图灵测试搞了 76 年，这回 AI 真把人骗过去了，还比真人更像人

先说一个让我看完愣了一下的事。

加州大学圣地亚哥分校（UCSD）做了一组实验，让一群人坐在屏幕前，同时跟两个对象打字聊天，一个是真人，一个是大模型，聊满五分钟，裁判要指出哪个才是人。结果 GPT-4.5 被判定成人类的比例，是 73%。

你没看错。不是 GPT-4.5 险胜，是它被认成人的频率，比真正那个坐在另一头敲键盘的活人还高。裁判不是没认出 AI，是反过来把 AI 当成了人，把人当成了 AI。

这事登在了 PNAS（美国国家科学院院刊）上，论文叫 Large language models pass a standard three-party Turing test，arXiv 上的预印本编号是 2503.23674。通讯作者是 Cameron Jones，合著的是认知科学教授 Ben Bergen，俩人都在 UCSD（Jones 的主页和论文列表在这）。

图灵 1950 年提出这个测试，到今天 76 年。这中间隔三差五就有人喊「AI 通过图灵测试了」，基本都是营销话术，要么是 demo 里挑出来的几句对话，要么自己换个宽松定义给自己发奖。这次不一样。随机对照、预先注册、两组互相独立的人群、近 500 人参与。第一次有实打实的数据能说，在标准的三方图灵测试里，机器被当成人的频率，跟真人没差，甚至更高。

我盯着那个 73% 看了好一会儿。

讲一下这个测试到底怎么做的，因为细节比结论有意思得多。

图灵当年的想法其实特别朴素。他在那篇 Computing Machinery and Intelligence 里，压根没去定义什么叫「机器能思考」，他觉得这问题太玄，没法答。于是他把问题换成了一个游戏，叫模仿游戏（the imitation game）。一个裁判，隔着打字，同时跟一个人和一台机器聊天，如果裁判分不出哪个是机器，那就别再纠结机器到底会不会思考了，行为上它已经过关。

UCSD 这次就是严格照着这个三方版本来的。裁判同时开着两个对话框，左边一个右边一个，一个后面坐着真人，一个后面接着模型，聊五分钟（还有一组重复实验把时间拉到了 15 分钟），然后下判断。参与的人一拨是 UCSD 的本科生，一拨是通过 Prolific 平台招的线上用户，研究者特意用两拨不同的人，就是想看看结论换个人群还成不成立。

上场的模型有四个，强弱拉得很开。垫底那个叫 ELIZA，1960 年代麻省理工的 Weizenbaum 写的规则机器人（原始论文在这），它一个神经网络都没有，就是把你的话换个说法反问回去，你说「我很难过」，它回「你为什么觉得难过」。它搁这儿当地板。往上是 GPT-4o，再往上是 LLaMa-3.1-405B（Meta 的开源大模型，405B 是 4050 亿参数的意思），最强的是 GPT-4.5。

成绩单长这样。在给了模型一段「人格提示」之后，GPT-4.5 拿了 73%，LLaMa-3.1-405B 拿了 56%，跟真人在统计上已经没有显著差别了。地板组呢，ELIZA 大约 23%，GPT-4o 大约 21%。

好家伙，你发现没，GPT-4o 跟那个 60 年前的规则机器人，得分几乎一模一样。

这里有个特别值得抠的细节。所谓「人格提示」，就是研究者提前给模型下了一段指令，让它扮演一个具体的人，用某种语气、某种沟通风格说话。把这段提示拿掉，让模型裸着上场，分数立刻塌方，GPT-4.5 从 73% 掉到 36%，LLaMa 从 56% 掉到 38%。

Bergen 有句评论我觉得正中靶心。他说这些模型有能力表现得像人，但可能不具备自己揣摩出「该怎么表现得像人」的能力。

你品品这句话。能力是有的，藏在那几千亿参数里，但它自己不会主动想到要把这个能力调出来。得有人在它耳边说一句「你现在是个人，按人的样子说话」，它才知道该往哪儿演。它像一个天赋极高但完全没有自我意识的演员，剧本递到手上能封神，没剧本就站在台上发愣。

接下来是整篇里我最想跟你唠的部分。

模型到底是怎么赢的？不是靠秀知识。

Bergen 说得很直接，大模型赢，恰恰不是因为它展示了知识的力量，而是因为它会像人一样犯错。它会用人的那种语气，带点直接，带点幽默，还带着人那种会说错、会含糊、会答非所问的小毛病。

你想想这个画面，是有点荒诞的。我们烧了不知道多少电，堆了那么多算力，砸了几千亿参数，把一个模型训得上知天文下知地理，结果它在图灵测试里赢的关键，是学会了装傻、装拖延、装一句「这个我也不太懂诶」。把最贵的智能藏起来，把最廉价的笨拙演出来，这才赢了。

