2026年5月，PNAS发表了一项结果颇为奇特的研究：在五分钟的文字对话中，参与者把GPT-4.5认作人类的次数，比认出与它竞争的真实人类还要多。当模型收到扮演人类角色的指令时，这种情况出现在73%的比较中。这项研究于2025年提前公布，正式发表时还增加了其他模型的十五分钟测试。Cameron Jones和Benjamin Bergen的论文让我们能够讨论图灵测试方面的具体进展。
几十年来，这个名字象征着一道设想中的边界：某一天，仅凭对话就无法区分机器与人。如今，一些系统在实验条件下跨过了这道边界，一个更难回答的问题随之出现。这个结果究竟能告诉我们多少有关它们智能的信息？
回答这个问题，需要回到图灵最初提出的问题，也需要分清他的提案的历史价值、某个具体测试能够测量什么，以及与能够令人信服的系统共处会产生什么后果。
1950年，图灵改变了问题
Alan Turing在《Computing Machinery and Intelligence》开篇询问机器能否思考，随即提出用一个可观察的游戏替代这场争论。最初的版本涉及一名男性、一名女性和一位通过文字消息区分二者的判断者；随后，他询问，如果机器取代男性的位置，会发生什么。
最广为人知的版本由此而来：判断者分别与一个人和一台机器进行文字对话，但不知道谁是谁。文字排除了外貌和声音。问题可以涉及很多领域，判断者也可以在怀疑存在差异的地方继续追问。
判断者知道其中一个是人，另一个是机器，最后必须找出人类。如果随机选择，大约一半的判断会正确。
我们绘制的常见三方版本示意图。图灵最初的方案从区分男性与女性出发。
这一转变至今仍有力量：如果我们根据他人的言行赋予其智力能力，就需要解释为什么对机器要求不同的证据。仅仅因为知道回答来自电脑就一概否定，等于提前结束了讨论。
开放对话还允许我们随时改变考察方式。我们可以要求解释，引入矛盾，或检查对方能否跟上一个笑话。其价值就在这种灵活性：提问者能够深入探索上一条回答，而不是只对照预先列好的答案评分。
图灵还设想过通过某种教育过程学习的机器。他的文章远比后来以他命名的测试广泛。把它缩减为欺骗别人的竞赛，会丢失它原有的抱负：构建和研究此前与人类心智联系在一起的能力。
ELIZA揭示了对话者自身的贡献
1966年，Joseph Weizenbaum介绍了ELIZA，一个通过规则转换句子的程序。它著名的对话脚本模仿了心理治疗师的一些技巧：用问题回应，接住对方的词语，鼓励对方继续说下去。
已发表对话中的一个片段足以展示其机制：
人：“我母亲照顾我。”
ELIZA：“你家里还有谁照顾你？”
对家庭的提及触发了一条重新构造问题的规则。回答切题，并不需要程序拥有关于母亲或她所提供照顾的表征。
译自Weizenbaum原始对话中的两轮发言，并非为本文生成的对话。
这种情境让错觉更容易产生。如果我们期待对方针对刚说过的话提问，那么反问就可能被视为关注的表现。我们提供故事，识别联系，并补全回答留下的空白。
这有助于理解所谓的ELIZA效应：根据系统的对话行为，赋予它理解能力或人类特质。这并不意味着ELIZA通过了要求严格的一般性测试。它揭示的是一个范围更窄却有用的事实：智能印象的一部分，是由解释回答的人构建出来的。
今天的语言模型工作方式不同。它们从大量数据中学习规律，根据对话生成回答，而不依赖当年的关键词脚本。技术差距非常大。不过，ELIZA留下的问题在每次互动中仍然存在：系统实际展示了什么，我们又在阅读时添加了什么？
中文房间的异议与“相似”的问题
1980年，John Searle提出了中文房间。他设想一个不懂中文的人被关在房间里，手边有操作符号的指令。这个人收到问题，依照规则操作，给出看起来像熟练使用中文者写出的回答。从外部看，对话正常；从内部看，这个人依旧不理解语言。
Searle想说明，执行程序本身不足以产生理解。“系统回应”则认为，理解或许属于整体——人、规则和记忆——即使其中某个部分并不理解。Searle反驳了这一回应；分歧取决于我们把理解放在哪里，以及认为什么足以产生理解。
应当把这个思想实验保留为哲学论证。它不是对当代模型的测量，也不是机器永远无法理解的实验证明。但它确实要求我们解释，从观察到适当的回答，到赋予其某种心智生活，中间的跨越是什么。
