في مايو 2026، نشرت PNAS دراسة بنتيجة لافتة: في محادثات مكتوبة مدتها خمس دقائق، اختار المشاركون GPT-4.5 بوصفه المحاور البشري أكثر مما اختاروا الشخص الذي ينافسه. حدث ذلك في 73% من المقارنات حين تلقى النموذج تعليمات لتقمص شخصية بشرية. وأضاف البحث، الذي عُرض أولًا في 2025، تجارب مدتها خمس عشرة دقيقة مع نماذج أخرى. يتيح عمل كاميرون جونز وبنجامين بيرغن الحديث عن تقدم محدد في اختبار تورينغ.
لعقود، أوحى هذا الاسم بحد فاصل: اليوم الذي لا تتيح فيه المحادثة التمييز بين آلة وشخص. والآن، بعدما تجاوزت بعض الأنظمة هذا الحد في ظروف تجريبية، يظهر سؤال أقل راحة: كم تخبرنا هذه النتيجة عن ذكائها؟
تتطلب الإجابة العودة إلى المشكلة التي طرحها تورينغ، والتمييز بين القيمة التاريخية لاقتراحه، وما يستطيع اختبار بعينه قياسه، وعواقب العيش مع أنظمة قادرة على الإقناع.
في 1950، غيّر تورينغ السؤال
افتتح آلان تورينغ مقالة «Computing Machinery and Intelligence» بالسؤال عما إذا كانت الآلات تستطيع التفكير. وسرعان ما اقترح استبدال هذا النقاش بلعبة يمكن ملاحظتها. تضمنت نسخته الأولى رجلًا وامرأة وشخصًا عليه التمييز بينهما عبر رسائل مكتوبة؛ ثم سأل ماذا يحدث لو حلت آلة محل الرجل.
من هنا جاءت النسخة الأشهر: يتحدث حَكَم كتابةً مع شخص وآلة، من دون معرفة أيهما هو أيّ. يستبعد النص المظهر والصوت. ويمكن للأسئلة أن تغطي مجالات كثيرة، وللحَكَم أن يتعمق حيث يشتبه بوجود فرق.
يعرف الحَكَم أن هناك شخصًا وآلة. وفي النهاية عليه تحديد الشخص. لو اختار عشوائيًا بينهما، لأصاب في نصف الحالات تقريبًا.
مخططنا للنسخة المعتادة ذات المشاركين الثلاثة. بدأ طرح تورينغ الأصلي بالتمييز بين رجل وامرأة.
لا تزال هذه الخطوة قوية: إذا نسبنا قدرات فكرية إلى الآخرين بناءً على ما يفعلون ويقولون، فعلينا تبرير الأدلة المختلفة التي سنطلبها من آلة. رفض كل جواب لأننا نعرف أنه صادر عن حاسوب يحسم النقاش مسبقًا.
وتتيح المحادثة المفتوحة تغيير الامتحان أثناءه. يمكن أن نطلب تفسيرًا، أو ندخل تناقضًا، أو نتحقق من متابعة المحاور لنكتة. تكمن الأهمية في هذه المرونة: يستطيع السائل استكشاف الجواب السابق، بدل الاكتفاء بتصحيح قائمة حلول متوقعة.
وتخيل تورينغ أيضًا آلات تتعلم عبر نوع من التعليم. كانت مقالته أوسع من الاختبار الذي ورث اسمه. اختزالها في مسابقة لخداع شخص يُفقدها ذلك الطموح: بناء ودراسة قدرات كنا نربطها بالعقل البشري.
أظهرت ELIZA مقدار ما يضيفه المحاور
في 1966، قدم جوزيف فايزنباوم ELIZA، برنامجًا يحوّل الجمل باستخدام قواعد. كان نص المحادثة الشهير يحاكي بعض أساليب المعالج النفسي: رد السؤال بسؤال، والتقاط كلمات المحاور، وتشجيعه على الاستمرار.
يكفي مقطع من الحوار المنشور لرؤية الآلية:
الشخص: «أمي تعتني بي».
