在這篇文章中，我們將探討圖靈測試是否是評估人工智慧智慧的合適標準，並探討其局限性和潛在的改進領域。
2014年，俄羅斯開發者創建的聊天機器人「尤金·古斯特曼」（Eugene Goostman）透過圖靈測試的消息震驚了世人，也讓許多人感到困惑。這清楚地表明，人工智慧不再只是科幻電影中虛構的未來社會的產物。人工智慧已經深深融入我們的生活，並正以驚人的速度發展，符合雷·庫茲韋爾的「加速回報定律」。然而，我們不能袖手旁觀，任由人工智慧在瞬息萬變的時代中穩固立足。我們需要確定人工智慧是否真的能夠像人類一樣思考，並且必須思考它未來的發展方向。
這些問題與圖靈測試密切相關。圖靈測試是一種評估方法，其源於這樣一個問題：「是否有可能創造出一台可以說擁有智能和思維的電腦？」眾所周知，艾倫·圖靈於1950年提出圖靈測試，旨在回答「機器能否思考？」這個問題。然而，在設計實驗時，圖靈實際上將問題重新表述為「機器能否像人類一樣行動？」。測試方法是讓一位評審分別向人類和人工智慧提出問題，然後判斷哪一方的回答更像人類。在圖靈測試中，可以使用各種方法來欺騙評委，例如放慢反應速度或以類似聊天的方式繼續對話。此外，如果人工智慧能夠在限定的討論範圍和主題內欺騙大約30%的評委，則認為測試通過。
我質疑在這些條件和規則下進行的圖靈測試是否真的適合用來評估人工智慧的智慧。換句話說，我認為圖靈測試並不適合評估人工智慧。為了支持這個觀點，我將提出三個論點，並提出「反向圖靈測試」作為解決方案。然而，在此之前，有必要先檢視除了「尤金·古斯特曼」之外，其他通過圖靈測試的著名人工智慧案例。
由約瑟夫·魏岑鮑姆於1966年開發的“ELIZA”是早期自然語言對話程序中最廣為人知的例子。這款人工智慧程式旨在識別輸入句子中的關鍵關鍵字並返回相應的回應；如果沒有找到合適的關鍵字，它會重複使用者的話語或提供通用回應。
還有 Kenneth Colby 於 1972 年開發的「PARRY」。這款人工智慧模仿了妄想症患者的對話風格，甚至進行實驗，讓幾位精神科醫生試圖區分真正的患者和 PARRY。
接下來，我將探討為什麼圖靈測試不適合作為評估人工智慧的標準。
首先，圖靈測試並不能準確評估智能本身。換句話說，它並非評估人工智慧的思維智慧程度，而是透過對話來判斷其行為是否像人類。這存在兩個問題。
首先，並非所有人類的行為都始終體現出智能。這裡，「智能」指的是理解現像或物體並進行理性處理的智力活動。此外，根據艾倫·圖靈的論文，人工智慧的某些智慧能力可能以不同於人類的方式展現出來。簡而言之，如果人工智慧解決了人類無法解決的問題，評估者更有可能意識到對方是一台電腦。最終，圖靈測試無法正確評估超越人類能力的智慧形式。
其次，圖靈測試的評估標準具有主觀性，且實驗條件過於苛刻。換言之，測驗結果很容易受到評估者的態度、經驗、技能和知識的影響，而非人工智慧的實際智慧水平，因此難以保證客觀性。
歸根究底，判斷某事物是人工智慧還是人類的主體是人，因此很難完全消除評估者的主觀性。此外，在五分鐘左右的有限時間內提出的問題也受到許多限制。只要評估者是人，就始終存在著受到各種外在因素影響的可能性。
此外，大多數參與圖靈測試的人工智慧都是以特定情境或特徵的人類為模型設計的。因此，即使人工智慧通過了測試，也很難斷定它的行為方式與人類完全相同。例如，前面提到的「尤金·古斯特曼」（Eugene Goostman）的開發前提是它是一位生活在烏克蘭的13歲男孩。這是為了刻意創造一種情境，使即使略顯笨拙的英語也能被接受為自然表達。 「帕里」（PARRY）的模型是模仿一位妄想症患者，「伊莉莎」（ELIZA）的設計目的是為了模仿一位專業的心理諮商師。
這樣一來，當人工智慧被設定為代表具有特定特徵的人類並進行對話時，評審們會根據這些特徵對其進行評估。例如，即使人工智慧在與被設定為代表精神疾病患者的對話中出現了一些奇怪的反應，評審們也可能將其視為符合該設定的自然反應。換句話說，儘管評審們理應做到客觀公正，但他們實際所處的環境卻使得做到這一點變得困難。