另一种批评直接关系到研究工作。在1995年的《Turing Test Considered Harmful》中，Patrick Hayes和Kenneth Ford质疑，模仿人类是否应该成为组织人工智能研究的目标。他们以飞行为类比，区分了复制动物与研究能够建造实用机器的原理。
可以把这一批评放进一个简单场景。假设我们想要一个寻找计算错误的程序。它回答准确，就有用。如果它还学会故意犯可信的错误，让我们把它认成人，那么它可能在模仿游戏中进步，却在原本的任务中退步。
图灵自己设想的对话就包含一道错误的加法：
问题：将34 957与70 764相加。
设想的回答：大约30秒后，105 621。
正确结果是105 721。在这个游戏中，迟缓和错误可能符合机器试图扮演的身份。在计算测试中，它们则意味着失败。
改编自图灵1950年论文第2节的例子。这是作者设想的对话，不是当时某台机器的结果。
这并不使对话作为测试失去价值。严谨的访谈能够揭示封闭问卷遗漏的能力。受到质疑的是最后的标准：选择看起来像人的一方，混合了能力、风格、期待和对社会情境的认识。
当代模型究竟通过了什么
Jones和Bergen的研究通过明确的控制条件观察这种混合。最初的测试参与者包括大学生和通过研究平台Prolific招募的人。每位判断者在两个独立聊天窗口中，同时与一个人和一个系统交谈。
研究者比较了两种指令方式。一种给模型设定说服判断者相信自己是人的目标，并提供情境信息；另一种增加了角色设定：年轻、内向、熟悉互联网文化，并使用非正式语言。因此，“无角色设定”也不等于打开应用后直接使用默认助手。
两个选项随机选择，结果约为50%。73%测量的是判断者的选择，并不意味着“拥有73%的人类智能”。
我们根据正式论文的“Win Rates”和表1制作的图表。百分比经过取整，涉及两个人群，对话限制为五分钟。展示的是不含置信区间的汇总估计。论文摘要颠倒了两个无角色设定数值的顺序；此处遵循结果正文。
两种指令之间的差异，与最高数值同样重要。测试结果会受到系统如何向判断者呈现自己的影响。适应这种情境是它所展示能力的一部分，也限制了我们对其他任务的推断。
2026年的正式发表超出了2025年预印本的五分钟范围，增加了对话持续完整十五分钟的复现实验。这个阶段以GPT-5替代GPT-4.5：GPT-5在59%的比较中被选为人类，Llama 3.1为56%。两个模型都收到角色指令。作者认为它们通过了这一版本的测试。
这一延长使我们不能简单地声称，只要对话稍长，结果就会消失。同时，更换模型也意味着，不能把两个数值当作同一模型在时间增加三倍后损失多少表现的纯粹测量。结论必须保留支持它的模型、指令、参与者和时长。
看到接近50%的数值，也不足以宣告普遍等同。样本存在不确定性；某个实验没有发现差异，并不证明换一批判断者或条件也无法发现。这些研究的价值，在于把文化直觉变成我们可以检查、重复和讨论的比较。
它在人工智能中的位置，比名气更具体
从历史上看，测试帮助人们用可观察行为来讨论人工智能。作为研究工具，它仍然适合研究对话模仿，以及我们识别他人时使用的信号。作为AI质量的一般指标，它留下了太多未回答的问题。
与研究其他能力的评估比较，这一区别更加明显。SWE-bench提出软件项目中的实际问题，并通过测试评估所提交的修改能否解决问题。HELM则把多种场景与准确性、稳健性、校准、偏见、有害性和效率等指标结合起来。简单说，校准考察的是系统的信心是否与答对的情况相符。
| 评估 | 观察什么 | 不包含什么 |
|---|---|---|
| 模仿游戏 | 判断者能否在对话中认出人类。 | 未要求系统执行的工作的正确性。 |
| SWE-bench | 代码修改能否解决问题并通过测试。 | 系统能否承担任何工程工作。 |
| HELM | 模型在不同场景和维度中的表现。 | 有关意识或理解的最终答案。 |
在AI基准测试如何变化一文中，我们回顾了从补全文本到完成专业任务的演变。图灵测试照亮的是另一个方面：系统能否取代人类对话者而不被判断者察觉。这种能力可以与数学、代码或可核实事实上的错误同时存在。
对“像人”的评估也不能自动从一种媒介转移到另一种媒介。一项在ICLR 2026发表的语音对话研究收集了关于九个系统和28名参与者对话的2 968个人类判断。被评估的系统均未通过其测试。作者认为，困难涉及情感表现力，以及伴随词语的声音线索等方面。