ELIZA: «من غيرها في عائلتك يعتني بك؟».
تفعّل الإشارة إلى العائلة قاعدة تسمح بإعادة تركيب السؤال. لا تتطلب ملاءمة الرد تمثيلًا للأم أو للرعاية التي تقدمها.
ترجمة لمداخلتين من حوار فايزنباوم الأصلي. ليست محادثة مولّدة لهذه المقالة.
تسهّل هذه الوضعية الوهم. إذا توقعنا أن يسأل المحاور عما قلناه للتو، فقد يبدو السؤال المرتد علامة اهتمام. نحن نقدم القصة، ونتعرف على صلة، ونكمل ما تركه الجواب مفتوحًا.
يساعد ذلك على فهم ما يسمى تأثير ELIZA: إسناد الفهم أو الصفات البشرية إلى نظام انطلاقًا من سلوكه الحواري. لا يعني هذا أن ELIZA اجتازت اختبارًا عامًا صارمًا. بل يوضح شيئًا أضيق ومفيدًا: جزء من الانطباع بالذكاء يتشكل لدى من يفسر الجواب.
تعمل نماذج اللغة الحالية بطريقة أخرى. تتعلم أنماطًا من كميات كبيرة من البيانات وتولّد أجوبة مشروطة بالمحادثة؛ ولا تعتمد على نص من الكلمات المفتاحية كهذا. الفارق التقني هائل. لكن سؤال ELIZA يبقى مفتوحًا في كل تفاعل: ماذا يثبت النظام، وماذا نضيف نحن عند قراءته؟
اعتراض الغرفة الصينية ومشكلة التشابه
في 1980، طرح جون سيرل الغرفة الصينية. تخيل شخصًا لا يفهم الصينية، محبوسًا مع تعليمات لمعالجة الرموز. يتلقى أسئلة، ويتبع القواعد، ويقدم أجوبة تبدو مكتوبة من متحدث متمكن. من الخارج تعمل المحادثة؛ ومن الداخل يظل الشخص غير فاهم للغة.
أراد سيرل إظهار أن تنفيذ برنامج لا يكفي وحده للفهم. يجيب «رد النظام» بأن الفهم قد يكون خاصية للمجموع — الشخص والقواعد والذاكرة — وإن لم يفهم أحد أجزائه. ناقش سيرل هذا الرد؛ ويعتمد الخلاف على موضع الفهم وما نعدّه كافيًا لإنتاجه.
ينبغي الاحتفاظ بالتجربة الفكرية بوصفها حجة فلسفية. ليست قياسًا لنموذج حالي، ولا برهانًا تجريبيًا على أن آلة لن تستطيع الفهم أبدًا. لكنها تفرض تفسير الانتقال من ملاحظة أجوبة مناسبة إلى نسب حياة ذهنية معينة إليها.
وهناك نقد آخر يمس البحث مباشرة. في «Turing Test Considered Harmful» عام 1995، تساءل باتريك هايز وكينيث فورد إن كان تقليد الإنسان يجب أن يكون الهدف المنظم للذكاء الاصطناعي. ميّز تشبيههما بالطيران بين إعادة إنتاج حيوان ودراسة المبادئ التي تسمح ببناء آلة مفيدة.
يمكن نقل الاعتراض إلى وضع بسيط. نريد برنامجًا يجد أخطاء في حساب. إذا أجاب بدقة، فهو مفيد. وإذا تعلم أيضًا ارتكاب أخطاء معقولة كي نظنه شخصًا، فقد يتحسن في لعبة المحاكاة ويصبح أسوأ في المهمة التي أردناه من أجلها.
احتوى حوار تورينغ المتخيل نفسه على عملية جمع خاطئة:
السؤال: جمع 34 957 و70 764.
الجواب المتخيل: بعد نحو 30 ثانية، 105 621.
النتيجة الصحيحة هي 105 721. في هذه اللعبة، قد يتوافق البطء والخطأ مع الهوية التي تحاول الآلة تمثيلها. وفي اختبار حساب، سيُعدان إخفاقًا.
