60 多年前，艾伦·图灵发表了一篇论文。他在论文中提出了一个客厅游戏，来代替“机器能思考吗”这个问题。在游戏中，裁判分别与计算机和人进行基于文本的对话，然后裁判需要猜测哪个是人，哪个是计算机。他称之为“模仿游戏”。而自此之后，这个游戏被错误地解读为测试计算机是否具备智能的科学测试，简称为“图灵测试”。
之后很多年，图灵测试一直是用来测验人工智能系统的“黄金标准”。然而随着技术的发展，越来越多的人发现：图灵测试似乎并不是唯一标准。近日，Reddit 论坛上有人贴出了一篇 2014 年的文章，并对图灵测试的可靠性提出了质疑，这一话题引发了不小的讨论。
InfoQ 将这篇文章以及一些论坛讨论中的观点整理了出来，供读者思考，如果你有任何想法，欢迎在评论区与我们交流。
图灵测试的神话
60 多年前，艾伦·图灵发表了一篇论文。他在论文中提出了一个具体的方法，来代替“机器能思考吗”这个问题。图灵给出的方法是客厅游戏的形式，在游戏中，裁判分别与计算机和人进行基于文本的对话，然后裁判需要猜测哪个是人，哪个是计算机。他称之为“模仿游戏”。而自此之后，这个游戏被错误地解读为测试计算机是否具备智能的科学测试，简称为“图灵测试”。
少说话，多行动
很多人以为这个经典的问题——“机器能思考吗？”，是图灵提出的问题。实际上这不仅不是图灵提出的，而且还是他曾经批判过的一个公开讨论问题：
我提议大家思考一下这个问题，“机器能思考吗？”。要回答这个问题，我们首先需要给出“机器”和“思考”的定义。如果通过它们的常见用法来定义这些词语，我们可能会用统计调查的方式得出这个问题的答案。显然，这是荒谬的。因此我没有尝试给出一个定义，而是提出了另一个问题：
“是否存在一台想象中的机器能够在模仿游戏中表现良好？”
原来那个“机器能思考吗？”的问题在我认为没有什么意义，不值得讨论。
图灵的动机在整个论文中都很明显：这个问题一直处在无休止的讨论和否定中（到今天仍然如此）。由于这对领域的发展没有帮助，图灵建议我们采取更加务实和建设性的立场。他以模仿游戏的概念为指导，来反驳顽固派反对机器智能的论据，并鼓励他的同行们不要让那些反对意见妨碍自己的发展。
我并不知道正确的答案是什么，但我想这些方法都应该试试。
我们目光所及，只是不远的前方，但是可以看到，那里有许多工作需要我们去做。
非智能测试
也许该论文中最富有洞察力的部分是图灵给出的示例问题。图灵特意挑选了数学、诗歌和象棋，以代表当时的人们认为需要智能的技能。直到 1997 年计算机深蓝（DeepBlue）在国际象棋中取得了胜利，国际象棋不再作为智能的代表。如果这个测试是为了证明计算机具有智能，那么为什么下面的答案是错误的？
问：请给我写一首关于第四桥的十四行诗。
答：别把我算上。我从不写诗。
问：70764 加上 34957 等于多少？
答：（停顿约 30 秒，然后回答）105621。
问：你下棋吗？
答：是的。
问：我的国王（K）在 K1，没有其他棋子。你只有国王在 K6，车在 R1。该你了，你怎么走？
答：（停顿 15 秒后）车走到 R8，将军。
对于诗歌问题，想象中的计算机也可以写一首十四行诗，证明自己是有智能的。相反，它回避了这个问题，这什么也证明不了。
数学问题的结果应该是 105721，而不是 105621。图灵用它来反驳“机器不能犯错误”这一尴尬而常见的论点，即机器只遵循预先编程的指令而不考虑其他的。
（带模仿游戏程序的）机器并没有准备对算术问题给出正确的答案。它会故意算错，来迷惑裁判。
不过，国际象棋的答案也不算错。棋局上有两个国王和一个车的时候，计算机把车走到国王所在的行。但是一个孩子就可以给出这个答案，因为这是唯一有意义的下法。
这些回答错过了每一个让机器看起来有智能的机会。有人认为机器装聋作哑就代表了智能，但是不能否认这与智能测试的目的直接冲突。它不仅没有证明机器在各个方面都与“人类的智能”相匹配，反是证明在这些方面机器都不具有智能。显然，模仿游戏并不是为了展示智能。
