图灵测试

什么是图灵测试，它是如何运作的？

‍图灵测试是一种人工智能测试，用于判断一台计算机是否能通过聊天对话让人类相信它是人类。 测试中，一位人类需要判断与其对话的“人”到底是真人还是计算机。如果他们认为自己在和真人交流，但实际上对方是计算机，那么这台计算机就通过了图灵测试。

本质上，这是一种评估计算机是否能以足够逼真的方式模仿人类，从而让人类误以为自己在和人类交流的测试。当然，这个测试还有很多值得深入探讨的地方。

图灵测试的意义是什么？

这个问题看起来很奇怪，因为答案似乎很明显：就是要知道机器是否能在聊天中逼真地模仿人类。不过，这里面其实还有更深层的思考。

我们是在测试机器是否真的能在思维或智能层面上模仿人类，还是只是能让人类误以为它是人类？这两者是有区别的。

在思维或智能层面上模仿人类，通常是人们对图灵测试的理解——也就是人类真的无法分辨自己是在和人还是和机器交流。实际上，最初设计这个测试时，并不要求机器必须具备真正的智能，只要能“欺骗”人类就可以。例如，电脑故意拼写错误，可能会让人类误以为它是人，因为机器通常不会拼错字。

根本问题在于，测试都有规则，因此不可避免地存在缺陷。例如，与测试对象交流的时间长短会影响结果。模仿人类5分钟比模仿一百小时要容易得多。某些小技巧在5分钟内可能有效，但在一百小时的对话中就不行了。

谁来执行图灵测试重要吗？

受过专业训练、懂得如何区分机器与人类的科学家，比毫无训练的普通人更难被欺骗——不仅因为科学家有能力评估答案，还因为他们知道该问哪些问题。

即使计算机拥有与人类相当的“思考力”和智能，也未必能骗过测试者。因为计算机的回答可能过于完美或缺乏情感。

关于图灵测试，还有一些哲学层面的思考，比如如果计算机达到了通用的人类智能水平，是否就意味着机器能“思考”或拥有意识。这也是艾伦·图灵设计这个测试时试图绕开的一个问题。如果机器能准确模仿人类，那么在实际意义上它就是在“思考”。

当然，这并不意味着机器有意识，或者它的思考方式和人类一样。事实上，可以肯定的是，它的思考方式和人类不同。从实际角度来看，这个问题才真正有意义。比如，飞机能飞，这才是关键。它们飞行的方式不像鸟类，这一点其实并不重要。

图灵测试关注的是结果，而不是结果是如何实现的。

更重要的一点是，图灵测试通常被理解为描述机器智能至少达到人类水平的状态。至于机器是否在所有缺陷条件下“技术上”通过了图灵测试，关注这一点的人其实很少。

虽然通过图灵测试在技术上可能是一个很大的成就，尤其是当测试时间很长且由专业人士执行时，但这远不如一台能一直骗过所有人的机器令人印象深刻。当然，测试时间越长，评估者的专业水平越高，这两种情况就越接近。

我们距离计算机通过图灵测试还有多远？

现在你已经了解了什么是图灵测试，下一个问题一定是：“我们距离计算机通过这个测试还有多远？”（也就是实现通用人类智能）。简短的回答是：“没有。”

虽然自然语言处理（即计算机识别一句话背后意图的能力，这也是所有语音助手的核心技术）取得了巨大进步，但我们距离通用的人类智能还差得很远。

事实证明，当前技术在处理歧义（理解含糊语句的含义）、记忆（将之前提到的事实融入当前对话）或上下文（考虑未明说但与当前情境相关的事实）方面表现并不好。简而言之，当前技术距离所需水平还差得很远。

部分原因在于，当前的人工智能技术需要用大量数据进行学习。任何有大量重复性数据的领域都适合引入人工智能，比如语音识别、图像处理以及自动驾驶。

自然语言处理（NLP）的成功在于，对于没有上下文或记忆的一次性陈述和问题，几乎有无限的数据可用。例如，如果我说“我想买橙汁”，在大多数情况下，这只是一个简单的陈述，不需要额外的上下文或记忆来理解。其意图是：“购买橙汁”。

但如果涉及上下文或记忆，情况就变得复杂了。如果我说我想“买橙汁”，但之前告诉过你我是做橙汁期货交易的金融从业者，那么你就需要明白，在这个语境下，我是想买一种如果橙汁价格上涨就能赚钱的金融工具。

