AI के युग में ट्यूरिंग टेस्ट का अर्थ क्यों कम हो गया है

2024 के एक नियंत्रित पाँच मिनट के संवाद परीक्षण में प्रतिभागियों ने GPT-4 को 54% बार इंसान माना। बाद के तीन-पक्षीय परीक्षण में, इंसानी व्यक्तित्व अपनाने का निर्देश मिलने पर GPT-4.5 को 73% बार इंसान माना गया। ये आँकड़े यह साबित नहीं करते कि भाषा मॉडल इंसान बन गया है। वे दिखाते हैं कि छोटा टेक्स्ट संवाद इंसान और मशीन को पहचानने का कमजोर तरीका है।

इसी वजह से ट्यूरिंग टेस्ट बुद्धिमत्ता की सामान्य परीक्षा के रूप में अपना महत्व खो चुका है। यह अब भी माप सकता है कि कोई सिस्टम तय नियमों के भीतर इंसानी बातचीत की नकल कर सकता है या नहीं। लेकिन यह नहीं बताता कि सिस्टम दुनिया को समझता है, अपनी गलती जाँचता है, लंबे समय की योजना बनाता है या वास्तविक काम भरोसे से पूरा करता है।

ट्यूरिंग ने वास्तव में क्या प्रस्तावित किया था

एलन ट्यूरिंग ने 1950 के लेख “Computing Machinery and Intelligence” में पूछा था, “क्या मशीनें सोच सकती हैं?” उन्होंने “मशीन” और “सोचना” की अंतिम परिभाषा तय करने के बजाय imitation game प्रस्तावित किया। एक मानव प्रश्नकर्ता टेक्स्ट के माध्यम से दो छिपे प्रतिभागियों से बात करता है: एक इंसान और एक मशीन।

प्रश्नकर्ता को तय करना होता है कि मशीन कौन है। यदि मशीन यह निर्णय अविश्वसनीय बना दे, तो वह खेल में सफल होती है। आवाज़, रूप और शरीर को हटाकर केवल भाषा और संवाद में दिखाई देने वाले तर्क को रखा जाता है। विचार को सीधे देखना संभव नहीं था, लेकिन बातचीत के व्यवहार को रिकॉर्ड किया जा सकता था। यही इस प्रस्ताव की ताकत थी।

समस्या तब आई जब इस व्यवहारगत अनुमान को बुद्धिमत्ता का पूरा सिद्धांत मान लिया गया।

भाषा अब आसानी से अनुकूलित की जा सकती है

बड़े भाषा मॉडल मानव लेखन के विशाल संग्रहों से सीखते हैं और संदर्भ के अनुकूल संभावित वाक्य बनाते हैं। ऐसे टेस्ट में, जिसका दिखाई देने वाला लक्ष्य “इंसान जैसा लगना” है, उन्हें स्वाभाविक लाभ मिलता है।

मॉडल को बचपन का अनुभव किए बिना बचपन की याद लिखना आता है। निजी भावनाएँ न होते हुए भी सहानुभूति जताई जा सकती है। स्थायी व्यक्तिगत स्मृति के बिना भी कुछ मिनटों तक एक व्यक्तित्व निभाया जा सकता है। भाषा के पैटर्न, निर्देश और संदर्भ से ये व्यवहार बनाए जा सकते हैं।

मॉडल को छोटा बोलने, बोलचाल के शब्द इस्तेमाल करने, कभी-कभी वर्तनी की गलती करने, कम जानकार दिखने या कठिन प्रश्न पर विषय बदलने को कहा जा सकता है। प्राकृतिक संवाद उपयोगी है, लेकिन प्राकृतिक इंटरफ़ेस को अंदर की मानवीय समझ का प्रमाण मानना गलत है।

टेस्ट अभिनय को पुरस्कृत करता है, विश्वसनीयता को नहीं

विश्वसनीय सहायक को तथ्य और अनुमान अलग करने चाहिए, स्रोत देने चाहिए, प्रमाण न होने पर यह स्वीकार करना चाहिए, अधूरा संदर्भ पूछना चाहिए और जोखिम वाले काम से पहले रुकना चाहिए। सामान्य बातचीत में ऐसी सावधानी कभी-कभी कम मानवीय लग सकती है, क्योंकि इंसान भी असंगत होते हैं और आत्मविश्वास से गलतियाँ करते हैं।

Imitation game के प्रोत्साहन अलग हैं। निजी अनुभव का नाटक, छोटी गलती या सटीक उत्तर से बचना मानव-जैसा प्रभाव बढ़ा सकता है। लक्ष्य सही उत्तर देना नहीं, निर्णायक को विश्वास दिलाना है। इसलिए मॉडल अधिक सक्षम हुए बिना अपना टेस्ट स्कोर बढ़ा सकता है।

