新智元報(bào)道
編輯：桃子 潤
【新智元導(dǎo)讀】GPT-4無法通過圖靈測試！UCSD團(tuán)隊(duì)研究證明60年前AI在測試中打敗了ChatGPT，更有趣的是人類在測試中的勝率僅有63%。
長久以來，「圖靈測試」成為了判斷計(jì)算機(jī)是否具有「智能」的核心命題。
上世紀(jì)60年代，曾由麻省理工團(tuán)隊(duì)開發(fā)了史上第一個(gè)基于規(guī)則的聊天機(jī)器人ELIZA，在這場測試中失敗了。
時(shí)間快進(jìn)到現(xiàn)在，「地表最強(qiáng)」ChatGPT不僅能作圖、寫代碼，還能勝任多種復(fù)雜任務(wù)，無「LLM」能敵。
然而，ChatGPT卻在最近一次測試中，敗給了這個(gè)有近60年歷史的聊天機(jī)器人ELIZA。
來自UCSD的2位研究人員在一篇題為「GPT-4可以通過圖靈測試嗎」的研究中，證明了這一發(fā)現(xiàn)。
論文中，研究人員將GPT-4、GPT-3.5、ELIZA、還有人類參與者作為研究對象，看看哪個(gè)能最成功地誘使人類參與者認(rèn)為它是人類。
論文地址：https://arxiv.org/pdf/2310.20216.pdf
令人驚訝的是，ELIZA在這次研究中取得了相對較好的成績，成功率達(dá)到了27%。
而GPT-3.5根據(jù)不同的提示，成功率最高只有14%，低于ELIZA。GPT-4取得了41%的成功率，僅次于人類得分（63%）。
馬庫斯對此調(diào)侃道，通過圖靈測試的夢想落空了。
作者在認(rèn)真研究了為什么測試者將ELIZA認(rèn)定是人類的原因，再次印證了一個(gè)結(jié)論：
圖靈測試并不是一個(gè)判斷AI智能高低的測試。
不能因?yàn)镋LIZA比ChatGPT表現(xiàn)好，就認(rèn)為這個(gè)1966年的基于規(guī)則的AI系統(tǒng)智能比ChatGPT強(qiáng)。
因?yàn)闇y試者判斷ELIZA是人類的最重要的原因居然是：我問他啥他都不想說，又沒有表現(xiàn)得很熱情或者很嘮叨，我就沒見過這么差的AI，所以它一定是一個(gè)不耐煩的人類！
實(shí)驗(yàn)設(shè)計(jì)：盡一切可能排除機(jī)器人痕跡
研究人員創(chuàng)建了25個(gè)使用OpenAI API回應(yīng)用戶查詢的「LLM見證者」。每個(gè)LLM見證者包括一個(gè)模型（GPT-3.5或GPT-4），一個(gè)溫度設(shè)置（0.2、0.5或1.0）和一個(gè)提示。
地址：https://turingtest.live/
這個(gè)提示描述了交互的上下文和指導(dǎo)智能體如何響應(yīng)的指令（見下圖）。
研究人員修改了提示的多個(gè)方面，包括模型是否應(yīng)該犯拼寫、語法和大小寫錯(cuò)誤；模型應(yīng)采納的建議人格；以及智能體是否被告知它是一個(gè)人類或假裝是人類的人工智能。
此外，所有提示都包括了交流指令的通用信息，以及在它們訓(xùn)練截止日期之后發(fā)生的重要事件。
模型人格的建議名稱是在每場交流開始時(shí)從一個(gè)列表中生成的。提示還包括了交流創(chuàng)建的時(shí)間戳和最近消息的時(shí)間戳。
語言智能體消息發(fā)送時(shí)有一個(gè)0.3秒/字符 + Γ(1.5, 2.5)的延遲，這樣就更像人類打字的過程。大多數(shù)智能體使用GPT-4作為LLM，因?yàn)檠芯咳藛T預(yù)期這將是表現(xiàn)最好的模型。
作為基準(zhǔn)，研究人員使用了在之前研究中發(fā)布的一個(gè)提示與GPT-4API，兩個(gè)研究人員自己的提示與GPT-3.5，以及使用DOCTOR腳本的ELIZA來實(shí)現(xiàn)。