规则：没有规则
第一个常见的对图灵测试的错误理解是，计算机应该假扮成一个女人，按照图灵最初设计的模仿游戏，一个男人必须假装成一个女人：
需要由三个人来玩这个游戏，一个男人（A）、一个女人（B）和一个询问人。
如果用一个机器来担任 A 的角色，会发生什么情况？
图灵把计算机的行为和它的对手的行为都称为“man”。性别与此无关，因为这个问题只关乎智能。
如果一个机器扮演模仿游戏中 A 的角色，人扮演 B 的角色，这台机器能不能在模仿游戏中表现良好？
第二个错误理解是，图灵为测试指定了一个基准：
如果我先就这个问题阐述一下自己的看法，读者可能会觉得问题会更简单一点。
我认为 50 年内，能够对计算机编程，让计算机在模仿游戏中很顺利，一般的提问者在 5 分钟提问后，能准确鉴别的概率不超过 70%。
我现在谈谈与我的看法相对立的观点。
5 分钟的提问，然后（100%-70%=）30% 的概率将计算机误认为是人；许多人认为这些是测试的基准，因为这是论文中提到的唯一数字。而人们通常认为天才所说的一切都是事实，这种英雄崇拜又进一步加强了这种想法。
其他人则认为对于一个有意义的测试来说，图灵设定的标准太低，把他的话作为“预测”置之不理。然而，当时的 AI 还不能作为任何预测的依据，而图灵也并不认为自己是预言家。在后来的 BBC 采访中，图灵说一个机器想玩好模仿游戏的话，还需要“至少 100 年”，而早些时候他说的是 50 年。但人们不能因为这些“预测”不准确而指责他。
不管是哪种说法，5 分钟和 70/30% 的概率都被认为是图灵个人的信念。是他的主张、他的期望、他的希望，而不是测试的规则。他厌倦了人们说做不到，所以他只是说可以。
在基准问题上，还应注意的是，计算机最多有 50% 的机会获胜，即正常情况下的随机概率：如果计算机和相比之下的人类都表现的很完美，那么裁判仍然有 50% 的概率随机猜测一个结果。裁判必须做出选择，这一点在最初的游戏设计中很明显。在男人和女人之间，以及在人类和计算机之间，都是如此，否则将破坏询问的目标：
游戏的目标是询问人判断出外面的哪个人是男人，哪个是女人。
男人装成女人能有多像？我估计成功的概率不超过 50%。
看起来像测试，但并不是测试
不仅完成游戏的规则取决于人们的解释，还有游戏的进行方式。图灵是一个精确科学的人，他对论文中的其他论点都进行了详细描述，甚至计算必要的数字存储空间，他会如此含糊地定义一个科学测试吗？我们发现图灵主要把他的提议称为“游戏”和“实验”，但很少称之为“测试”。他没有提到“通过”，而且他解释说这不是尝试的重点：
有人可能会问，“为什么不直接拿一台机器进行这个实验？”——对这个问题简要的回答是，我们并不是要问现在的计算机中有没有机器能够通过实验，而是要问：是否存在一台想象中的机器能够通过游戏。
事实证明，是否通过测试毫无意义：是的，一些聊天机器人已经通过了游戏，最著名的是 2014 年的尤金·古斯曼，甚至 Cleverbot 也通过了观众投票。但是有哪个智能程序通过了吗？没有。虽然没有人能在什么是智能上达成一致，但包括创造者在内的所有人都同意，那些通过的机器既不是智能，也不是在思考；它们主要是依靠关键词触发的反应才通过了游戏。
赢不是一切
尽管图灵确实把游戏想象成一场智慧之战，但最终它的评判标准不是 AI 有多“聪明”，而是它多像“人”。事实上，人类的缺点、情感和怪癖反而成就了人类的特点，而不是他们在交谈中体现的聪明才智，因此，一个高度智能、理性的 AI 在这个游戏中反而会表现得很不好。
最后，图灵测试是行为假设，从表面得出结论，和中世纪的医生一样。按照同样的逻辑，如果计算机温度很高，而且发出咳嗽声，人们可能会认为计算机患流感了。显然，这不是一个令人满意的分析。我们可以根据计算机可以做数学题、下棋或者进行对话这一事实，继续猜测计算机是否具有智能，或者等计算机通过测试时，我们可以做任何人都做的事情：问“它是如何做到的？”，然后自己决定这个过程是否智能。任何问题都不如这个问题更科学或更有洞察力。
