لماذا فقد اختبار تورنغ معناه في عصر الذكاء الاصطناعي

في تجربة مضبوطة استمرت خمس دقائق عام 2024، اعتبر المشاركون GPT-4 إنساناً في 54% من الحالات. وفي اختبار لاحق ضم ثلاثة أطراف، وصل GPT-4.5 إلى 73% عندما طُلب منه تبنّي شخصية بشرية. لا تثبت هذه الأرقام أن نموذجاً لغوياً أصبح إنساناً. إنها تثبت أن الحوار النصي القصير طريقة ضعيفة للتمييز بين الإنسان والآلة.

لهذا فقد اختبار تورنغ مكانته كاختبار عام للذكاء. لا يزال يقيس قدرة النظام على تقليد الحوار البشري وفق بروتوكول محدد، لكنه لا يخبرنا إن كان يفهم العالم، أو يراجع أخطاءه، أو يخطط على المدى الطويل، أو ينجز مهمة حقيقية بصورة موثوقة.

ما الذي اقترحه تورنغ فعلاً؟

بدأ آلان تورنغ ورقته عام 1950، “Computing Machinery and Intelligence”، بسؤال: «هل تستطيع الآلات التفكير؟». بدلاً من تعريف كلمتي «آلة» و«تفكير» أولاً، وصف لعبة تقليد. يتواصل محقّق بشري عبر النص مع طرفين مجهولي الهوية: إنسان وآلة.

على المحقّق تحديد أي الطرفين آلة. إذا جعلت الآلة هذا الحكم غير موثوق، فقد نجحت في اللعبة. يستبعد التصميم الصوت والمظهر والجسد، ويركز على اللغة والاستدلال الظاهر في المحادثة. كانت هذه نقلة ذكية، لأن التفكير لا يُرى مباشرة بينما يمكن تسجيل السلوك الحواري.

لكن التقريب السلوكي تحوّل لاحقاً إلى ما يشبه نظرية كاملة عن الذكاء، وهنا بدأ الالتباس.

أصبحت اللغة سطحاً قابلاً للتحسين

تتعلم النماذج اللغوية الكبيرة من كميات ضخمة من النصوص البشرية وتنتج تكملات محتملة. لذلك تبدأ بميزة واضحة في اختبار هدفه الظاهر هو الظهور بمظهر الإنسان.

لا يحتاج النموذج إلى طفولة حقيقية كي يكتب ذكرى مقنعة، ولا إلى مشاعر خاصة كي يجيب بتعاطف، ولا إلى ذاكرة شخصية دائمة كي يحافظ على شخصية لبضع دقائق. يمكن توليد هذه السلوكيات من الأنماط اللغوية والتعليمات وسياق الحوار.

يمكن أيضاً ضبط الأسلوب: استخدام العامية، الإجابات القصيرة، أخطاء إملائية متقطعة، التظاهر بعدم اليقين، أو تغيير الموضوع عند صعوبة السؤال. الحوار الطبيعي مفيد للمساعد، لكن طبيعية الواجهة لا تثبت أن القدرات الداخلية تشبه قدرات الإنسان.

الاختبار يكافئ الأداء لا الموثوقية

ينبغي للمساعد الموثوق أن يميز بين الحقيقة والتخمين، ويذكر المصادر، ويعترف بغياب الدليل، ويطلب السياق الناقص، ويتوقف قبل تنفيذ إجراء خطير. قد تبدو هذه الحيطة أقل بشرية في حديث عابر، لأن البشر متناقضون ويخطئون بثقة.

أما لعبة التقليد فتعطي حوافز مختلفة. قد يزيد اختلاق تجربة شخصية أو ارتكاب خطأ صغير أو تجنب جواب دقيق من الانطباع البشري. الهدف هو إقناع المحكّم، لا تقديم أفضل إجابة. وهكذا يستطيع النموذج تحسين نتيجته من دون أن يصبح أدق أو أكثر قدرة.

ماذا تثبت التجارب الحديثة؟

قارنت دراسة Jones وBergen المسجلة مسبقاً عام 2024 بين ELIZA وGPT-3.5 وGPT-4 ومشاركين بشريين في محادثات مدتها خمس دقائق. حُكم على GPT-4 بأنه إنسان في 54% من الحالات، مقابل 67% للمشاركين البشريين.

