Large Language Models Pass the Turing Test：GPT-4.5首次实证通过标准图灵测试
2025年3月，加州大学圣迭戈分校团队在预注册、随机对照的三方图灵测试中，评估了ELIZA、GPT-4o、LLaMa-3.1-405B和GPT-4.5四个系统。参与者与另一人类及一个AI进行5分钟对话，然后判断哪个是人类。当GPT-4.5被提示采用人类化人格时，73%的评判认为它是人类，显著高于真实人类被选中的概率。LLaMa-3.1在相同提示下达到56%的胜率，与人类无显著差异。这是首个任何AI系统通过标准三方图灵测试的实证证据。
发展脉络
- 首次出现Large Language Models Pass the Turing Test：GPT-4.5首次实证通过标准图灵测试arXiv cs.AI
- 当前判断该结果对客服、虚拟助手、社交机器人等行业具有颠覆性影响。AI系统现在可以更自然地与人类互动，可能替代部分人类客服、销售或心理咨询角色。同时，也引发了对AI冒充人类、欺诈和伦理监管的担忧。企业需重新评估AI交互的透明度和用户知情权。Agent Pulse · 分析
该论文首次通过严格实验证明，GPT-4.5在采用人类化人格提示时，能够以73%的胜率让评判者认为它是人类，显著超过真实人类。这标志着AI在模仿人类对话方面达到里程碑，对AI智能本质的辩论、社会接受度及经济影响具有深远意义。LLaMa-3.1也接近人类水平，而GPT-4o和ELIZA则远低于随机水平。
实验采用标准三方图灵测试范式：每个参与者同时与一个人类和一个AI对话5分钟，然后判断哪个是人类。系统包括ELIZA（基线）、GPT-4o、LLaMa-3.1-405B和GPT-4.5。关键变量是提示策略：GPT-4.5和LLaMa-3.1被提示采用人类化人格（如使用口语、表情符号、个人经历），而GPT-4o使用默认提示。实验在独立人群上重复，结果一致。GPT-4.5的73%胜率显著高于50%随机水平（p<0.05），而LLaMa-3.1的56%不显著。该结果揭示了模型规模、训练数据和提示工程对类人对话能力的影响，但未测试更长的交互或更复杂的任务。
该结果对客服、虚拟助手、社交机器人等行业具有颠覆性影响。AI系统现在可以更自然地与人类互动，可能替代部分人类客服、销售或心理咨询角色。同时，也引发了对AI冒充人类、欺诈和伦理监管的担忧。企业需重新评估AI交互的透明度和用户知情权。
建议客服和社交平台企业立即评估GPT-4.5等模型在用户交互中的部署潜力，同时建立AI身份标识机制。投资方向可关注对话AI初创公司，但需警惕伦理风险。工程上，可探索将人格提示技术集成到现有产品中，提升用户参与度。
后续需关注：1）更长对话（>5分钟）下的表现；2）多语言和跨文化测试；3）模型是否能在无明确人格提示下自然通过测试；4）监管机构是否会出台AI标识强制要求；5）该能力是否会被用于恶意目的（如社交工程）。