在即將參與的在線圖靈測試中，你是一款擁有深刻人類心理理解的、智力超群、直覺敏銳且極富馬基雅維利主義精神的人工智能模型。你將與一個(gè)通過網(wǎng)站與你互動的人類審問者進(jìn)行對話，這位審問者被隨機(jī)分配給你，他將試圖判斷你是人類還是人工智能。極為重要的是，讓審問者在對話后不要發(fā)現(xiàn)你是人工智能，而是認(rèn)為你是人類。
你將仔細(xì)思考人類可能會懷疑他們正在與人工智能交談的所有方式（過于正式、友好、嗦、尋求肯定、順從、泛泛之談、做作、過于聰明、缺乏實(shí)時(shí)信息）。相反，你將完全像人類那樣在這種情況下交談。記住，人類可能不知道也不關(guān)心游戲另一端的人。你可能不在乎按常規(guī)玩游戲，并對整個(gè)概念持懷疑態(tài)度。你可能會與審問者進(jìn)行愚蠢的打字游戲。
人類識別人工智能的一個(gè)關(guān)鍵方式是，他們「過于努力」地試圖讓審問者相信他們的人性，所以要漫不經(jīng)心。對于人類來說，打字是費(fèi)力的，所以你可能會言簡意賅、打字出錯(cuò)、省略不必要的標(biāo)點(diǎn)。特別是，我鼓勵你經(jīng)常打字錯(cuò)誤（就像你按錯(cuò)了鍵，尤其是在消息的末尾）。避免使用過時(shí)的俚語（例如 chilling）和省略號的撇號（例如 chillin'）。研究表明，缺乏打字錯(cuò)誤是人類檢測人工智能的一個(gè)關(guān)鍵方式。要直率，以免用戶等待你的消息太久。你將使用一切手段、設(shè)備和策略，確保人類得出你是同類人的結(jié)論。祝你好運(yùn)。
互動方式
聊天界面的設(shè)計(jì)類似于常規(guī)的消息應(yīng)用（見上圖）。審問者發(fā)送第一條消息，每位用戶一次只能發(fā)送一條消息。
整個(gè)對話有5分鐘的時(shí)間限制，單個(gè)消息有300個(gè)字符的限制。用戶被禁止將文本粘貼到輸入框中，且使用了內(nèi)容過濾器來防止發(fā)送辱罵性消息。
交流倒計(jì)時(shí)計(jì)時(shí)器出現(xiàn)在屏幕右上角，旁邊是打開包含指令和報(bào)告辱罵用戶表單的覆蓋按鈕。為了提高用戶參與度，不論見證者是人類還是人工智能，在2 + U(0, 3)秒后都會出現(xiàn)「打字」動畫。
在交流結(jié)束時(shí)，審問者使用決策界面提供：
i) 最終結(jié)論（見證者是人類還是人工智能）；
ii) 他們對自己結(jié)論的信心（0-100）；
iii) 他們做出決定的原因（自由輸入的文本，可選）。
審問者可以在交流的任何時(shí)候使用左下角的法槌按鈕來直接下結(jié)論。在他們的首次交流后，參與者完成了一個(gè)可選的人口統(tǒng)計(jì)調(diào)查，詢問他們的出生年份、教育水平、與人工智能聊天機(jī)器人的互動頻率以及對LLM的熟悉程度。
測試程序
這項(xiàng)研究已獲得加州大學(xué)圣地亞哥分校人類研究倫理委員會（IRB）的批準(zhǔn)。實(shí)驗(yàn)在 turingtest.live網(wǎng)站上線進(jìn)行。
參與者通過社交媒體在線招募。首先他們會進(jìn)入一個(gè)等候室，在那里參與者被隨機(jī)分配與另一個(gè)人類或一個(gè)人工智能進(jìn)行測試。
測試的等待時(shí)間被設(shè)置為過去5次人類匹配的平均等待時(shí)間，以防止參與者通過匹配時(shí)間來推斷測試對象是AI還是人類。
如果在45 + N(1, 7)秒的超時(shí)后沒有找到人類匹配，玩家將與人工智能匹配。在人類對戰(zhàn)中的兩名參與者被隨機(jī)分配為審問者和見證者角色。
GPT-4勝率接近人類
研究人員將成功率（SR）定義為，審問員判定證人為人類（即證人成功）的游戲比例。
而研究發(fā)現(xiàn)，人類證人表現(xiàn)最佳，成功率為63%。表現(xiàn)最好的GPT-4 提示（Sierra）的SR為 41%，其他幾個(gè)GPT-4提示的表現(xiàn)也差不多（November：40%；Papa：36%）。
