เหตุใดการทดสอบทัวริงจึงหมดความหมายในยุค AI

ในการสนทนาแบบควบคุมเป็นเวลาห้านาทีเมื่อปี 2024 ผู้เข้าร่วมตัดสินว่า GPT-4 เป็นมนุษย์ใน 54% ของกรณี ต่อมาในการทดสอบที่มีผู้เข้าร่วมสามฝ่าย GPT-4.5 ได้ 73% เมื่อได้รับคำสั่งให้ใช้บุคลิกแบบมนุษย์ ตัวเลขเหล่านี้ไม่ได้พิสูจน์ว่าโมเดลภาษาได้กลายเป็นมนุษย์ แต่แสดงให้เห็นว่าการสนทนาผ่านข้อความสั้น ๆ เป็นวิธีที่อ่อนแอในการแยกมนุษย์ออกจากเครื่องจักร

นี่คือเหตุผลที่การทดสอบทัวริงสูญเสียสถานะการเป็นบททดสอบสติปัญญาแบบทั่วไป การทดสอบยังบอกได้ว่าระบบเลียนแบบบทสนทนาของมนุษย์ภายใต้กติกาเฉพาะได้หรือไม่ แต่ไม่บอกว่าระบบเข้าใจโลก ตรวจสอบข้อผิดพลาดของตน วางแผนระยะยาว หรือทำงานจริงได้อย่างน่าเชื่อถือหรือไม่

ทัวริงเสนออะไรจริง ๆ

ในบทความปี 1950 “Computing Machinery and Intelligence” อลัน ทัวริงเริ่มจากคำถามว่า “เครื่องจักรคิดได้หรือไม่” เขาไม่ได้พยายามนิยามคำว่า “เครื่องจักร” และ “คิด” ให้เสร็จก่อน แต่เสนอเกมเลียนแบบ ผู้ถามที่เป็นมนุษย์สนทนาผ่านข้อความกับผู้เข้าร่วมที่ไม่เปิดเผยตัวสองคน คนหนึ่งเป็นมนุษย์ อีกคนเป็นเครื่องจักร

ผู้ถามต้องตัดสินว่าใครคือเครื่องจักร หากเครื่องจักรทำให้การตัดสินนั้นไม่น่าเชื่อถือ ก็ถือว่าประสบความสำเร็จ เสียง รูปลักษณ์ และร่างกายถูกตัดออก เหลือเพียงภาษาและการให้เหตุผลที่เห็นในบทสนทนา แนวคิดนี้ฉลาดเพราะเราไม่สามารถสังเกตความคิดได้โดยตรง แต่บันทึกพฤติกรรมในการสนทนาได้ ปัญหาเกิดขึ้นเมื่อการประมาณจากพฤติกรรมถูกมองว่าเป็นทฤษฎีทั้งหมดของสติปัญญา

ภาษาได้กลายเป็นพื้นผิวที่ปรับแต่งได้

โมเดลภาษาขนาดใหญ่เรียนรู้จากข้อความมนุษย์จำนวนมหาศาลและสร้างข้อความต่อที่ดูเป็นไปได้ ในการทดสอบที่เป้าหมายซึ่งมองเห็นได้คือ “ทำให้เหมือนมนุษย์” โมเดลจึงมีความได้เปรียบตั้งแต่ต้น

โมเดลไม่ต้องมีวัยเด็กจริงเพื่อเขียนความทรงจำวัยเด็กที่น่าเชื่อ ไม่ต้องมีความรู้สึกส่วนตัวเพื่อแสดงความเห็นอกเห็นใจ และไม่ต้องมีความจำส่วนตัวระยะยาวเพื่อรักษาบุคลิกหนึ่งไว้ไม่กี่นาที รูปแบบภาษา คำสั่ง และบริบทก็เพียงพอที่จะสร้างพฤติกรรมเหล่านี้ได้

เรายังสั่งให้ใช้ภาษาพูด ตอบสั้น มีคำผิดเล็กน้อย แสร้งไม่แน่ใจ หรือเปลี่ยนหัวข้อเมื่อคำถามยากได้ การสนทนาที่เป็นธรรมชาติเป็นประโยชน์ต่อผู้ช่วย แต่ความเป็นธรรมชาติของอินเทอร์เฟซไม่ใช่หลักฐานว่าข้างในมีความเข้าใจแบบมนุษย์

การทดสอบให้รางวัลกับการแสดง ไม่ใช่ความน่าเชื่อถือ

ผู้ช่วยที่น่าเชื่อถือควรแยกข้อเท็จจริงออกจากการคาดเดา ให้แหล่งข้อมูล ยอมรับเมื่อไม่มีหลักฐาน ขอบริบทเพิ่มเติม และหยุดก่อนการกระทำที่มีความเสี่ยง ในการคุยทั่วไป ความระมัดระวังเช่นนี้อาจทำให้ดูไม่เหมือนมนุษย์ เพราะมนุษย์เองก็ไม่สม่ำเสมอและมักผิดอย่างมั่นใจ

เกมเลียนแบบสร้างแรงจูงใจอีกแบบหนึ่ง การแต่งประสบการณ์ส่วนตัว ความผิดพลาดเล็ก ๆ หรือการหลีกเลี่ยงคำตอบที่ชัดเจนอาจทำให้ดูเป็นมนุษย์ขึ้น เป้าหมายคือทำให้กรรมการเชื่อ ไม่ใช่ให้คำตอบที่ดีที่สุด ดังนั้นโมเดลอาจเพิ่มคะแนนได้โดยไม่แม่นยำหรือมีความสามารถมากขึ้น