हाल के प्रयोग क्या दिखाते हैं

Jones और Bergen के 2024 के preregistered अध्ययन में ELIZA, GPT-3.5, GPT-4 और इंसानी प्रतिभागियों की पाँच मिनट की बातचीत की तुलना हुई। GPT-4 को 54% बार इंसान माना गया, जबकि इंसानी प्रतिभागियों का अनुपात 67% था। इससे यह साबित नहीं होता कि GPT-4 “लगभग इंसान” है; इससे पता चलता है कि छोटी बातचीत में पहचान का निर्णय अस्थिर है।

2025 के “Large Language Models Pass the Turing Test” अध्ययन में मानवीय व्यक्तित्व वाले निर्देश के साथ GPT-4.5 का परिणाम 73%, Llama 3.1 का 56%, GPT-4o का 21% और ELIZA का 23% था। यह arXiv preprint है, इसलिए इसे अंतिम निष्कर्ष की तरह नहीं लिखना चाहिए। फिर भी मॉडल, prompt और परीक्षण नियमों पर परिणाम की निर्भरता साफ़ है।

इंसान जैसा लगना समझ का प्रमाण नहीं है

कोई सिस्टम तथ्यों से जुड़ा विश्व मॉडल बनाए बिना भी प्रभावशाली उत्तर दे सकता है। वह भावना का वर्णन कर सकता है, बिना उसे महसूस किए; प्रमाण समझा सकता है और अगले वाक्य में सरल तार्किक गलती कर सकता है; पिछली बात का उल्लेख कर सकता है, बिना स्थायी स्मृति के।

इससे यह साबित नहीं होता कि भाषा मॉडल में समझ का कोई रूप नहीं है। इससे केवल इतना पता चलता है कि ट्यूरिंग टेस्ट यह प्रश्न हल नहीं कर सकता। एक ही बाहरी व्यवहार अलग-अलग आंतरिक प्रक्रियाओं से उत्पन्न हो सकता है, जिन्हें टेक्स्ट रिकॉर्ड में देखना कठिन है।

वास्तविक काम में स्थिति बनाए रखना, इनपुट जाँचना, टूल सही ढंग से चलाना, विफलता पहचानना, योजना बदलना और ऑडिट रिकॉर्ड रखना पड़ता है। पाँच मिनट की अच्छी बातचीत छह घंटे के शोध या कई चरणों वाले कोड बदलाव की गारंटी नहीं है।

उल्टा उदाहरण भी महत्वपूर्ण है। शतरंज इंजन या वैज्ञानिक सिस्टम इंसानी बातचीत की नकल किए बिना अपने क्षेत्र में इंसानों से बेहतर हो सकते हैं। इंसानी शैली बुद्धिमत्ता से जुड़ा एक व्यवहार है, बुद्धिमत्ता की परिभाषा नहीं।

वास्तविक दुनिया का सवाल उलट गया है

मूल खेल पूछता था कि मशीन इंसान होने का विश्वास दिला सकती है या नहीं। आज मुख्य सवाल है कि किसी बातचीत का स्रोत, अधिकार और जिम्मेदारी कैसे सत्यापित की जाए। इंसान जैसा संदेश बॉट से आ सकता है। कृत्रिम शैली किसी थके हुए इंसान, अनुवाद या संपादन का परिणाम भी हो सकती है।

Rathi और सहकर्मियों के 2025 अध्ययन में पाया गया कि जब निर्णायक केवल ट्रांसक्रिप्ट पढ़ते हैं और सवाल नहीं पूछ सकते, तो इंसान और मॉडल दोनों की पहचान-क्षमता घटती है। सबसे अच्छा GPT-4 संवाद वास्तविक इंसानों से अधिक बार इंसानी माना गया।

इसका असर धोखाधड़ी, नकली खातों, ग्राहक सेवा की नकल और स्वचालित प्रचार पर पड़ता है। भाषा शैली पहचान का मजबूत प्रमाण नहीं है। पहचान के लिए authentication, सामग्री के लिए provenance, और महत्वपूर्ण कार्यों के लिए permissions तथा logs चाहिए।

इसकी जगह क्या मापना चाहिए

तथ्यों के लिए hidden test sets और source verification, reasoning के लिए adversarial और counterfactual tasks, काम के लिए end-to-end success, और reliability के लिए calibration, refusal quality, tool checks, cost, latency तथा stability मापनी चाहिए। लंबे काम के लिए state tracking और plan revision भी आवश्यक हैं।

ट्यूरिंग टेस्ट सामाजिक धोखे के जोखिम की छोटी परीक्षा के रूप में बच सकता है। वह दिखाता है कि कोई संवाद प्रणाली मानवीय प्रभाव कितनी आसानी से बना सकती है। यह interface और safety research के लिए उपयोगी है, लेकिन intelligence, consciousness या trust का प्रमाण-पत्र नहीं है। टेस्ट समाप्त नहीं हुआ; उसका दायरा छोटा हो गया है।