‍

那么我们的数据现在是什么样的？“买橙汁”可能意味着：去商店买一瓶橙汁，或者如果之前说过自己是橙汁期货交易员，那就意味着想买与橙汁价格挂钩的金融产品。

如果这位金融交易员刚刚说自己很渴，那他就是想去商店买一瓶橙汁。所以我们又增加了一个数据点：如果之前说过自己是橙汁期货交易员，但最近又说自己很渴，那就意味着他想买一瓶橙汁。

如果一家金融企业推出一个用户认为具有人类“智能”的交易机器人，很快就会遇到问题。

通过图灵测试是不可能的吗？

对话数据有很多维度，甚至是无限维。这意味着机器学习算法需要拥有包含所有可能维度大量数据的数据集，而这显然是不可能的。

当然，这并不意味着通过图灵测试是不可能的。我们知道这是可能的，因为我们的大脑已经实现了这一点。就像几百年前的人们看到鸟类飞翔，就知道飞行是可能的一样。

问题在于，我们在人工智能上的方法不能依赖大数据，因为不存在足够维度的大数据。变量太多，维度太多。即使到现在，谷歌每天仍有8亿次从未见过的新搜索。这也说明了数据驱动方法的难度。

谷歌的Ray Kurtzweil正在尝试某种程度上模仿人脑的方法。他预计，到2029年我们将实现通用智能，并能够通过非常严格的图灵测试。

他的预测基于这样一个假设：该领域的进步将呈指数级增长，因此，即使今天的进展看起来相对有限，如果你认为我们正处于指数级进步的轨道上，这些进展其实远比表面上重要得多。

他是否正确，我们还需拭目以待，但这至少说明，在未来十年内取得突破的可能性极低。

一台机器通过可信的图灵测试意味着什么？

最后一点是，如果一台机器通过了可信的图灵测试，这将意味着什么。如果机器是通过某种大数据方法通过测试的，就像机器在棋类游戏中击败人类一样——即使是非常复杂的棋类游戏——其影响力也不会像通过“脑复制”方法那样深远。

脑复制方法意味着，这台机器在“思考”方式上更接近我们人类对思考的定义。它能够像人类一样，从极少的例子中推断出意义，而不是需要成百上千个完全相同的案例来归纳总结。

如上所述，更有可能实现突破的是“脑复制”方法，因为大数据方法并不可行。这很可能意味着机器不仅在对话方面，而且在多个领域都实现了通用智能。

这一影响不可低估，因为这很可能导致社会的彻底重置。尤其是当机器能够以有意义的方式自我提升时，这将带来它们智能指数级增长的可能性，形成良性循环，彻底改变我们的生活。

人类与机器的互动

回到更实际的问题，即使一台机器与人类相当，也不意味着我们会像与人类一样与它互动。这和人与人之间的互动是一样的。人与人之间的交流并不总是高效的。有时候，试图通过电话向同事解释如何做一件事会很繁琐、效率低下，而直接演示会更容易。如果人类也能像网页那样拥有图形界面就好了！

语音界面（或基于聊天的界面）在信息输入和输出方面显然有局限性。有些情况下，图形化展示信息或点击图形界面比使用语音界面要高效得多。因此，Bot平台的设计目标就是尽量让用户回到理想流程，不让对话偏离主题。

我的观点还在于，计算机不像人类那样受限于信息接收和输出的界面，因此与机器的对话必然会结合最适合当前任务的界面。

虽然通过图灵测试在人机交互方面是一个巨大里程碑，但实际的人机“对话”不会仅限于语音和文本。

常见问题

图灵测试与其他AI基准（如Winograd Schema Challenge或ARC Challenge）相比如何？

图灵测试考察的是AI是否能模仿人类对话，而更新的基准如Winograd Schema Challenge和ARC Challenge则更注重推理、常识和解决问题的能力。这些更能揭示深层智能，而不仅仅是表面模仿。

图灵测试在现代AI研究中仍然有意义吗？现在有更好的替代方案吗？

图灵测试仍然是一个有用的思想实验和里程碑，但许多研究者现在认为它已经过时。现代测试更注重衡量实际理解、逻辑和泛化能力。

文化或语言偏见会影响图灵测试的结果吗？

会的。AI可能无法理解特定文化或语言中的习语、幽默或引用，这使得它在某些场景下更容易被识别为非人类。

如果通过了图灵测试，会如何重新定义“人类”的含义？

如果机器通过了严格的图灵测试，可能会迫使我们重新思考，人类的本质究竟是生物属性还是行为方式，以及我们的思维方式到底有多独特。

哪些类型的问题最能有效暴露AI的非人类特征？

依赖于上下文、情感细微差别或现实常识的问题，比如理解讽刺、模糊指代或矛盾信息，通常最容易暴露AI的非人类特征。