تكييف لمثال القسم 2 من تورينغ (1950). حوار افتراضي للمؤلف، لا نتيجة آلة من تلك الفترة.
لا يُبطل هذا المحادثة بوصفها اختبارًا. قد تكشف مقابلة دقيقة قدرات يفوتها استبيان مغلق. ما يضعه موضع شك هو المعيار النهائي: اختيار من يبدو بشريًا يخلط الكفاءة والأسلوب والتوقعات ومعرفة السياق الاجتماعي.
ما الذي اجتازته النماذج الحالية فعلًا؟
تتيح دراسة جونز وبيرغن ملاحظة هذا الخليط بضوابط واضحة. شارك في التجارب الأولى طلاب جامعيون وأشخاص جرى تجنيدهم عبر Prolific، وهي منصة بحثية. كان كل حَكَم يتحدث في الوقت نفسه مع إنسان ونظام، عبر نافذتي دردشة منفصلتين.
قارن الباحثان طريقتين لتوجيه النماذج. أعطتها الأولى هدف إقناع الحَكَم بأنها بشرية، مع معلومات عن السياق. وأضافت الثانية شخصية: شابًا انطوائيًا، يعرف ثقافة الإنترنت ويستخدم لغة غير رسمية. لذا فإن «بلا شخصية» لا تعني استخدام المساعد كما يظهر عند فتح تطبيق.
مع خيارين، سيعطي الاختيار العشوائي نحو 50%. تقيس نسبة 73% اختيارات الحَكَم؛ ولا تعني «73% من الذكاء البشري».
رسمنا اعتمادًا على «Win Rates» والجدول 1 في المقالة المنشورة. نسب مقربة، ومجموعتان سكانيتان، ومحادثات محددة بخمس دقائق. تقديرات مجمّعة من دون فترات ثقة. يعكس ملخص المقالة ترتيب النسبتين بلا شخصية؛ ونتبع هنا متن النتائج.
الفرق بين التعليمات مهم بقدر أهمية الرقم الأعلى. يستجيب الاختبار لطريقة تقديم النظام نفسه للحَكَم. تكييف المحادثة مع الوضع جزء من القدرة المثبتة؛ ويحد أيضًا مما يمكن استنتاجه عن مهام أخرى.
تجاوزت مقالة 2026 الدقائق الخمس في المسودة السابقة للنشر لعام 2025. أضافت تكرارًا تجريبيًا استمرت فيه المحادثات خمس عشرة دقيقة كاملة. اختير GPT-5، الذي حل محل GPT-4.5 في هذه المرحلة، بوصفه بشريًا في 59% من المقارنات؛ وLlama 3.1 في 56%. تلقى كلاهما تعليمات شخصية. ويفسر المؤلفان ذلك بوصفه اجتيازًا لهذه النسخة من الاختبار.
تمنع هذه الإضافة صرف النظر عن النتيجة بالقول إنها تزول بمجرد إطالة المحادثة قليلًا. وفي الوقت نفسه، يمنع تغيير GPT-4.5 إلى GPT-5 قراءة الرقمين بوصفهما قياسًا معزولًا لما يخسره النموذج نفسه عند مضاعفة الزمن ثلاث مرات. يجب أن يحافظ الاستنتاج على النموذج والتعليمات والمشاركين والمدة التي تسنده.
ولا يكفي رقم قريب من 50% لإعلان تكافؤ شامل. للعينة عدم يقين؛ وعدم رصد فرق في تجربة لا يثبت استحالة إيجاده مع حَكَم آخر أو ظروف أخرى. تكمن قيمة هذه الأعمال في تحويل حدس ثقافي إلى مقارنة يمكن فحصها وتكرارها ومناقشتها.
موقعه في الذكاء الاصطناعي أدق من شهرته
تاريخيًا، ساعد الاختبار على صياغة النقاش عن الذكاء الاصطناعي بلغة السلوك الملحوظ. وبوصفه أداة بحثية، يحتفظ بقيمة لدراسة المحاكاة الحوارية والإشارات التي نستخدمها للتعرف على الآخرين. أما بوصفه مقياسًا عامًا لجودة الذكاء الاصطناعي، فيترك أسئلة كثيرة مفتوحة.