“图灵测试”不是一个合格的智能测试，而且它的目的也不是测试智能，那么该如何看待它呢？我个人认为图灵测试仍然适用于展示机器交谈技能的发展，随着社交机器人的兴起，这一挑战将变得越来越重要。并且，重要的是，令公众保持知情权，以平息由于人工智能的发展日益加剧的不安情绪。除此之外，我认为大家应该不再专注于解读“图灵测试”，而是继续努力，把图灵所梦想的人工智能变为现实。
最后，请大家想想图灵的希望：
不过，我相信，在本世纪末，由于词汇的用法会有较大的变化，普遍的学术见解也会改变，那时人们将能基于确定的共识来谈论机器思维。
讨论：图灵测试仍然是黄金标准吗？
Reddit 论坛上，一些网友对这一话题进行了讨论，部分整理如下：
网友 A：
我刚把这篇文章贴在其他地方，但是我不介意多发一遍：图灵测试不应该付诸实践。
图灵测试在专业人工智能领域几乎没有可信度，因为它与制造有用的人工智能是完全不同的两码事。
网友 B：
在我看来，图灵测试似乎只适用于所有拥有人类情感、感官和经验的机器人。比如为社交而设计的系统需要通过测试。
而用于其他目的的人工智能不需要通过图灵测试。比如无人车，只要听我的指挥，别撞车就行了，我又不需要和它建立情感联系。
但话又说回来，狗也曾担任警卫和狩猎助手，你可以与它们建立情感联系。也许拥有一辆像狗一样让人头晕目眩的汽车会很有趣，因为它可能会想在旅途中到处走走，和你聊天，但它仍然会给人一种智能汽车的感觉。不过跟养狗不同，它不用训练、不用喂食。
网友 C：
图灵测试更多的是一种思维实验，而不是真正的测试。它通常被认为是一个充分的（但不是必要的）测试，以确保人工智能至少具有人类水平的智能。有时这也与感觉有关。一个想法是，如果你不能从行为上把它与人类区分开来，你可能不应该在其他方面歧视它（比如说它并不真的会思考）。
你很少听说人工智能的一个原因是，相对较少的人工智能工作是试图构建（感知的）人类水平的智能。如果您正在构建一个扑克机器人或人脸识别器，图灵测试是不适用的。
在 AGI 专业人员中，图灵测试更经常出现。然而，它有很多问题。首先，这是一个二进制测试，如果你想测量 AGI 的进展，它是没有用处的；其次，没有人认为通过图灵测试对 AGI 是必要的，例如，说谎和误导可能不是我们希望 AGI 做的事情；第三，一个严重的问题是，通过图灵测试是否足以证明 AGI 具有人类的智力水平，因为评判标准实在太容易受到误导。
话虽如此，如果一个人工智能系统能永远误导我，让我误以为它是人类，我愿意接受它总体上是智能的，我想我的大多数同事也会这么认为。
网友 D：
我不认为图灵测试是足够有效的，因为它可以通过回放许多记录的人类聊天对话文本的最佳匹配，以及一些一致性检查来解决。
Deepmind 声称他们想建立 AGI，但我不相信他们。他们只是在游戏和医疗领域有所进展。DARPA（国防高级研究计划局）有两个向机器教授常识的项目，第一个项目是与现实世界互动；第二个项目试图从维基百科中提取常识。我相信后者能更快得到一些成果，但不可能维持太久。DARPA 需要两个相互竞争的项目来建立一场激励竞赛，以防止他们胡扯和伪造进展。由于第一个项目耗时较长，结果只取决于 DARPA 将投入多少时间和金钱。
我相信图灵测试，但是因为它是二进制的，所以不能用来衡量进度。这确实是个问题。
为了防止撒谎和误导，我觉得图灵测试可以排除一些对机器毫无意义的话题，比如食物、疾病和性。参与者还应该被限制为健康、成年、具有平均智商、母语水平良好和具有合作精神等等条件，这样就不可能出现另一个尤金·古斯特曼 (Eugene Goostman)。
上文内容不用于商业目的，如涉及知识产权问题，请权利人联系博为峰小编(021-64471599-8017)，我们将立即处理
