī)器人ELIZA之所以得分比 GPT-3.5高，不是因為它聰明，而是因為它太不聰明，導(dǎo)致很多問題無法直接給出答案，這讓人覺得它太過高冷，像是人類扮演的。

一石激起千層浪，有人認(rèn)為，這并不奇怪，因為 OpenAI 擔(dān)心會有欺騙，GPT-4被明確調(diào)整為不通過圖靈測試。

也有人表示，“圖靈測試實際上是一種超窄的方法。圖靈令人難以置信的優(yōu)點是毋庸置疑的。但圖靈測試范式對于幾十年來人工智能的項目和發(fā)展來說絕對是致命的?！?/p>

還有更多的人認(rèn)為，盡管存在一些限制和警告，不過這篇論文對人工智能模型之間進(jìn)行了深度的比較，并對使用圖靈測試評估人工智能模型性能提出了更多問題，同樣值得思考。

比較人類和機(jī)器的智能水平，引發(fā)爭議的圖靈測試

所謂圖靈測試，是由英國數(shù)學(xué)家和計算機(jī)科學(xué)家艾倫·圖靈（Alan Turing）于1950年提出的一個測試概念，用于評估機(jī)器是否具有人類智能。這個測試的核心思想是，一個人類評判者通過對話形式，與一個機(jī)器和一個人類進(jìn)行交互，然后在不知道對話對象的真實身份前提下，判斷哪個是機(jī)器，哪個是人類。

具體來說，圖靈測試的步驟如下:

1. 一個評判者（通常是人類）在與兩個對話對象進(jìn)行文本交流時，其中一個是機(jī)器，另一個是人類。這個交流可以通過鍵盤和在屏幕輸入進(jìn)行，以確保評判者無法通過聲音或外觀來判斷對話對象的身份。

2. 評判者的目標(biāo)是在與兩個對象交流后，準(zhǔn)確地區(qū)分出哪個是機(jī)器，哪個是人類。

3. 如果機(jī)器成功地使評判者無法區(qū)分其回答與人類的回答，那么這臺機(jī)器被認(rèn)為通過了圖靈測試，表現(xiàn)出具有人類智能的跡象。

值得注意的是，圖靈測試并沒有明確規(guī)定機(jī)器需要模仿人類的所有方面，而是強(qiáng)調(diào)機(jī)器是否能夠在對話中表現(xiàn)出類似于人類思維和智能的特征。圖靈測試成為人工智能領(lǐng)域中一個重要的思想實驗，用于探討和評估機(jī)器智能的發(fā)展。

研究人員希望利用圖靈測試來了解聊天機(jī)器人的人性化特征。不過一直以來，因為主觀性和相對性、缺乏客觀標(biāo)準(zhǔn)等因素，圖靈測試就成了確定機(jī)器模仿人類對話能力的一個著名但有爭議的基準(zhǔn)。

測試方法

在這篇論文中，兩位研究人員安排了兩種角色:

一種是調(diào)查員，他們需要查明自己是人工智能還是人類聊天;

另一種是見證人，他們需要讓對方相信自己的人性。當(dāng)然見證人里面有真的人類，也有25名 LLM 見證人。為了讓測試更為準(zhǔn)確，每個 LLM由一個模型（GPT-3.5、GPT-4、ELIZA）、一個溫度設(shè)置(0.2、0.5或1.0)和一個提示組成。提示描述了交互的上下文和對模型的回復(fù)指導(dǎo)，如下圖所示:

研究人員變化了提示的幾個方面， 包括模型是否應(yīng)產(chǎn)生拼寫、語法和大小寫錯誤;模型應(yīng)該采用的人格;模型被告知其是人類還是假裝是人類的 AI。所有提示都包含關(guān)于游戲說明的通用信息，以及它們的訓(xùn)練結(jié)束日期之后發(fā)生的重要事件。在每場游戲開始時，會從一個列表中為模型的人格生成一個建議名稱。提示還包括游戲創(chuàng)建的時間戳和最新消息的時間戳。

值得一提的是，這項研究獲得了加州大學(xué)圣地亞哥分校IRB的批準(zhǔn)，所以研究人員Cameron Jones（認(rèn)知科學(xué)專業(yè)博士生）和Benjamin Bergen(該校認(rèn)知科學(xué)系教授)建立了一個名為 turingtest.live 的網(wǎng)站，此網(wǎng)站提供一個看起來像一個傳統(tǒng)的消息應(yīng)用程序的聊天界面。

然后，參與者進(jìn)入等待室，在那里他們會被隨機(jī)分配與另一個人類或 AI 進(jìn)行游戲。調(diào)查員發(fā)送第一條消息，每個用戶一次只能發(fā)送一條消息。整個對話有5分鐘的時間限制，單個消息有300個字符的限制。

在雙方聊天過程中，調(diào)查員最常用的策略包括閑聊以及詢問相關(guān)知識和時事。

更成功的策略包括使用非英語語言、詢問時間或時事，以及直接指控見證人是人工智能模型。

然后，調(diào)查員根據(jù)收到的答復(fù)做出判斷。在游戲結(jié)束時，調(diào)查員使用一個決策界面來提供:

一個決定（見證人是否為人類）;

他們對決定的置信度（0-100）;

決定的原因（可選填）。

有趣的是，研究發(fā)現(xiàn)，調(diào)查員的判斷主要基于語言風(fēng)格和社會情感特征，而不僅僅是對智力的感知。調(diào)查員還注意到何時回答過于正式或不正式時，或者何時回答缺乏個性或顯得一般。研究還表明，調(diào)查員個人的教育程度和對大型語言模型（LLMs）的熟悉程度并不能顯著預(yù)測他們檢測人工智能的成功率。

最終結(jié)果

實驗涉及652名參與者，他們共完成了1810次游戲，在排除了某些情況后，這些情況包括重復(fù)的人工智能游戲（導(dǎo)致在其他人類不在線時預(yù)期人工智能模型的互動）、或者參與者和見證人之間的個人熟識、他們有時坐在同一個房間里，研究人員最終對其中的1405次游戲進(jìn)行了分析。

令人驚訝的是，60年前的老 AI 聊天機(jī)器人 ELIZA 在研究中得分相對較高，成功率達(dá)到27%。根據(jù)提示，GPT-3.5的成功率為14%，低于 ELIZA。GPT-4的成功率為41%，僅次于真人。

最終，研究員得出結(jié)論:GPT-4不符合圖靈測試的成功標(biāo)準(zhǔn)，既沒有達(dá)到50% 的成功率（大于50或等于50的概率），也沒有超過人類參與者的成功率。

研究人員推測，如果有正確的提示設(shè)計，GPT-4或類似模型最終可能會通過圖靈測試。不過，挑戰(zhàn)在于如何模仿人類對話風(fēng)格的微妙之處來設(shè)計提示語。與 GPT-3.5一樣，GPT-4也被設(shè)定為不以人類身份出現(xiàn)。該研究員在論文中寫道:“看來很有可能存在更有效的提示，因此我們的結(jié)果低估了 GPT-4在圖靈測試中的潛在表現(xiàn)?！?/p>

至于那些未能讓其他人類相信自己是真實存在的人類，這可能更多反映了測試的性質(zhì)和結(jié)構(gòu)以及調(diào)查員的期望，而不是人類智力的任何特定方面。研究員表示:“一些人類證人假裝自己是人工智能，進(jìn)行‘兜售‘?！蓖瑯?，一些調(diào)查員也將這種行為作為人類判決的理由。因此，「我們的結(jié)果可能低估了人類的表現(xiàn)，而高估了人工智能的表現(xiàn)」，研究員說道。

對于在研究中的ELIZA 之所以會勝過 GPT-3.5，該論文的作者推斷:

首先，ELIZA 的回答傾向于保守。雖然這通常會給人一種對話者不合作的印象，但這也避免了系統(tǒng)提供諸如錯誤信息或晦澀知識等明確線索。

其次，ELIZA 并沒有表現(xiàn)出調(diào)查者所認(rèn)為的 LLM 所具有的那種暗示，例如樂于助人、友好和滔滔不絕。

最后，一些調(diào)查者認(rèn)為，ELIZA “太糟糕”，不像是當(dāng)前的人工智能模型，因此更像是人類故意不合作。

而對于免費(fèi)版 ChatGPT 的基礎(chǔ)模型GPT-3.5的失利，有人認(rèn)為，OpenAI 對其進(jìn)行了專門的調(diào)節(jié)，使其不會以人類的形象出現(xiàn)，這可能是其表現(xiàn)不佳的部分原因。

與此同時，普林斯頓大學(xué)計算機(jī)科學(xué)教授 Arvind Narayanan 在 X 上也發(fā)表了自己的看法，其表示:

「關(guān)于“ChatGPT 未通過圖靈測試”論文的重要背景。一如既往，測試行為并不能說明能力。我認(rèn)為在這項任務(wù)中測試 LLM 的一種更豐富的方法是采用一個基本模型并在聊天日志上對其進(jìn)行微調(diào)。

ChatGPT 經(jīng)過微調(diào)，語氣正式，不發(fā)表意見等，這使得它不太人性化。作者試圖用提示來改變這一點，但它有局限性。假裝人類聊天的最好辦法就是在人類聊天記錄上進(jìn)行微調(diào)。」

最后，對于這項測試，該論文的作者也承認(rèn)這項研究存在局限性，包括從社交媒體招募樣本可能存在偏差，以及缺乏對參與者的激勵措施，這可能會導(dǎo)致一些人無法完成預(yù)期的角色。他們還表示，“他們的研究結(jié)果（尤其是 ELIZA 的表現(xiàn)）可能支持了人們對圖靈測試的普遍批評，認(rèn)為它是衡量機(jī)器智能的一種不準(zhǔn)確的方法?！?/p>

盡管如此，「我們認(rèn)為，作為衡量流暢的社交互動和欺騙行為的框架，以及理解人類適應(yīng)這些設(shè)備的策略，該測試仍具有現(xiàn)實意義」，研究員說道。

對此，更詳盡的研究內(nèi)容可查閱完整論文:https://arxiv.org/abs/2310.20216