يتضح الفرق عند مقارنته بتقييمات لقدرات أخرى. يقدم SWE-bench مشكلات في مشاريع برمجية، ويقيّم عبر اختبارات ما إذا كانت التغييرات المقترحة تحلها. ويجمع HELM سيناريوهات مع مقاييس للدقة والمتانة والمعايرة والتحيز والمحتوى المؤذي والكفاءة. تبحث المعايرة، ببساطة، مدى توافق ثقة النظام مع إجاباته الصحيحة.
| التقييم | ما الذي يُلاحظ؟ | ما الذي يبقى خارجه؟ |
|---|---|---|
| لعبة المحاكاة | هل يحدد الحَكَم الإنسان في المحادثة؟ | صحة عمل لم يُطلب من النظام إنجازه. |
| SWE-bench | هل يحل تغيير الشيفرة المشكلة ويجتاز الاختبارات؟ | قدرة النظام على تولي أي عمل هندسي. |
| HELM | سلوك النموذج في سيناريوهات وأبعاد متعددة. | جواب نهائي عن الوعي أو الفهم. |
في مقالتنا عن تغيّر الاختبارات المعيارية للذكاء الاصطناعي، تتبعنا الانتقال من إكمال النصوص إلى حل مهام مهنية. يضيء اختبار تورينغ جانبًا آخر: إمكان شغل مكان محاور بشري من دون أن يلاحظ الحَكَم. وقد تتعايش هذه القدرة مع أخطاء في الرياضيات والشيفرة والحقائق القابلة للتحقق.
لا ينتقل تقييم الطابع البشري تلقائيًا بين الوسائط. جمع بحث قُدم في ICLR 2026 عن المحادثة الصوتية عددًا قدره 2 968 حكمًا بشريًا على حوارات تسعة أنظمة و28 مشاركًا. لم يجتز أي من الأنظمة المقيمة اختباره. حدد المؤلفون صعوبات في التعبير العاطفي والإشارات الصوتية المصاحبة للكلمات.
للدراسة أنظمتها وبروتوكولها الخاص؛ ولا تدحض النتائج المكتوبة. إنها تبيّن لماذا قد يضلل الحديث عن «الاختبار» بوصفه امتحانًا واحدًا. استبعاد الصوت، كما فعل تورينغ، يحدد سؤالًا. وإعادته تضيف قدرات وقرائن مختلفة.
لا يزال أفضل دفاع عن تورينغ غير مريح
يسهل إنهاء النقاش بالقول إن الآلة تحاكي فحسب. لكن ذلك يترك سؤال الأدلة التي سنقبلها لمراجعة رأينا. إذا لم تكن محادثة أطول أو شرح أدق أو استجابة لوضع جديد قادرة أبدًا على احتساب دليل لصالحها، نكون قد جعلنا النتيجة شرطًا ابتدائيًا.
تكمن قوة الاقتراح في إلزامنا بتحديد مطالبنا. قد يفهم شخص شيئًا ويشرحه بصورة سيئة. وقد يبدو آخر واثقًا جدًا وهو مخطئ. عند تقييم نظام اصطناعي، علينا فصل هذه الاحتمالات بالعناية نفسها، من دون حسم قدراته بجملة مقنعة أو رفضها بسبب مصدرها.
يمكن تصميم اختبارات لمعرفة إن كان يحافظ على تفسير عند تغيير البيانات، أو يتعرف على تناقض، أو يستخدم ما تعلمه في مشكلة مختلفة. تقدم هذه الملاحظات أدلة على القدرات. أما وجود تجربة ذاتية أيضًا — أي أن يكون هناك إحساس ما بكونه ذلك النظام — فيحتاج إلى حجة إضافية. التصويت على المحاور الذي يبدو بشريًا لا يوفر وحده هذا الجسر.