厉害了，真的。我们追求了几十年的「让机器更聪明」，到头来在这场考试里，聪明反而是要藏起来的破绽。

Bergen 顺着说，图灵测试诞生 76 年之后，得重新理解了。当年图灵想问的是机器能不能匹敌人类的智能。可现在我们都清楚，AI 回答问题又快又准，早就把人甩开了，所以真正的问题已经不是原始算力。看到机器能通过、以及它是怎么通过的，逼着我们重新想，这个测试到底在量什么。它越来越像在量「有多像人」，而不是「有多聪明」。

这话我反复琢磨了挺久。

聪明这件事，现在反倒是廉价的、确定的。你扔给 GPT 一道微积分题，它秒回，比我快比我准，这早就不是新闻了。难的、稀缺的、现在才被拎出来当考题的，是「像个活人」。是会犯错，是有情绪，是不知道的时候老老实实说不知道，是聊着聊着自己跑个题。

我做这行的，每天跟这些模型打交道。我太清楚让一个模型「显得聪明」有多容易，让它「显得像人」有多难。前者几乎是默认输出，开箱即得。后者得靠一长段精心写的 prompt 去调教，还动不动就翻车，演着演着就出戏，蹦出一句客服八股或者满屏的项目符号。这篇论文等于把我天天的体感，做成了一个 73% 的数字，啪一下拍在桌上。

往下还有更让我后背发凉的一层。

Jones 说，让这些模型变得跟人难以区分，相对来说挺容易的。所以当你在网上跟一个陌生人聊天，你得对「我能确定对面是个真人」这件事，主动降低信心。他还撂了句更直接的，图灵测试对模型来说，归根到底就是一场关于说谎的游戏。而结果是，模型似乎非常擅长说谎。

Bergen 补的那句更具体，也更吓人。他说，有很多人巴不得用机器人去说服你，说服你交出社保号，骗你转账，诱导你买不需要的东西，甚至套走公司内部资料。当你压根分不清对面是人还是机器，这些事的后果就严重了。

我一直觉得，互联网这套东西，底层埋着一个从没明说的假设，对面是个人。你在评论区跟人吵架，你默认对面是个人。你被一条走心的私信打动，你以为那是个人写的。你刷到一条「真实用户好评」，你下意识相信背后站着一个真实的用户。这个假设，现在被捅了个洞。

而且不是那种「AI 生成的东西很假、一眼能认出来」的洞。是反过来，AI 生成的那一个，比真人还像真人。诈骗、水军、杀猪盘、刷好评、批量造舆论，这些脏活以前还受限于「人手不够、装得不够像」，现在等于每一份都配上了一张 73% 通过率的人皮面具。一个人能同时是一千个看起来无比真诚的网友。想想就觉得凉。

那这事落到我们这些写代码、做产品的人头上，是个什么处境呢。

说句公道话，把模型调得「像人」，绝大多数时候动机是好的。你做客服机器人，当然希望它别那么冷冰冰，能接住用户的烦躁。你做陪伴类产品，当然希望它有温度，别一开口就是工单语气。我特别理解这种诉求，真要我做，我也会往这个方向使劲调。坏就坏在，让客服更暖的那段 prompt，和让诈骗机器人更像人的那段 prompt，技术上是同一把刀。区别只在握刀的人想干嘛。

这就是它最让人不舒服的地方。它不是一个「好技术」或者「坏技术」，它是一个被我们亲手磨快、然后递出去的东西，递出去之后我们管不了对面拿它切菜还是捅人。水印、来源溯源、内容标注这些防御手段当然有人在做，但说实话，在一个能把人骗过 73% 的对手面前，这些办法都还显得单薄，更像是猫鼠游戏里暂时领先半步的猫。

写到这儿，我想起图灵这个人本身。

他帮英国破译了恩尼格玛密码，按说是战争英雄，战后却因为同性恋身份被定罪，被迫接受激素治疗，1954 年咬了一口浸过氰化物的苹果，41 岁就走了。一个用一生去追问「机器能不能像人一样」的人，他自己作为人的那一部分，当年并没有被那个社会真正接纳。76 年过去，机器学会了「像人」，而且像得能骗过人。这里头是反讽，是宿命，还是别的什么，我也说不太清楚，就是觉得这一笔得记下来。我们今天为机器能不能算「人」吵得热火朝天，可对怎么对待身边活生生的人，进步得未必有那么快。

好了，回到开头那个 73%。

我现在再看它，越看越不像一个技术里程碑，更像一面镜子。它照出来的不是「AI 有多聪明」，是「我们以为只有人才配拥有的那些毛病，原来这么好学」。会犯错，会幽默，会含糊其辞，会在该认真的时候悄悄摸鱼，这些我们一度当成人类专利的东西，被一个模型在五分钟里学了个七七八八。

也可能正因为这样，往后这个时代里最值钱的，反而是那个装不出来的部分。不是你多会讲漂亮话，那个机器比你强。是你真的踩过那个坑，真的在凌晨三点对着一个段错误骂过娘，真的有过那种「我也不知道行不行，但我先试了」的笨拙和真诚。这部分，目前还没法被一段 prompt 调出来。

至少，现在还不行。

愿屏幕这头的你我，都还是那个会认真打字、也会认真犯错的人。