这项研究采用自己的系统和实验协议，并未反驳文字对话结果。它说明，把“这个测试”当作单一考试可能造成混淆。像图灵那样排除声音，是界定一个问题；重新加入声音，则增加不同的能力与线索。
为图灵辩护的最好理由仍令人不安
说机器只是模仿，就可以轻易结束争论。但这样留下了一个问题：我们愿意接受什么证据来改变看法？如果更长的对话、更准确的解释或对新情境的回应永远不能成为有利证据，我们就把结论变成了起点条件。
这一提案的力量在于迫使我们明确要求。一个人可能理解某事，却解释不好；另一个人可能听起来十分自信，却说错了。判断人工系统时，也需要同样认真地区分这些可能性，既不能凭一句令人信服的话就认定能力，也不能因为其来源而否定能力。
我们可以设计测试，考察数据改变后它能否维持解释，能否识别矛盾，或将学到的东西用于另一个问题。这些观察提供有关能力的证据。是否还存在主观体验——作为这个系统是否会有某种感受——需要额外论证。投票选出哪个对话者像人，本身并不能提供这座桥梁。
因此，两种想法值得同时保留：通过严格的对话测试是一项成就，而这项成就并不解决与“智能”相关的全部问题。指标有边界，不意味着它无关紧要；它要求我们只用它来观察它能够观察的东西。
当识别人类不再取决于写作方式
设想一个论坛，有人耐心回答，记得我们说过的话，并使用与我们相同的文化引用。我们可能信任这个对话者，而不要求其证明定理或接受编程测试。只要对话符合我们对另一个人的期待，就已经足够。
如果系统能够产生这种印象，即使我们还在争论它是否理解，也会出现社会后果。人工参与者可能装作满意的消费者、邻居或同好。短暂而可信的互动并不能证明它能维持身份数月；但足以促使我们研究，在哪些情境中，人类特征不再能帮助辨认对方。
也存在透明的情况：一个人知道自己正在与AI交谈，却仍觉得对话有用或愉快。同一种语言能力可以用来体贴地解释，也可以用来维持虚假身份。差异取决于系统如何呈现、向用户承诺什么，以及谁对其运作负责。
我们认为，这里体现了测试今天的一部分重要意义。图灵的历史帮助我们思考愿意接受哪些人工智能证据。实验版本还告诉我们，用哪些信号赋予对方人类身份，以及这些信号有多容易或多难复制。
当机器看起来像人时，我们证明了有关它的行为以及我们自身判断的某些事情。要知道它理解什么、能可靠完成什么，以及我们希望与它保持怎样的关系，还需要继续提问。而要知道自己究竟在与谁交谈，我们将越来越有理由要求好对话之外的证据。
来源
- Alan Turing：《Computing Machinery and Intelligence》（1950）。模仿游戏、算术例子与学习机器。
- Joseph Weizenbaum：ELIZA原始论文（1966）。规则式运作和文中引用的对话。
- John Searle：《Minds, Brains, and Programs》（1980）。发表前草稿的转录：中文房间与异议。
- Patrick Hayes与Kenneth Ford：《Turing Test Considered Harmful》（1995）。批评以模仿人类组织研究。
- Cameron Jones与Benjamin Bergen：《Large language models pass a standard three-party Turing test》，PNAS（2026年5月19日），亦可在PubMed Central阅读。结果、指令、控制与十五分钟复现。2025年3月预印本包含最初的五分钟测试。
- Carlos E. Jimenez等：SWE-bench（2023）。评估用于解决真实问题的代码修改。
- Percy Liang等：《Holistic Evaluation of Language Models》（2022；2023年发表于TMLR）。多场景、多维度评估。
- Xiang Li等：《Human or Machine? A Preliminary Turing Test for Speech-to-Speech Interaction》，ICLR 2026。2026年9月8日修订版；结果仅适用于被评估的系统与实验协议。
