Turing Test
為什麼重要
深度解析
Turing 的做法是完全避開哲學問題。他並未定義「思考」，而是描述一項遊戲：詢問者透過打字向兩名身分隱藏的參與者提問，其中一位是人類，另一位是機器，再單憑回答判斷兩者身分。如果詢問者的判斷不優於隨機猜測，機器便獲勝。這項設定排除對話行為以外的一切——不會詢問機器內部如何運作、是否具有意識，或由什麼構成。這種刻意限制既是測試廣為流傳的原因，也是它此後持續受到批評的原因：它衡量表現，而非機制。在大型語言模型時代，模型的整體訓練目標就是產生合理文字，而圖靈測試如今正面遭遇極為擅長它所衡量能力的系統。
最初的模仿遊戲
Turing 在 1950 年的論文中描述一項三人遊戲：一名男性、一名女性，以及性別不拘的詢問者。所有人都透過打字訊息交流，避免聲音與外貌洩露身分。詢問者的任務是判斷哪位參與者為女性，男性則試圖誤導詢問者。Turing 接著問：如果由機器取代男性，詢問者出錯的頻率是否大致相同？這種設計很重要，因為測試從來不是要背誦事實，而是判斷機器能否維持看似需要心智才能進行的靈活、開放式對話。Turing 預測，到 2000 年時，機器將能把遊戲玩得夠好，使一般詢問者在提問五分鐘後，正確辨識的機率不超過 70%。這段話後來演變為經常受到引用的通過門檻：「在五分鐘內騙過 30% 的評審」。
從 ELIZA 到 Loebner 獎
這項測試會獎勵欺瞞手法的警訊很早便出現。1966 年，Joseph Weizenbaum 建立 ELIZA，這個Chatbot（聊天機器人）以簡單模式比對，將使用者的陳述改寫成問題回覆，藉此模仿心理治療師——而部分使用者竟相信它真的理解自己。Weizenbaum 對這種反應深感不安，此後餘下的職業生涯都在反對將模擬與理解混為一談。同樣模式在 Loebner Prize 中持續數十年；這項年度競賽從 1990 年舉辦至 2019 年，為最接近人類的程式頒發獎牌，但從未有任何參賽作品通過不受限制的長篇測試。2014 年，名為 Eugene Goostman 的程式假扮成英文不流利的 13 歲烏克蘭男孩，在一場五分鐘活動中說服三分之一的評審，因而被宣布通過測試——但這項聲明普遍遭到駁斥，因為這個人設可為閃避問題提供藉口，而且對話時間很短。
LLM 打破了這項測試
現代大型語言模型徹底改變局面。它們在龐大文字語料庫上接受預訓練，因此從設計上就是流利的人類對話模仿者，而這正是模仿遊戲評量的能力。在 2024 與 2025 年的控制研究中，三方模仿遊戲的評審將 GPT-4 等級系統辨認為人類的比例約達一半或更高；2025 年的一項研究更將經過人設提示的模型，評為比真正的人類參與者更像人類。關鍵在於，影響結果的不是深度推理，而是表面風格：打字速度、錯字、emoji 使用方式、簡短回答與可信人設。通過五分鐘的文字對話，曾被視為通往 AGI 之路上的遙遠里程碑，後來卻發現只要經過妥善調整的Prompt（提示詞）就大致能夠達成。
這是欺騙測試，不是智慧測試
最根本的誤解，是認為通過圖靈測試即可證明智慧。這項測試衡量評審能否受騙，而結果取決於評審的預期、時間限制與測試格式，其程度不亞於機器本身的能力——因此，抱持懷疑態度的 AI 研究人員與一般參與者可能得到截然不同的結果。John Searle 在 1980 年提出的中文房間思想實驗強調這一點：系統可以操弄符號，產生完美的對話答案，卻完全不理解內容。現代聊天機器人的批評者也提出類似主張，稱 LLM 是重新混合訓練文字的隨機鸚鵡。實務上，這個領域已悄然轉向其他方法：嚴謹的評估如今仰賴能力基準測試、人工評估流程，以及 Chatbot Arena 等偏好平台，而圖靈測試主要作為歷史里程碑與新聞標題來源延續至今。