Dlaczego test Turinga stracił znaczenie w epoce AI

W kontrolowanej pięciominutowej rozmowie przeprowadzonej w 2024 roku uczestnicy uznali GPT-4 za człowieka w 54% przypadków. W późniejszym teście z trzema uczestnikami GPT-4.5 osiągnął 73%, gdy polecono mu przyjąć ludzką osobowość. Te liczby nie dowodzą, że model językowy stał się osobą. Pokazują, że krótka rozmowa tekstowa słabo nadaje się do odróżniania człowieka od maszyny.

Dlatego test Turinga stracił status ogólnego egzaminu z inteligencji. Nadal może sprawdzić, czy system naśladuje ludzką rozmowę w określonym protokole. Nie mówi jednak, czy system rozumie świat, sprawdza własne błędy, planuje w dłuższym czasie ani niezawodnie wykonuje prawdziwe zadanie.

Co naprawdę zaproponował Turing

Alan Turing rozpoczął artykuł z 1950 roku „Computing Machinery and Intelligence” pytaniem: „Czy maszyny mogą myśleć?”. Zamiast najpierw ustalać definicje „maszyny” i „myślenia”, opisał grę w naśladowanie. Ludzki pytający rozmawia tekstowo z dwoma ukrytymi uczestnikami: człowiekiem i maszyną.

Pytający ma wskazać, który uczestnik jest maszyną. Jeśli maszyna sprawi, że ten osąd stanie się niewiarygodny, wygrywa. Głos, wygląd i ciało zostają wyłączone; ocenie podlega język oraz rozumowanie widoczne w rozmowie. Myśli nie da się obserwować bezpośrednio, ale zachowanie konwersacyjne można zapisać. Problem pojawił się wtedy, gdy to przybliżenie zaczęto traktować jako pełną teorię inteligencji.

Język stał się powierzchnią do optymalizacji

Duże modele językowe uczą się na ogromnych zbiorach ludzkich tekstów i tworzą prawdopodobne kontynuacje. W teście, którego widocznym celem jest „brzmieć jak człowiek”, mają strukturalną przewagę.

Model nie musi mieć dzieciństwa, aby napisać przekonujące wspomnienie z dzieciństwa. Nie musi mieć prywatnych uczuć, aby odpowiedzieć ze współczuciem. Nie potrzebuje też trwałej pamięci osobistej, aby przez kilka minut utrzymywać postać. Takie zachowania można wygenerować z wzorców językowych, instrukcji i kontekstu.

Można dostroić slang, krótkie odpowiedzi, okazjonalne literówki, udawaną niepewność albo zmianę tematu przy trudnym pytaniu. Naturalna rozmowa jest użyteczna dla asystenta. Błędem jest uznanie naturalnego interfejsu za dowód ludzkiego rozumienia.

Test nagradza występ, a nie niezawodność

Rzetelny asystent powinien oddzielać fakty od przypuszczeń, podawać źródła, przyznawać się do braku dowodów, prosić o kontekst i zatrzymywać się przed ryzykownym działaniem. W zwykłej rozmowie taka ostrożność może wyglądać mniej ludzko, ponieważ ludzie bywają niespójni i pewnie się mylą.

Gra w naśladowanie daje inne bodźce. Zmyślone osobiste doświadczenie, drobny błąd lub unikanie konkretnej odpowiedzi może zwiększyć wrażenie człowieczeństwa. Celem jest przekonanie sędziego, nie udzielenie najlepszej odpowiedzi. Model może więc poprawić wynik bez poprawy dokładności.

Co pokazują nowe eksperymenty

W prerejestrowanym badaniu Jonesa i Bergena z 2024 roku porównano ELIZĘ, GPT-3.5, GPT-4 i ludzi w pięciominutowych rozmowach. GPT-4 uznano za człowieka w 54% przypadków, a ludzi w 67%.

Wniosek nie brzmi: GPT-4 jest „prawie człowiekiem”. Wniosek brzmi: krótka interakcja utrudnia ocenę tożsamości. Autorzy stwierdzili, że styl i sygnały społeczno-emocjonalne miały większe znaczenie niż tradycyjne pojęcia inteligencji.

Badanie z 2025 roku „Large Language Models Pass the Turing Test” podało 73% dla GPT-4.5 z ludzką personą, 56% dla Llama 3.1 oraz 21% i 23% dla GPT-4o i ELIZY. To preprint arXiv, więc nie należy przedstawiać go jako ostatecznego rozstrzygnięcia. Jasno widać jednak, że model, instrukcja i protokół mocno zmieniają rezultat.

Ludzkie brzmienie nie dowodzi rozumienia

System może wygenerować przekonującą odpowiedź bez wiarygodnego modelu świata powiązanego z faktami. Może opisać emocję bez jej przeżywania, wyjaśnić dowód i chwilę później popełnić prosty błąd logiczny, a także odwołać się do poprzedniej wiadomości bez trwałej pamięci o rozmówcy.

Nie dowodzi to, że modele językowe nie mają żadnej formy rozumienia. Dowodzi, że test Turinga nie potrafi rozstrzygnąć tej kwestii. To samo zachowanie zewnętrzne może wynikać z różnych procesów wewnętrznych, których transkrypcja nie pokazuje.

Rzeczywista praca wymaga pamiętania stanu, sprawdzania danych, poprawnego używania narzędzi, wykrywania błędów, zmiany planu i pozostawiania śladu audytowego. Udana rozmowa przez pięć minut nie przewiduje wyniku sześciogodzinnego badania ani wieloetapowej zmiany programu.

Praktyczne pytanie się odwróciło

Pierwotna gra pytała, czy maszyna może przekonać kogoś, że jest człowiekiem. Dziś ważniejsze jest sprawdzenie źródła, uprawnień i odpowiedzialności interakcji.

Wiadomość brzmiąca po ludzku może pochodzić od bota. Wiadomość brzmiąca sztucznie może być napisana przez zmęczonego człowieka, przetłumaczona albo zredagowana. Rathi i współpracownicy pokazali, że ludzie i modele są mniej dokładni, gdy mogą tylko czytać transkrypcję, bez aktywnego zadawania pytań. Najlepszego świadka GPT-4 częściej uznawano za człowieka niż prawdziwych ludzi.

Ma to znaczenie dla oszustw, fałszywych kont, podszywania się pod obsługę klienta i automatycznej propagandy. Styl nie jest dowodem tożsamości. Potrzebne są uwierzytelnianie, pochodzenie treści oraz uprawnienia i dzienniki dla ważnych działań.

Co mierzyć zamiast tego

Fakty należy badać na ukrytych zestawach i przez weryfikację źródeł, rozumowanie przez zadania kontrfaktyczne i adversarialne, pracę przez wyniki end-to-end, a niezawodność przez kalibrację, jakość odmów, sprawdzanie narzędzi, koszt, opóźnienie i stabilność.

Test Turinga może pozostać małym testem ryzyka społecznego oszustwa. Pokazuje, jak łatwo system dialogowy tworzy ludzkie wrażenie. Jest przydatny w projektowaniu interfejsów i badaniach bezpieczeństwa, lecz nie certyfikuje inteligencji, świadomości ani zaufania. Test nie zniknął; po prostu trafił do węższej kategorii.