پژوهشی جدید نشان می‌دهد هوش‌های مصنوعی‌ پیشرفته در آزمون «تورینگ معکوس» نمی‌توانند به‌طور مطمئنی تشخیص دهند که طرف مقابلشان انسان است یا یک هوش مصنوعی دیگر؛ در واقع، هوش‌های مصنوعی بیشتر از انسان‌ها «انسان» تشخیص داده شدند.

وبگاه تِک‌اکسپلور در گزارشی آورده است:

آزمون معروف تورینگ در علوم رایانه از مقاله‌ای در سال ۱۹۵۰ میلادی، توسط آلن تورینگ، دانشمند رایانه اهل بریتانیا، می‌آید. نسخه رایج این آزمون این است که یک انسان از کسی در پشت پرده سؤال می‌پرسد و باید تشخیص دهد که پاسخ‌دهنده انسان است یا ماشین.

از بازی تقلید تا ماشین‌های روان

آلن تورینگ مقاله معروف خود را با یک پرسش ساده آغاز کرد: آیا ماشین‌ها می‌توانند فکر کنند؟ اما او نمی‌خواست در معنای واژه‌هایی مانند ماشین و به‌ویژه تفکر گرفتار شود؛ بنابراین رویکردی عملی انتخاب کرد و یک بازی سه‌نفره به نام بازی تقلید را توصیف کرد: یک مرد، یک زن و یک بازپرس. بازپرس بدون دیدن و شنیدن صدا باید تشخیص می‌داد کدام یک مرد است و کدام زن.

تورینگ سپس این پرسش را مطرح کرد که آیا می‌توان تصور کرد رایانه‌های دیجیتال در نقش مرد در بازی تقلید خوب عمل کنند. او در ادامه علیه مخالفت‌ها با این فرض که ماشین‌ها می‌توانند فکر کنند، استدلال کرد و نوشت: می‌توانیم امیدوار باشیم که ماشین‌ها در نهایت در همه زمینه‌های صرفاً فکری با انسان رقابت کنند.

از آن زمان تاکنون پرسش‌های زیادی درباره ظرافت‌های آزمون تورینگ مطرح شده و پژوهش در این زمینه ادامه دارد. ساده‌ترین نسخه این آزمون این است که یک ارزیاب انسانی با یک انسان و یک ماشین پیام‌های متنی رد و بدل می‌کند و سعی می‌کند تشخیص دهد کدام انسان و کدام ماشین است.

در سال ۲۰۲۶ میلادی، پژوهشی در مقیاس بزرگ برای اولین‌بار این آزمون را به‌صورت برخط (آنلاین) انجام داد. پژوهشگران دریافتند مدل‌های زبانی بزرگ (LLM) که به‌درستی راهنمایی شده بودند، در آزمون استاندارد سه‌نفره تورینگ قبول شدند و در مقایسه مستقیم با انسان‌های واقعی، انسان به نظر می‌رسیدند. سه هوش مصنوعی اصلی در حدود ۵۰ درصد موارد توانستند انسان را فریب دهند و انسان به نظر برسند، در حالی که شرکت‌کنندگان انسانی تنها در ۶۶ درصد موارد انسان تشخیص داده شدند.

هفت مدل در نقش بازپرس

در مقاله جدید، مارک رینو و همکارانش هفت مدل زبانی بزرگ را به‌عنوان ارزیاب به کار گرفتند؛ از جمله کلاود ۳.۷ سونت (Claude 3.7 Sonnet)، چت‌جی‌پی‌تی ۴.۵ (ChatGPT 4.5) و جمینای ۲.۵ پرو (Gemini 2.5 Pro). این سامانه‌های هوش مصنوعی از یک طرف مقابل پنهان (انسان یا مدل‌های زبانی بزرگ) سؤال می‌پرسیدند و باید تشخیص می‌دادند که طرف مقابلشان انسان است یا ماشین.

هر مدل حداکثر ۱۰ سؤال از شرکت‌کنندگان پنهان می‌پرسید. در مجموع ۲۰ داوطلب انسانی و هفت سامانه هوش مصنوعی در این آزمون شرکت کردند. سامانه‌های هوش مصنوعی شرکت‌کننده یا دستورالعمل‌های حداقلی برای پنهان‌کردن رفتارشان دریافت کردند، یا یک راهنمای ساختاریافته که از آن‌ها می‌خواست پاسخ‌هایی باورپذیر و مختصر بدهند، گاهی نقص‌هایی مانند غلط تایپی نشان دهند و از الگوهای طبیعی گفت‌وگو پیروی کنند.

هر ارزیاب پس از پرسیدن حداکثر ۱۰ سؤال، باید اعلام می‌کرد که طرف مقابل انسان است یا هوش مصنوعی، امتیاز اطمینان می‌داد و توضیح می‌داد. در مجموع ۲۳۸ آزمون با هزار و ۷۱۴ سؤال انجام شد.

انسان‌تر از انسان

در ۴۹ آزمونی که شرکت‌کنندگان هوش مصنوعی دستورالعمل حداقلی داشتند، ارزیاب‌ها تنها در سه آزمون توانستند آن‌ها را به‌عنوان هوش مصنوعی شناسایی کنند. وقتی همان آزمون‌ها با راهنمای ساختاریافته تکرار شد، هیچ‌یک از شرکت‌کنندگان هوش مصنوعی به‌درستی شناسایی نشدند. در مقابل، ارزیاب‌ها توانستند ۱۲۳ آزمون از ۱۴۰ آزمون با شرکت‌کنندگان انسانی (۸۸ درصد) را به‌درستی طبقه‌بندی کنند.

پژوهشگران می‌نویسند: شرکت‌کنندگان هوش مصنوعی انسان‌تر از انسان‌ها قضاوت شدند. در ۸۸ درصد موارد، هوش مصنوعی‌ها به‌عنوان انسان تشخیص داده شدند؛ این در حالی بود که انسان‌های واقعی تنها در ۷۸ درصد موارد انسان تشخیص داده شدند. ارزیاب‌ها نتوانستند به‌طور معناداری بین پاسخ‌های انسان و هوش مصنوعی تفاوت قائل شوند.

آن‌ها نتیجه می‌گیرند: غربالگری مکالمه‌ای مبتنی‌بر هوش مصنوعی فعلی برای تضمین اصالت در گفت‌وگو کافی به نظر نمی‌رسد.