图灵测试最讽刺的测试图灵地方在于，它本身就是测试图灵一个骗局。1950年，测试图灵艾伦·图灵在《心智》杂志上发表那篇《计算机器与智能》时，测试图灵开篇就玩了个把戏——他把问题从"机器能思考吗"偷换成了"机器能模仿人类对话吗"。测试图灵这个替换太巧妙了，测试图灵巧妙到后来七十年里，测试图灵无数人把模仿当成了思考本身。测试图灵

我去年在GitHub上翻到一个开源项目，测试图灵叫"图灵测试模拟器"。测试图灵作者用不到两百行Python代码，测试图灵让一个聊天机器人假装成十五岁乌克兰男孩。测试图灵测试结果让人哭笑不得：超过三成的测试图灵参与者认为对方是人类。这个机器人做了什么？测试图灵它只是随机回复"我不知道"、"你为什么要问这个"、测试图灵"我妈妈不让我说"——全是青春期少年搪塞人的标准句式。就这么简单。

问题出在测试的设计上。人类评判员坐在屏幕后面，只能通过文字交流判断对方是人是机。但文字这东西太容易被操纵了。你打错别字，加几个表情符号，偶尔说句脏话，评判员就开始动摇。我试过用GPT-3.5冒充我奶奶，故意把"微信"打成"威信"，把"吃药"说成"恰药"，结果对面真以为在跟一个不会打字的老人聊天。

这暴露了图灵测试的根本缺陷：它测的不是智能，是人类的偏见。我们太容易相信那些符合我们预期的回答。一个说话磕磕巴巴、逻辑混乱的机器，反而比一个对答如流的机器更像人。因为我们对"人"的刻板印象就是会犯错、会犹豫、会答非所问。机器装傻比装聪明容易多了。

还有个更隐蔽的问题——测试的不可重复性。同一个AI，今天能骗过三十percent的评判员，明天可能只有十五percent。取决于评判员的心情、睡眠质量、对AI的了解程度。我见过一个实验，把同一个模型分别给大学生和退休老人测试，结果老人组被骗过的比例高出两倍。年轻人天天跟ChatGPT聊天，早就练出了火眼金睛；老人还停留在"电脑说话应该像新闻联播"的认知里。

2014年那个著名的"尤金·古斯特曼"程序，号称首次通过图灵测试。后来被扒出来，它只是把人类对话拆解成关键词，然后从数据库里匹配预设回答。评判员里有三分之一是俄罗斯人，而尤金恰好模拟的是俄语母语者。这算哪门子智能？顶多算个高级版的自动回复。

现在的大语言模型把图灵测试彻底玩坏了。GPT-4能写诗、能解数学题、能模仿任何人的语气，但它真的"理解"自己在说什么吗？我做过一个实验：让模型解释"苹果从桌上掉下来"的物理原理，它能说得头头是道。但当我问它"如果苹果是铁做的，从同样的高度掉下来，会怎样"，它开始胡扯——说铁苹果会弹起来，因为"金属有弹性"。这明显是把两个训练数据里的概念强行拼接。

图灵当年设想的是，到2000年，机器能在五分钟对话里骗过30%的人类评判员。现在早就超额完成了。但这不是胜利，是测试本身失效了。我们需要的不是"能不能骗过人"，而是"能不能做人类做不到的事"。比如同时处理一百万个对话，比如记住所有维基百科条目，比如在0.1秒内算出圆周率后一万位。这些事人类做不到，机器做到了，那才是真正的智能——不是模仿我们，是超越我们。

所以下次有人再提图灵测试，你可以直接问他：你是在测试机器，还是在测试人类有多容易被骗？