GPT-4可以通過圖靈測試嗎？

當一個足以強大的模型誕生之后，人們往往會用圖靈測試去衡量這一LLM的智能程度。

最近，來自UCSD的認知科學系研究人員發現：

在圖靈測試中，人們根本無法區分GPT-4與人類！

論文地址：https://arxiv.org/pdf/2405.08007

在圖靈測試中，GPT-4有54%的情況下，被判定為人類。

實驗結果更是表明，這是首次有系統在「交互式」雙人圖靈測試中，被實證通過測試。

研究者Cameron R.Jones招募了500名志愿者，他們被分為5個角色：4個評估員，分別是GPT-4、GPT-3.5、ELIZA和人類，另一個角色就「扮演」人類自己，藏在屏幕另一端，等待著評估員的發現。

以下是節選的游戲，你能看出哪個對話框是人類嗎？

圖 1：人類審訊者（綠色）與證人（灰色）之間的部分對話

其實，這四段對話中，有一段是與人類證人的對話，其余都是與人工智能的對話。

首次開啟受控「圖靈測試」

過去74年里，人們進行了許多圖靈測試的嘗試，但很少進行過受控實驗。

著名的Loebner獎是一項年度競賽，然而從1990年首次舉辦一直到2020年，沒有一個系統通過測試。

最近的一項大規模研究發現，人類在2分鐘的在線對話中，識別一系列LLM準確率達到 60%。

迄今為止，還沒有任何機器通過測試的「受控」實驗演示。

為了測試人們是否有可能識破當前AI系統的欺騙行為，研究人員使用GPT-4進行了一次隨機控制的雙人圖靈測試。

測試要求很簡單，即人類參與者與人類、人工智能開啟5分鐘對話，并判斷對話者是否是人類。

正如開篇所述，研究人員一共測評了3個模型——GPT-4、GPT-3.5，以及ELIZA。

針對前兩個LLM， 研究者通過改編GPT-4和GPT-3.5探索性研究中表現最佳的提示，來指示大模型如何去響應消息。

研究人員稱，解釋圖靈測試的一個核心挑戰是，系統表現出色可能源于兩種原因：

- 一是出色地模仿人類

- 二是評判者過于輕信

后一種情況，常被稱為ELIZA效應，即參與者甚至會將簡單的系統也人性化。

ELIZA系統對于每個人來說，再熟悉不過了。

它是20世紀60年代的一款基于規則的簡單聊天機器人，但用戶發現自己也會將人類特征歸因于它。

因此，在實驗中，研究人員將ELIZA作為基線，一方面是為了從經驗上量化ELIZA效應，另一方面也是為了在實驗中進行操作檢查。

那么，這項圖靈測試的結果，具體如何呢？

GPT-4通過率54%

首先看一個重要的指標：通過率。

研究者將通過率定義為在游戲中，評估對象被評估者判定為人類的比例。

GPT-4的通過率為54%，超過了GPT-3.5（50%）和ELIZA基線（22%），但低于人類被試者（67%）。

評估對象通過率（左）和評估者信任度（右）。右圖每個點代表一場游戲

這個結果其實并不令人意外，與研究初始階段的設想基本相符合。

在試驗之前，研究者就做出了幾個假設：首先，假設人類在檢測GPT-4方面的能力不會超過偶然性（50%）。

為了驗證這一點，研究者擬合了一個邏輯回歸模型來預測只有截距的通過率。

截距與0（z=0.14, p=0.482）沒有明顯差距，這表明GPT-4的通過率可以約等于50%。貝葉斯模型預測GPT-4截距的95%可信區間為-0.24-0.55（相當于44%-63%的通過率）。

這意味著，人類在面對GPT-4時，成功分辨的概率跟拋硬幣差不多！

結果還證實了研究人員的第二和第三個假設：人類的通過率明顯高于GPT-4的通過率（z=2.42，p=0.017），而GPT-4的通過率高于ELIZA的通過率（z=4.11，p<0.001）。

然而，與研究者的試驗設想不一致的是：GPT-4和GPT-3.5的表現幾乎差不多（z=0.497，p=0.619）。

在「偽裝人類」這一塊，打了個平手。

同樣出人意料的是，那些自稱更了解LLM工作原理的參與者并沒有更成功地識別出LLM（z = -0.023，p = 0.869）。

在探索性分析中，研究者發現年齡對詢問者的準確性有負面影響（z = -2.24，p = 0.025），但其他人口統計學變量（包括性別、教育水平和與聊天機器人互動的頻率）則沒有顯著影響。

為什么會是這樣的結果？讓我們來分析一下背后的原因。

為了深入了解到底是什么在影響評估者的決策，我們對評估者使用的策略和他們為決策提供的理由進行了分類。

36%的評估者會與評估對象閑聊，詢問一些個人細節或日常活動。

第二類和第三類最常用的策略是社交與情感（25%）——例如，詢問評估對象的觀點和經歷，觀察他們是否具備幽默感。

還有人側重考察知識與推理（13%），包括有關數學、邏輯和常識的問題。

詢問策略（左）和平均準確率（右）

為了對比每種策略的有效性，研究者計算了使用這些策略的平均準確率。

當評估對象問及對方有關人類經歷（75%）、邏輯和數學（78%）或直接「指控」對方是人工智能（80%）時，通常會距離「正確答案」更近。

在游戲中，人工智能之所以會「露出馬腳」，通常是因為評估者認為他們似乎在強迫自己扮演角色，要么過于隨意，要么則缺乏個性。

而ELIZA 很容易「暴露」，主要是因為反應不自然和缺乏語境意識。

可以看出，無論是從參與游戲的志愿者所使用的策略還是決策理由來看，他們都更注重語言風格和社會情感因素，而不是更傳統的智力范疇（知識和推理）。

這似乎反映出志愿者們的一個潛在假設——社會智能才是AI最無法模仿的人類特征。

圖靈測試，過了

如何判斷系統何時通過了圖靈測試？

圖靈在1950年的論文中預測，到本世紀末， AI系統將能夠很好地玩模仿游戲，以至于審查員在5分鐘的交流后，做出正確識別的機會不會超過70%。

這一結論，導致了AI的通過率是否能夠達到30%，成為許多研究者的討論目標。

然而，這個基準似乎是任意的，并且不清楚圖靈是否將其作為成功的定義。

其實，50%的基線更加合理，因為它更能證明人類審查者，在識別AI方面并不比偶然性更強。

這一定義，與發現用戶是否可以在在線互動中，可靠地識別其他人類這一目標尤為相關。

在研究者的預公開的分析中，通過使用ELIZA基線作為操作檢查來解決這個問題。

只有當分析表明ELIZA的通過率低于概率，而GPT-4的通過率不低于概率的情況下，才能判定模型通過了測試。

而根據這一定義，GPT-4顯然通過了這一版本的圖靈測試。

此外，參與者的置信度得分和決策依據，都表明他們并非隨意猜測：GPT-4是人類的平均置信度為73%（見圖 2）。

網友討論

有網友表示，如果我們要將圖靈測試等同于智力，圖靈測試就不是一個好的測試。然而，AI幾乎始終可以「欺騙」人類的事實有點令人擔憂。

還有人稱，自己對這種測試表示懷疑。因為GPT-4的表現會超過大多數人，所以很容易區分誰是人類，誰是人工智能。

研究者對此表示，這確實是我們遇到的一個問題。比如，GPT-4的知識儲備「太豐富」或者掌握的語言太多。我們明確提示該模型避免這種情況，這在一定程度上是有效的。