吳恩達：圖靈測試不夠用了，我會設(shè)計一個AGI專用版

鷺羽 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

新年新氣象！AI大神吳恩達2026年目標(biāo)公開：

要做一個新的圖靈測試，他稱之為圖靈-AGI測試

光看名字就知道，這個測試專為AGI而生。

去年是AGI水漲船高的一年，吳恩達在其年度總結(jié)中也曾表示：

• 2025年或許會被銘記為人工智能工業(yè)時代的開端
• 創(chuàng)新推動模型性能到達新的高度，AI驅(qū)動的應(yīng)用變得不可或缺，頂尖企業(yè)人才爭奪激烈，基礎(chǔ)設(shè)施建設(shè)推動社會生產(chǎn)總值增長。

學(xué)術(shù)界和工業(yè)界頻繁提及AGI概念，硅谷的公司也會為搶先AGI定下季度目標(biāo)。

但關(guān)于AGI的定義至今還沒有統(tǒng)一標(biāo)準(zhǔn)，現(xiàn)有基準(zhǔn)測試還常常誤導(dǎo)大眾，使其高估當(dāng)前的AI水平。

吳恩達注意到該趨勢，于是新的圖靈測試將試圖彌補這一空白。

正如網(wǎng)友所言：

• 要衡量智能首先要定義智能。

圖靈-AGI測試設(shè)想

傳統(tǒng)的圖靈測試在AGI時代顯然不夠用。

它由艾倫·圖靈在上世紀(jì)五十年代提出，提出用人機對話來測試機器的智能水平。

在測試過程中，人類評估者需要確定他們是在與人還是與機器交談。如果機器能夠成功騙過評估者，那么就算通過了測試。

但現(xiàn)在的AI顯然不再滿足于簡單的對話交互，而是要構(gòu)建起經(jīng)濟有用的系統(tǒng)，所以亟需一個能夠衡量AI工作能力的測試。

而這就是圖靈-AGI測試的核心，要讓AI像人類一樣智能，并完成大部分的知識型工作。

測試對象將會是AI系統(tǒng)或?qū)I(yè)人士，他們將會被提供一臺可以訪問互聯(lián)網(wǎng)并配備瀏覽器和Zoom等軟件的計算機。

裁判將通過計算機為測試對象設(shè)計一個多日的體驗任務(wù)，比如作為客服，會先被培訓(xùn)一段時間，然后要求執(zhí)行接聽電話的任務(wù)，并需要提供持續(xù)的反饋。

只要AI能夠像人類一樣熟練完成工作任務(wù)，就會被認(rèn)為通過測試。

該測試將聚焦AGI的經(jīng)濟性和實際產(chǎn)出，更接近普世意義下對AGI的初始定義——可用于工作和生產(chǎn)場景的智能。

它也會比基準(zhǔn)測試更考驗AI的通用能力

現(xiàn)在幾乎所有的AI基準(zhǔn)測試，如GPQA、AIME、SWE-bench等，都會預(yù)先確定一個測試集。這意味著AI團隊都會直接針對已發(fā)布的測試集來調(diào)整他們的模型。

這就導(dǎo)致很多AI模型榜單排名靠前，但真實物理世界中又能力不夠。

去年鬧得沸沸揚揚的Llama 4刷榜丑聞就是其中一個典型，明明數(shù)據(jù)看起來都很不錯，但用戶真正上手后卻傻眼了。

此外，固定測試集只能衡量AI在某一狹窄領(lǐng)域的能力。相比之下，圖靈測試可以由評委自由提出任意問題，沒有提前限定范圍，更能判斷系統(tǒng)在通用任務(wù)上的表現(xiàn)。

在改進的圖靈-AGI測試中，延續(xù)了這一設(shè)定，裁判可以任意設(shè)計體驗任務(wù)，而受測試的AI或人類測試者均不會事先知道任務(wù)內(nèi)容，這將比基準(zhǔn)測試更能判斷AGI水平。

同時為了校準(zhǔn)社會對AI的期望，吳恩達表示，或許他將舉辦一場圖靈-AGI測試，讓所有AI參與其中。

即便最后的結(jié)果會是所有AI系統(tǒng)均未能達到標(biāo)準(zhǔn)，但也能平息長期以來對AGI的過度炒作。

這種降溫將會為AI領(lǐng)域創(chuàng)造更穩(wěn)健的環(huán)境，讓行業(yè)重新聚焦于非AGI級別的實際進步，比如開發(fā)有實用價值的應(yīng)用，而不是沉迷于實現(xiàn)AGI的營銷噱頭。

從長期來說，圖靈-AGI測試也會為AI團隊設(shè)定一個具體的努力目標(biāo)，而非模糊地實現(xiàn)人類級智能。

倘若真有某一家公司能夠通過測試，其成果也必定具備真實價值，圖靈-AGI測試將會為真正的AGI突破提供可信的判定依據(jù)。

所以接下來，只需拭目以待。

[1]https://x.com/AndrewYNg/status/2008578741312836009?s=20
[2]https://www.deeplearning.ai/the-batch/issue-334/