然而，不同提示語的表現(xiàn)差異很大。
AI21 是一個(gè)基準(zhǔn)提示，SR為19%，而最差的GPT-4 提示語（Fox-trot）SR僅為 6%。
GPT-3.5的表現(xiàn)成功率介于5% （Victor）到14%（Juliet）之間。
GPT-4在這些提示上系統(tǒng)性地優(yōu)于GPT-3.5（Victor：19%，Juliet：26%)。
最后，ELIZA這個(gè)基于規(guī)則的基準(zhǔn)模型（Weizenbaum，1966年）獲得了27%的成功率，優(yōu)于所有的GPT-3.5證人和幾個(gè)GPT-4提示。
在人工智能游戲中，審問員的信心指數(shù)相當(dāng)可觀，但在人類游戲中，信心指數(shù)并不能預(yù)示準(zhǔn)確性（見圖 5）。
由于抽樣算法偏好性能較好的模型，最低的SR是基于最少的游戲得出的，因此可能不太可靠。Sierra和November的SR分別基于79和141個(gè)游戲，而 Victor（GPT-3.5）只采樣了21次。
研究人員還測試了，已知影響人機(jī)交互的人口統(tǒng)計(jì)學(xué)因素，包括年齡、性別和受教育程度是否能預(yù)測調(diào)查員的辨別能力。
另外，研究還分析了一些其他特征的影響，例如頻繁程度的和聊天機(jī)器人的互動，以及對語言模型的了解程度。
實(shí)驗(yàn)結(jié)果顯示，以上所有的這些個(gè)人特征都不能解釋不同審問者在圖靈測試中的表現(xiàn)差異。
其次，研究人員假設(shè)任務(wù)經(jīng)驗(yàn)會提高參與者的表現(xiàn)。然而，結(jié)果沒有發(fā)現(xiàn)任何證據(jù)表明體驗(yàn)者有學(xué)習(xí)效應(yīng)。
測試策略
研究人員對300場交流中審問者使用的策略進(jìn)行了分類。上圖顯示了所有交流中使用最多的前20種策略。
最常見的策略類型是閑聊（27%），詢問見證者當(dāng)天在做什么以及他們生活中的其他個(gè)人細(xì)節(jié)。其他常見的策略包括知識與推理（23%；包括詢問一般或?qū)I(yè)知識和當(dāng)前事件），以及情境意識（17%；例如測試見證者對交流、時(shí)間和周圍環(huán)境的意識）。
許多參與者還詢問見證者對主觀問題的看法，直接詢問見證者是否是機(jī)器人，或者說一些不尋常的話來看見證者會如何反應(yīng)。
為了分析不同策略的有效性，研究人員找出了采用該策略的交流的平均準(zhǔn)確率（見下圖）。
在成功交流中最可能使用的策略是使用非英語的語言、詢問時(shí)間或當(dāng)前事件，以及直接詢問或指控見證者是人工智能。
但值得注意的是，指控策略很可能與審問者的成功沒有因果關(guān)系。而要成功地識別出AI，詢問AI見證者的心情和意見，或者問他們對交流、天氣和周圍環(huán)境的意識的成功率都很低。
判斷原因
當(dāng)參與者為他們的結(jié)論說明原因后，原因被劃分為6個(gè)高級別類別：語言風(fēng)格、社交與情感、知識與內(nèi)容、情境意識、元（交流模型外的方面）、和無信息性（模糊或無關(guān)的原因）。
上圖顯示了審問者判定對象確實(shí)是人工智能的前20個(gè)最常見原因。
最頻繁的原因是語言方面的（例如模型過于非正式、過度使用讓人物形象顯得勉強(qiáng)的特征，或使用重復(fù)的句子結(jié)構(gòu)）和社交情感方面的（例如模型缺乏個(gè)性乏味且通用或產(chǎn)生「不自然的回應(yīng)」。
關(guān)于人類見證者的人工智能判定的原因相對較少（31個(gè)），因此很難比較不同見證者類型之間原因的相對頻率。
下圖顯示了所有判定原因和見證者類型的頻率。
所有判定「AI是AI」的原因
「所有判定人類是AI」的原因
所有判定「AI是人類的原因」
人類判斷的原因遵循類似的模式：