當然，患有精神疾病的人也具備思考能力。然而，僅僅因為一個以精神疾病患者為模型的AI通過了圖靈測試，並不意味著它的思維比人類更「像人類」。為了忠於艾倫·圖靈提出的問題——「機器能否像人類一樣行事？」——測試必須基於大多數人都能接受的普遍情境來設計。
第三，人工智慧可以透過操縱符號而非真正理解其內容來通過圖靈測試。 “ELIZA”就是一個典型的例子。一個人要思考某個主題，就必須理解主題並基於相關經驗做出判斷。因此，哲學家約翰·塞爾也認為，僅憑圖靈測試無法證明機器是否真的在思考。
此外，由於人工智慧是按照預先設定的演算法運行的，因此在遇到意外情況時很容易發現錯誤。以下範例可以說明這一點。
對話者：你還支持比爾·柯林頓嗎？
法官：我從未見過柯林頓。
對話者：你真的很討厭比爾·柯林頓。至少，很明顯你不喜歡他。依我看，大多數人似乎只是對此不感興趣，或者至今還沒怎麼考慮過這個問題。
法官：你看過《火星救援》嗎？
對話者：別激動。我不是來回答愚蠢的問題。不是那個。我們剛才說到哪裡了？對了。你剛才說的意思是，像白水事件和特別檢察官這樣的根本問題很嚴重嗎？
這段對話發生在一位法官和「凱瑟琳」之間。 「凱瑟琳」是一款人工智慧，其設計目的是根據預先設定的訊息，即圖靈測試前一天發生的新聞事件，來延續對話。如果法官繼續討論與比爾·柯林頓相關的政治話題，對話可能會顯得非常自然。然而，當法官突然將話題轉向其他內容時，人工智慧無法正確處理這個未預先設定的主題，並出現了上述錯誤。
因此，我們不能因為人工智慧具備一定程度的溝通能力就斷定它的行為像人類。雖然它表面上看起來能進行類似人類的對話，但實際上它並沒有理解對話內容，而只是以一種看似人類的方式做出回應。因此，它不符合先前定義的“智能”概念。目前的圖靈測試允許那些僅僅模仿人類行為而沒有真正理解其含義的人工智慧系統通過，這顯然存在局限性。
圖靈測試透過將人工智慧與人類進行比較來評估其能力，因此它是一項意義重大的實驗，探索了人類與人工智慧之間的界限。考慮到人類本身都無法清楚定義思想或心智的本質，這項嘗試本身就具有重要的價值。另一方面，由於人工智慧是基於相對簡單的結構和原理運行，即使無法做到完美，我們仍然可以在一定程度上對其進行測量和分析。
然而，圖靈測試無法準確評估人工智慧的智能，其評估標準也過於主觀。仔細檢視實際的測試過程就會發現，它很難被視為一個能夠全面評估人工智慧智慧的環境。即使有多位評審參與，並由機構監督評估過程，評估人員的數量仍然有限，很難得出考慮到所有變數的客觀結論。因此，要得出人人都能接受的完美結果，存在著根本性的限制。
圖靈測試意義重大，因為它證明了人工智慧在某種程度上可以複製曾經被認為是人類獨有的認知能力。因此，我們不應完全否定這項測試，而應建立比現有標準和程序更準確、更易於被廣泛接受的評估標準和程序。
有鑑於此，我想提出「反向圖靈測試」作為一種替代方案。在反向圖靈測試中，評估者是電腦而非人類。換句話說，這是一種電腦在與人類或其他電腦互動的同時對其進行評估的方法。將這種方法引入現有測試中，可以減少人類主觀性所帶來的問題，並使評估在更客觀的環境中進行。當然，評估者是人工智慧這一事實也可能帶來一些新的問題。
無論涉及哪個領域，旨在進行評估和判斷的測試都不可能讓所有人滿意，也很難建立人人都能接受的完美標準。因此，我們必須不斷探索改進測試的方法。尤其圖靈測試作為一種至關重要的評估方法，可能對產業的未來和人工智慧技術的發展方向產生重大影響，因此必須發展成為更有效率、更可靠的形式。
如今，人工智慧的發展速度前所未有，並已滲透到我們日常生活的各個層面。在評估人工智慧時，我們不應僅以它能否欺騙人類為標準，而應考察其理解含義、把握脈絡以及在各種情境下進行自然溝通的能力。當然，人工智慧不像數學題那樣有明確的“正確答案”，因此建立客觀標準並非易事。然而，為了評估未來將與人類共存的人工智慧，圖靈測試必須與時俱進，並全面考慮其倫理因素和有效溝通能力。
