研究稱GPT-4通過圖靈測試 54%參與者將其誤認(rèn)為真人

每經(jīng)記者 蔡鼎    每經(jīng)編輯 蘭素英    

自英國計(jì)算機(jī)科學(xué)家阿蘭·圖靈（Alan Turing）于1950年提出關(guān)于判斷機(jī)器是否能夠思考的著名試驗(yàn)“圖靈測試”以來，該測試就被視為判斷計(jì)算機(jī)是否具有模擬人類思維能力的關(guān)鍵。近期，OpenAI開發(fā)的GPT-4模型完成了這項(xiàng)聞名全球的測試，再度引發(fā)廣泛關(guān)注。

加州大學(xué)圣地亞哥分校認(rèn)知科學(xué)系博士生 Cameron R. Jones和教授Benjamin K. Bergen在預(yù)印本arXiv上發(fā)表的最新論文表明，越來越多的人難以在圖靈測試中區(qū)分GPT-4和人類。

兩位研究人員以真人、初代聊天機(jī)器人ELIZA、GPT- 3.5和GPT-4為研究對象。其中，ELIZA是由麻省理工團(tuán)隊(duì)在1964年至1966年期間開發(fā)的史上第一個聊天機(jī)器人，上世紀(jì)60年代曾參與圖靈測試，但宣告失敗。該機(jī)器人沒有大語言模型或神經(jīng)網(wǎng)絡(luò)支持。

結(jié)果顯示，多達(dá)54%的參與者將GPT-4誤認(rèn)為真人，是迄今為止首次有AI模型以如此高的結(jié)果通過圖靈測試。還需要指出的是，上述研究開展之時，OpenAI尚未宣布新一代的旗艦?zāi)Ｐ虶PT-4o，如果參與測試的是GPT-4o，這一比例可能還會更高。

研究人員在進(jìn)行實(shí)驗(yàn)時，OpenAI尚未宣布新一代的旗艦?zāi)Ｐ虶PT-4o。圖為OpenAI首席執(zhí)行官薩姆·阿爾特曼。 視覺中國圖

500名參與者進(jìn)行測試

研究人員招募了500名參與者，讓他們與四位“對話者”進(jìn)行五分鐘的交流，這四位“對話者”分別是真人、初代聊天機(jī)器人ELIZA、GPT-3.5和GPT-4。參與者在對話結(jié)束后需判斷對方是人還是機(jī)器。

雙方將通過一個類似即時通訊應(yīng)用的界面進(jìn)行交流。界面底部有一個聊天輸入框，屏幕中央為對話記錄，頂部有一個計(jì)時器和觸發(fā)幫助和報告的按鈕。招募到的參與者首先發(fā)送消息，雙方交替發(fā)送，每條消息限制在一定的字符數(shù)內(nèi)。

針對AI語言模型，研究人員基于表現(xiàn)最好的GPT-4命令集（提示詞）進(jìn)行了修改，指示其表現(xiàn)得像一個年輕人，不要太認(rèn)真對待游戲，使用口語化表述，且不要出現(xiàn)拼寫和語法錯誤。此外，AI模型也不能提供太多的知識，尤其是語文和數(shù)學(xué)方面的知識。每輪測試開始時，還會添加一些額外的信息，如姓名、地點(diǎn)和時間戳。

而且，為了模擬真實(shí)的交流延遲，AI的回復(fù)會根據(jù)消息的長度人為地延遲發(fā)送。這種設(shè)置旨在模擬正常的人際交流節(jié)奏，增加實(shí)驗(yàn)的現(xiàn)實(shí)感。研究小組解釋稱，人類之所以不能百分之百地識別同類，是因?yàn)樘釂栒哒J(rèn)為AI的效率越來越高。這增加了他們將人類錯誤地識別為機(jī)器的可能性。

為了深入了解影響參與者最后作出決定的定性因素，研究小組對其使用的策略和判斷的理由進(jìn)行了分類。36%的參與者與“對話者”進(jìn)行閑聊，詢問個人細(xì)節(jié)或他們的日常活動；第二類策略是社交和情感（25%），例如詢問“對話者”的意見、經(jīng)歷并分析判斷它們的幽默感；第三類是知識和推理（13%），包括數(shù)學(xué)、邏輯和常識問題。

結(jié)果顯示，有54%的參與者將GPT-4誤認(rèn)為是真人。相比之下，預(yù)先設(shè)定好回復(fù)的ELIZA只有22%的人將其認(rèn)作真人，GPT-3.5則為50%，而“真人對話者”被正確辨認(rèn)的比例則為67%。

社交情感能力是關(guān)鍵

《每日經(jīng)濟(jì)新聞》記者注意到，研究人員在論文中對“真人對話者”被正確辨認(rèn)的比例只有67%感到震驚。

他們指出，這可能反映出參與者認(rèn)為AI系統(tǒng)質(zhì)量在不斷進(jìn)化，這一結(jié)果也與近年來其他類似的圖靈測試呈現(xiàn)的情況類似。當(dāng)AI系統(tǒng)能力很差時，真人是很容易被辨別出來的，而隨著參與者對AI系統(tǒng)能力的信心增強(qiáng)，他們便更有可能將真人誤認(rèn)為AI。

作者在論文中指出，他們的結(jié)果為圖靈測試提供了一些經(jīng)驗(yàn)性證據(jù)。就他們使用的策略和給出的決策理由而言，被招募的參與者在測試中更關(guān)注的是研究對象在對話中的風(fēng)格和社交情感因素，而不是更傳統(tǒng)的智力類回答，例如知識和推理能力。他們認(rèn)為，這可能是因?yàn)閰⑴c者認(rèn)為，社交能力是機(jī)器最無法模仿的人類特征。

GPT-4和GPT-3.5在測試中的表現(xiàn)雖然未達(dá)到“真人對話者”的水平，但目前AI研究者普遍認(rèn)為，只要有30%的回答被誤認(rèn)為是人類，那就算通過測試。不過也有觀點(diǎn)認(rèn)為，50%的基線更加合理，因?yàn)樗茏C明人類在識別AI方面并不具有偶然性。

在上述研究中，參與者的置信度得分和決策依據(jù)都表明他們并非隨意猜測：GPT-4是人類的平均置信度為73%。

還需要指出的是，由于研究人員在進(jìn)行上述實(shí)驗(yàn)時，OpenAI尚未宣布新一代的旗艦?zāi)Ｐ虶PT-4o。這一全新模型可以利用語音、視頻和文本信息進(jìn)行實(shí)時推理，如果參與測試，被參與者誤認(rèn)為人類的概率可能就會更高。

圖靈測試是由英國計(jì)算機(jī)科學(xué)家阿蘭·圖靈（Alan Turing）于1950年在其論文《計(jì)算機(jī)器與智能》中提出的一個關(guān)于判斷機(jī)器是否能夠思考的著名試驗(yàn)，測試某機(jī)器是否能表現(xiàn)出與人等同或無法區(qū)分的智能水平。1966年，美國計(jì)算機(jī)協(xié)會（ACM）還以圖靈的名字設(shè)立了圖靈獎，被譽(yù)為“計(jì)算機(jī)界的諾貝爾獎”，旨在獎勵對計(jì)算機(jī)事業(yè)作出重要貢獻(xiàn)的個人，每年頒發(fā)一次。

封面圖片來源：視覺中國