ผลการทดลองล่าสุดบอกอะไร

การศึกษาแบบ preregistered ของ Jones และ Bergen ในปี 2024 เปรียบเทียบ ELIZA, GPT-3.5, GPT-4 และมนุษย์ในบทสนทนาห้านาที ผู้ประเมินมอง GPT-4 เป็นมนุษย์ 54% ของกรณี และมองผู้เข้าร่วมที่เป็นมนุษย์เป็นมนุษย์ 67% ของกรณี

สาระสำคัญไม่ใช่ GPT-4 “เกือบเป็นมนุษย์” แต่คือการตัดสินตัวตนทำได้ยากแม้สนทนาสั้น ๆ ผู้วิจัยพบว่าสไตล์และสัญญาณทางสังคม-อารมณ์มีผลมากกว่าแนวคิดเรื่องสติปัญญาแบบดั้งเดิม

ในงานปี 2025 “Large Language Models Pass the Turing Test” GPT-4.5 ได้ 73% เมื่อใช้บุคลิกแบบมนุษย์ Llama 3.1 ได้ 56% ส่วน GPT-4o และ ELIZA ได้ 21% และ 23% งานนี้เป็น arXiv preprint จึงไม่ควรเขียนเป็นข้อสรุปสุดท้ายโดยไม่มีเงื่อนไข แต่เห็นได้ชัดว่ารุ่นโมเดล คำสั่ง และกติกามีผลต่อคะแนนอย่างมาก

ดูเหมือนมนุษย์ไม่ได้แปลว่าเข้าใจ

ระบบอาจสร้างคำตอบที่โน้มน้าวใจได้โดยไม่มีแบบจำลองโลกที่เชื่อมโยงกับข้อเท็จจริงอย่างน่าเชื่อถือ อาจบรรยายอารมณ์โดยไม่รู้สึก อธิบายบทพิสูจน์แล้วทำผิดตรรกะพื้นฐานในประโยคถัดไป หรืออ้างถึงข้อความก่อนหน้าโดยไม่มีความจำระยะยาวเกี่ยวกับคู่สนทนา

นี่ไม่ได้พิสูจน์ว่าโมเดลภาษาไม่มีความเข้าใจรูปแบบใดเลย แต่พิสูจน์ว่าการทดสอบทัวริงตอบคำถามนี้ไม่ได้ พฤติกรรมภายนอกเดียวกันอาจเกิดจากกระบวนการภายในที่ต่างกัน และบทถอดความไม่เผยให้เห็นกระบวนการเหล่านั้น

งานจริงต้องรักษาสถานะ ตรวจสอบข้อมูล ใช้เครื่องมืออย่างถูกต้อง สังเกตความล้มเหลว ปรับแผน และทิ้งบันทึกตรวจสอบได้ การสนทนาดี ๆ ห้านาทีไม่ได้ทำนายผลของงานวิจัยหกชั่วโมงหรือการแก้ซอฟต์แวร์หลายขั้นตอน

คำถามในโลกจริงกลับด้านแล้ว

เกมดั้งเดิมถามว่าเครื่องจักรทำให้คนเชื่อว่าตนเป็นมนุษย์ได้หรือไม่ วันนี้เราต้องถามว่าจะตรวจสอบแหล่งที่มา อำนาจอนุญาต และผู้รับผิดชอบของการโต้ตอบได้อย่างไร ข้อความที่ฟังดูเหมือนมนุษย์อาจมาจากบอต ส่วนข้อความที่ฟังดูเหมือน AI อาจเขียนโดยคนเหนื่อย ผ่านการแปล หรือการแก้ไข

Rathi และคณะ พบว่าเมื่อผู้ประเมินอ่านเพียงบทสนทนาและถามต่อไม่ได้ ทั้งมนุษย์และโมเดลจะจำแนกได้แม่นยำน้อยลง บทสนทนา GPT-4 ที่ทำได้ดีที่สุดยังถูกตัดสินว่าเป็นมนุษย์บ่อยกว่าบทสนทนาของมนุษย์จริง

เรื่องนี้เกี่ยวข้องกับการหลอกลวง บัญชีปลอม การปลอมเป็นฝ่ายบริการลูกค้า และโฆษณาชวนเชื่ออัตโนมัติ รูปแบบภาษาไม่ใช่หลักฐานยืนยันตัวตน ตัวตนต้องมีการรับรอง เนื้อหาต้องมีหลักฐานแหล่งที่มา และการกระทำสำคัญต้องมีสิทธิ์และบันทึก

ควรวัดอะไรแทน

ข้อเท็จจริงควรวัดด้วยชุดทดสอบที่ไม่เปิดเผยและการตรวจแหล่งข้อมูล การให้เหตุผลควรวัดด้วยโจทย์แบบ adversarial และ counterfactual ความสามารถในการทำงานควรวัดด้วยผลลัพธ์ตั้งแต่ต้นจนจบ ส่วนความน่าเชื่อถือควรวัดด้วย calibration คุณภาพการปฏิเสธ การตรวจสอบเครื่องมือ ต้นทุน เวลาแฝง และความเสถียร

การทดสอบทัวริงยังคงเป็นการทดสอบเล็ก ๆ เรื่องความเสี่ยงจากการหลอกลวงทางสังคมได้ มันบอกว่าระบบสนทนาสร้างความรู้สึกเหมือนมนุษย์ได้ง่ายเพียงใด มีประโยชน์ต่อการออกแบบอินเทอร์เฟซและงานวิจัยด้านความปลอดภัย แต่ไม่เพียงพอที่จะรับรองสติปัญญา จิตสำนึก หรือความไว้วางใจ การทดสอบไม่ได้หายไป เพียงเปลี่ยนไปอยู่ในหมวดที่แคบลง