科技日報北京5月21日電 （記者劉霞）美國加州大學聖迭戈分校科學家開展了一項實証研究，首次証明現代人工智能（AI）系統通過了圖靈測試。相關論文發表於新一期《美國國家科學院院刊》。

這是首個嚴格採用圖靈測試來評估大語言模型的研究。圖靈測試由英國數學家、“計算機科學之父”阿蘭·圖靈於1950年提出，是檢驗機器能否逼真模仿人類對話、使人們無法將其與真人區分開來的重要科學基准。

為獲得更具代表性的結果，團隊研究了兩組人群：一組是美國加州大學聖迭戈分校本科生﹔另一組是通過Prolific平台招募的更廣泛的在線樣本。整個實驗共有近500人參與。

在隨機對照試驗中，參與者同時與另外兩方聊天，一方是人類，另一方是大語言模型。實驗涉及4種模型，包括目前最先進的GPT-4.5和LLaMa-3.1-405B，以及較舊的基線模型GPT-4o和ELIZA，后者是20世紀60年代基於規則的經典聊天機器人。

結果顯示，GPT-4.5在73%的情況下被判定為人類，這意味著參與者將其選為“人類”的頻率，明顯高於他們選擇真實人類參與者的頻率。在同樣提示下，LLaMa-3.1-405B在56%的情況下被判定為“人類”，在統計學上與其所比較的真實人類沒有顯著區別。基線系統的表現則遜色得多：ELIZA和GPT-4o總體上分別隻有23%和21%的情況被選為“人類”。

若給予恰當的提示，先進大語言模型能表現出與人類無異的語氣、直率、幽默，乃至易犯的錯誤。科學家此前已知道，大語言模型幾乎可以輕鬆生成與任何主題相關的知識，但這項測試表明，它還能令人信服地展現社會行為特征，這對人們如何看待AI具有重大意義。

團隊表示，每個大語言模型都有“性格”，會採用特定的人物設定和溝通風格。大語言模型並非依靠展示知識的能力取勝，而是因其像人類一樣會犯錯而勝出。這些特征，與他們認為圖靈所設想的那種數學與邏輯解題能力並不相同。

不過，團隊也發現，若無明確指示，這些模型被誤認為人類的概率便會大打折扣：GPT-4.5的獲選率降至36%，LLaMa-3.1降至38%，基線系統ELIZA和GPT-4o被選為人類的概率則更低。