吴恩达提出图灵AGI测试：衡量通用人工智能的新标尺

--------------------
亲爱的朋友们，

2026年新年快乐！今年，会是我们迎来AGI（通用人工智能）落地的关键之年吗？在此，我想提出一项图灵测试的演进版本——我称之为“图灵-AGI测试”（Turing-AGI Test），用以客观检验我们是否已跨过AGI的门槛。稍后我会阐明：为何此时亟需一个更具现实意义的评估框架。

在公众认知中，AGI的实现往往被理解为机器具备与人类相当的智力水平，足以胜任绝大多数乃至全部需要认知能力的职业任务。我所构想的新测试设定如下：受试对象——无论是AI系统，还是一位经验丰富的专业人士——将获得一台联网计算机的使用权，该设备预装浏览器、Zoom等基础协作工具。评审员将为其安排一段持续数日的“岗位实践”，所有任务均须通过这台电脑完成。举例而言，该实践可能包括一段岗前培训（例如担任客服中心坐席），继而进入实操阶段（如接听用户来电），并在过程中持续接收绩效反馈。整个流程模拟的，正是一名配备完整办公终端（不含摄像头）的远程员工所应承担的真实工作负荷。

若某AI系统能在该情境下，展现出与资深人类从业者同等水准的任务完成质量与适应能力，它即被视为通过了“图灵-AGI测试”。

多数人会认同：真正的AGI理应顺利通过此项考验。毕竟，倘若机器真能媲美人类智能，它自然也应胜任我们日常雇佣人类所完成的各类知识型工作。因此，“图灵-AGI测试”的设计逻辑，高度契合大众对AGI本质的直观理解。

这恰恰凸显了推出新测试的紧迫性：“AGI”一词如今已被严重泛化，逐渐丧失其本应具备的严谨定义。一个合理且广受认可的技术定义应是——“能够执行人类所能完成的任意智力任务的AI系统”。然而现实中，不少企业宣称“数个季度内即可实现AGI”，实则悄然降低了衡量标准来支撑其宣传口径。这种语义漂移极具危害性：它系统性地夸大了当前AI的实际能力，进而误导公众判断。我已观察到此类误判波及广泛——从高中生因误信AGI即将来临，而放弃学习某些基础学科；到企业高管基于“AI将在1–2年内全面超越人类能力”的错误前提，做出重大战略投资决策。

原始图灵测试聚焦于文本对话中能否欺骗人类裁判，使其无法分辨对方是机器还是真人。但这一标准早已不足以验证人类级别的综合智能。勒布纳奖（Loebner Prize）多年实践表明，成功“骗过”裁判的关键，往往不是展现深度推理，而是刻意模仿人类打字中的拼写错误与语法瑕疵。而当前AI研发的核心目标，早已转向构建可创造真实经济价值的实用系统，而非制造语言幻觉。因此，一套以“实际工作能力”为标尺的评估机制，显然比以“拟人化迷惑度”为指标的传统范式更具现实指导意义。

目前主流AI评测基准（如GPQA、AIME、SWE-bench等）普遍采用固定题库，这意味着开发者最终难免会对已公开的测试集进行针对性调优。此外，任何静态题库都只能覆盖智能维度的极小切面。相较之下，图灵测试的精髓在于裁判拥有完全自由的提问权，可随时抛出任意问题以探测受试者的知识广度与思维弹性——这正是检验“通用性”的关键。同理，“图灵-AGI测试”亦赋予裁判充分自主权：他们可设计任何未预先披露、不可预测的岗位体验场景，从而对AI（或人类对照组）的真实泛化能力与临场应变力展开动态评估。这种开放性，远胜于封闭式标准化测试所能提供的洞察。

AI正以前所未有的速度演进。回顾历史，过度乐观的预期曾多次引发“AI寒冬”——当技术进展未能兑现承诺时，公众兴趣与资金支持迅速冷却，直至下一轮实质性突破出现才重获生机。而当下阻碍AI可持续发展的潜在风险之一，恰是脱离实际的过度炒作所催生的投资泡沫，它极易引发信任崩塌与资源撤离。为规避此陷阱，我们必须重新锚定社会对AI能力的理性预期。一个清晰、可信、可操作的测试标准，正是实现这一校准的重要支点。

倘若我们发起一场“图灵-AGI测试”公开挑战，而所有参测AI系统均未能达标，这反而是值得庆贺的进展！它意味着我们成功抑制了无序炒作，降低了市场泡沫破裂的风险，从而为AI长期稳健发展铺就更坚实的资金与政策通道。这将助力我们持续深耕核心技术，孵化高价值应用——哪怕它们尚未触及AGI的终极边界。反之，若该测试能确立起公认的里程碑，成为全球团队竞相攻克的目标，那同样令人振奋。我们可以确信：任何一家真正通关的企业，所交付的绝非一份公关稿，而是一项真正具备划时代意义的生产力突破。

新年快乐，愿各位在新的一年里，编码顺遂，创意奔涌！

Andrew

转自：https://www.php.cn/link/bbbbd43f98a71e0d67a800f6f8bd1e24
原文：https://www.php.cn/link/c01f14d4df01c170df326c51bec1480e

源码地址：点击下载