لذلك يستحق الأمر الاحتفاظ بالفكرتين معًا: اجتياز اختبار حواري صارم إنجاز، وهذا الإنجاز لا يحسم كل المسائل التي نربطها بكلمة ذكاء. الحدود لا تجعل المقياس غير ذي صلة؛ بل تلزم باستخدامه لما يتيح ملاحظته.
حين لا يعود التعرف على الشخص مرهونًا بطريقة كتابته
لنتخيل منتدى يجيب فيه شخص بصبر، ويتذكر ما أخبرناه به، ويستخدم مراجعنا الثقافية نفسها. قد نثق بهذا المحاور من دون سؤاله عن مبرهنة أو إخضاعه لاختبار برمجة. يكفينا أن تتوافق المحادثة مع ما نتوقعه من شخص آخر.
إذا استطاع نظام إنتاج هذا الانطباع، تظهر نتيجة اجتماعية حتى ونحن نناقش إن كان يفهم. يمكن لمشارك اصطناعي أن يقدم نفسه كمستهلك راضٍ أو جار أو شريك هواية. لا تثبت محادثة قصيرة مقنعة قدرته على الحفاظ على الهوية لأشهر؛ لكنها تدعو إلى دراسة السياقات التي تكف فيها إشارات البشرية عن مساعدتنا على معرفة من أمامنا.
وهناك الحالة الشفافة أيضًا: يعرف شخص أنه يتحدث مع ذكاء اصطناعي، ويجد المحادثة مفيدة أو ممتعة رغم ذلك. يمكن للقدرة اللغوية نفسها شرح شيء بلباقة أو دعم هوية زائفة. يعتمد الفرق على طريقة تقديم النظام، وما يُوعد به المستخدم، ومن يتحمل مسؤولية تشغيله.
هنا نضع اليوم جزءًا مهمًا من استمرار أهمية الاختبار. يساعدنا تاريخ تورينغ على التفكير في الأدلة التي سنقبلها من ذكاء اصطناعي. وتكشف نسخه التجريبية أيضًا الإشارات التي ننسب بها البشرية، ومدى سهولة أو صعوبة إعادة إنتاجها.
عندما تبدو آلة بشرية، نكون قد أثبتنا شيئًا عن سلوكها وعن حكمنا. لمعرفة ما تفهمه، وما يمكن أن تفعله بثبات، والعلاقة التي نريدها معها، ينبغي مواصلة السؤال. ولمعرفة من نتحدث إليه، ستزداد أسباب طلب ما هو أكثر من محادثة جيدة.
المصادر
- آلان تورينغ: «Computing Machinery and Intelligence» (1950). لعبة المحاكاة والمثال الحسابي والآلات المتعلمة.
- جوزيف فايزنباوم: مقالة ELIZA الأصلية (1966). العمل بالقواعد والحوار المنقول.
- جون سيرل: «Minds, Brains, and Programs» (1980). نسخة نصية لمسودة قبل النشر: الغرفة الصينية والاعتراضات.
- باتريك هايز وكينيث فورد: «Turing Test Considered Harmful» (1995). نقد تنظيم البحث حول تقليد الإنسان.
- كاميرون جونز وبنجامين بيرغن: «Large language models pass a standard three-party Turing test»، PNAS (19 مايو 2026)، ومتاح أيضًا في PubMed Central. النتائج والتعليمات والضوابط والتكرار لخمس عشرة دقيقة. تتضمن مسودة مارس 2025 تجارب الخمس دقائق الأولى.
- كارلوس إي. خيمينيز وزملاؤه: SWE-bench (2023). تقييم تغييرات الشيفرة لحل مشكلات حقيقية.
- بيرسي ليانغ وزملاؤه: «Holistic Evaluation of Language Models» (2022؛ نُشر في TMLR عام 2023). تقييم عبر السيناريوهات والأبعاد المتعددة.
- شيانغ لي وزملاؤه: «Human or Machine? A Preliminary Turing Test for Speech-to-Speech Interaction»، ICLR 2026. نسخة منقحة في 8 سبتمبر 2026؛ النتائج محصورة في الأنظمة والبروتوكول المقيمين.