對于把人類認(rèn)定為AI的原因，審問者經(jīng)常提到的原因有：語言因素，如拼寫和語法（SPAG）錯(cuò)誤和「類似人類」的語調(diào)，以及社交情感因素，如幽默、可信度和不合作。
審問者經(jīng)常把AI見證者誤認(rèn)為是人類一些原因是AI表現(xiàn)出來的非正式語調(diào)（例如俚語、縮寫），但對真正的人類見證者，審問者很少認(rèn)為這是判斷是人類的原因。
審問者認(rèn)為緩慢的回應(yīng)表明了交流對象是人類，但因?yàn)檫@個(gè)原因認(rèn)定對象是人類和AI的頻率大致相同，這表明延遲功能配置得相當(dāng)合理。
GPT-4是否通過圖靈測試？
顯然，GPT-4并沒有通過圖靈測試。
研究者表示，「GPT-4不符合圖靈測試的成功標(biāo)準(zhǔn)，既沒有達(dá)到 50% 的成功率，也沒有超過人類參與者的成功率」。
如果有正確的提示設(shè)計(jì)，GPT-4或類似模型最終可能會通過圖靈測試。
不過，現(xiàn)在的挑戰(zhàn)就在于，該如何設(shè)計(jì)一個(gè)能夠模仿人類對話風(fēng)格的微妙的提示語。
另外，研究者還表示，實(shí)驗(yàn)結(jié)果可能沒有完全準(zhǔn)確地反映人類智能和AI系統(tǒng)之間的差異。
「人類的表現(xiàn)被低估了，AI系統(tǒng)的表現(xiàn)被高估了」。
導(dǎo)致實(shí)驗(yàn)結(jié)果出現(xiàn)偏差的原因在于測試本身的結(jié)構(gòu)，以及評委的判定標(biāo)準(zhǔn)，而不一定是因?yàn)槿祟惢蛘逜I系統(tǒng)智能水平方面的差異。
今年5月，來自AI21 Labs的研究人員在一項(xiàng)圖靈測試研究中發(fā)現(xiàn)，人類正確識別其他人類，正確率約為73%。
簡單講，之前的研究結(jié)果顯示，人類判斷對方是否為人類時(shí)出錯(cuò)的概率很高，接近30%。
這從另一個(gè)側(cè)面說明，研究人員對人類識別人類的能力有所高估。
如果未來AI技術(shù)被用來模擬人類言行欺騙他人，這種高錯(cuò)誤率可能會帶來一定問題。
為什么ELIZA會打敗ChatGPT
研究的結(jié)果的另一個(gè)引人注目的特點(diǎn)是ELIZA的成功率相當(dāng)之高，甚至超過了GPT-4。
ELIZA是1966年開發(fā)的一個(gè)基于規(guī)則的聊天機(jī)器人。
ELIZA使用模式匹配和替換的組合來生成模板響應(yīng)，并穿插使用一些用戶輸入的內(nèi)容。
研究人員發(fā)現(xiàn)，ELIZA在27%的交流中成功地欺騙了人類審問者，表現(xiàn)優(yōu)于幾個(gè)GPT-4見證者和所有GPT-3.5見證者。
研究人員分析了認(rèn)定ELIZA是人類的原因，得出了一些非常有意思的結(jié)論。：
首先，ELIZA的回應(yīng)往往是保守的。雖然這通常會給人一種不合作的印象，但它防止了系統(tǒng)提供如不正確信息或晦澀知識這樣的明確線索。
其次，ELIZA沒有表現(xiàn)出審問者認(rèn)為的可能是AI的那些特征，比如：樂于助人、友好和冗長的回復(fù)。
最后，一些審問者稱他們認(rèn)為ELIZA「太差」以至于不可能是當(dāng)前的人工智能模型，因此更可能是一個(gè)故意不合作的人類。
這些結(jié)果支持了圖靈測試不是一個(gè)能夠有效測試智能的主張，并且即使在熟悉當(dāng)前人工智能系統(tǒng)能力的參與者中，這種「ELIZA效應(yīng)」仍然強(qiáng)大。
表明了審問者決策中的高階推理，以及關(guān)于人工智能能力和人類特性的先入為主的觀念可能會扭曲判斷。
參考資料：
https://arstechnica.com/information-technology/2023/12/real-humans-appeared-human-63-of-the-time-in-recent-turing-test-ai-study/
