吴恩达：图灵测试已过时，AGI专用评测设计思路

鹳羽 发于凹非寺
量子位 | 公众号 QbitAI

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

新的一年，AI领域又有了新气象！知名专家吴恩达最近公布了面向2026年的目标：

他将推出一项全新的图灵测试，并称之为“图灵-AGI测试”。

顾名思义，这项测试正是为评估通用人工智能（AGI）而量身打造的。

回顾过去一年，AGI无疑是技术浪潮中备受瞩目的焦点。吴恩达在其年度总结中也曾表示：

2025年或许将被铭记为人工智能工业时代的开端，由创新驱动模型性能达到新的高度。AI驱动的应用变得不可或缺，顶尖企业的人才争夺激烈，基础设施建设推动社会生产总值的增长。

学术界与工业界频繁提及AGI概念，硅谷的各家公司也纷纷为抢占AGI先机而设定季度目标。

然而，关于AGI的定义至今尚未形成统一标准，现有的基准测试又常常误导公众，使其高估了当前AI的实际水平。

吴恩达注意到了这一趋势，于是新的图灵测试应运而生，旨在填补这一空白。

正如网友所言：

要衡量智能，首先得定义智能。

图灵-AGI测试设想

传统的图灵测试在AGI时代显然已不够用。

它由艾伦·图灵在上世纪五十年代提出，主张通过人机对话来测试机器的智能水平。

在测试过程中，人类评估者需要确定他们是在与人还是与机器交谈。如果机器能够成功骗过评估者，那么就算通过了测试。

但如今的AI显然不再满足于简单的对话交互，而是要构建起对经济有用的系统，因此亟需一个能够衡量AI工作能力的测试。

而这正是图灵-AGI测试的核心：要让AI像人类一样智能，并完成大部分的知识型工作。

测试对象将会是AI系统或专业人士，他们将获得一台可以访问互联网并配备浏览器和Zoom等软件的计算机。

裁判将通过计算机为测试对象设计一个多日的体验任务，比如作为客服，会先被培训一段时间，然后要求执行接听电话的任务，并提供持续的反馈。

只要AI能够像人类一样熟练完成工作任务，就会被认为通过了测试。

该测试将聚焦AGI的经济性和实际产出，更接近普世意义下对AGI的初始定义——可用于工作和生产场景的智能。

它将比基准测试更考验AI的通用能力

现在几乎所有的AI基准测试，如GPQA、AIME、SWE-bench等，都会预先确定一个测试集。这意味着AI团队都会直接针对已发布的测试集来调整他们的模型。

这就导致很多AI模型榜单排名靠前，但在真实物理世界中能力却不足。

去年闹得沸沸扬扬的Llama 4刷榜丑闻就是其中一个典型，明明数据看起来都很不错，但用户真正上手后却傻眼了。

此外，固定测试集只能衡量AI在某一狭窄领域的能力。相比之下，图灵测试可以由评委自由提出任意问题，没有提前限定范围，更能判断系统在通用任务上的表现。

在改进的图灵-AGI测试中，延续了这一设定，裁判可以任意设计体验任务，而受测的AI或人类测试者均不会事先知道任务内容，这将比基准测试更能判断AGI水平。

同时，为了校准社会对AI的期望，吴恩达表示，或许他将举办一场图灵-AGI测试，让所有AI参与其中。

即便最后的结果是所有AI系统均未能达到标准，也能平息长期以来对AGI的过度炒作。

这种降温将为AI领域创造更稳健的环境，让行业重新聚焦于非AGI级别的实际进步，比如开发有实用价值的应用，而不是沉溺于实现AGI的营销噱头。

从长期来说，图灵-AGI测试也会为AI团队设定一个具体的努力目标，而非模糊地实现人类级智能。

倘若真有某一家公司能够通过测试，其成果也必定具备真实价值，图灵-AGI测试将为真正的AGI突破提供可信的判定依据。

所以接下来，只需拭目以待。