المغزى ليس أن GPT-4 «شبه إنسان». المغزى أن الحكم على الهوية يصبح صعباً في تفاعل قصير. ووجد الباحثون أن الأسلوب والإشارات الاجتماعية-العاطفية تؤثر أكثر من المفاهيم التقليدية للذكاء.

وفي دراسة 2025، “Large Language Models Pass the Turing Test”، حُكم على GPT-4.5 بأنه الإنسان في 73% من الحالات مع شخصية بشرية، وعلى Llama 3.1 في 56%، بينما حصل GPT-4o وELIZA على 21% و23%. هذه نسخة preprint على arXiv، ولذلك يجب عرضها بحذر. لكنها تكشف بوضوح حساسية النتيجة للنموذج والتعليمات والبروتوكول.

المظهر البشري لا يثبت الفهم

يمكن للنظام إنتاج جواب مقنع من دون نموذج موثوق للعالم مرتبط بالحقائق. يمكنه وصف عاطفة من دون تجربتها، وشرح برهان ثم ارتكاب خطأ منطقي بسيط، والإشارة إلى رسالة سابقة من دون امتلاك ذاكرة دائمة عن المتحدث.

هذا لا يثبت أن النماذج اللغوية لا تملك أي شكل من أشكال الفهم. لكنه يثبت أن اختبار تورنغ لا يستطيع حسم المسألة. قد ينتج السلوك الخارجي نفسه عن عمليات داخلية مختلفة لا تظهر في نص المحادثة.

يتطلب العمل الحقيقي حفظ الحالة، والتحقق من المدخلات، واستخدام الأدوات بصورة صحيحة، واكتشاف الفشل، وتعديل الخطة، وترك سجل قابل للمراجعة. لا تضمن محادثة جيدة مدتها خمس دقائق نجاح بحث يستمر ست ساعات أو تعديل برمجي متعدد المراحل.

والعكس صحيح أيضاً: قد يتفوق محرك شطرنج أو نظام علمي على البشر في مجاله من دون تقليد كلامهم. الأسلوب البشري سلوك مرتبط بالذكاء، وليس تعريفاً للذكاء.

انعكست المسألة العملية

كان السؤال الأصلي: هل تستطيع الآلة إقناع شخص بأنها إنسان؟ أما السؤال الحالي فهو: كيف نتحقق من مصدر التفاعل وصلاحيته والمسؤول عنه؟ قد تأتي رسالة تبدو بشرية من روبوت، وقد تكون الرسالة التي تبدو آلية من إنسان متعب أو من نص مترجم ومحرر.

أظهرت دراسة Rathi وزملائها عام 2025 أن البشر والنماذج يصبحون أقل دقة عندما يقيّمون نصاً مسجلاً من دون طرح أسئلة مباشرة. بل حُكم على أفضل شاهد من GPT-4 بأنه إنسان أكثر من الشهود البشريين.

هذا مهم للاحتيال والحسابات الوهمية وانتحال خدمة العملاء والدعاية الآلية. الأسلوب ليس إثبات هوية. نحتاج إلى مصادقة للهوية، وإثبات مصدر للمحتوى، وصلاحيات وسجلات للأفعال المهمة.

ماذا نقيس بدلاً منه؟

ينبغي قياس الحقائق باختبارات مخفية والتحقق من المصادر، والاستدلال بمهام متعددة الخطوات ومناهضة للخصم وافتراضية، والعمل بنتائج من البداية إلى النهاية، والموثوقية بالمعايرة وجودة الرفض والتحقق من الأدوات والتكلفة والزمن والاستقرار.

يمكن أن يبقى اختبار تورنغ اختباراً صغيراً لمخاطر الخداع الاجتماعي. فهو يوضح مدى سهولة خلق انطباع بشري مقنع. وهذا مفيد في تصميم الواجهات وأبحاث السلامة، لكنه لا يكفي لشهادة الذكاء أو الوعي أو الثقة. لم يختف الاختبار؛ بل أصبح أضيق نطاقاً.