Alexa的首席科学家指出，传统的计算基准已无法反映当今人工智能的发展。自艾伦·图灵在1950年提出图灵测试以来，已经过去了70年。该测试旨在判断一台机器是否能够表现出与人类无异的对话能力。图灵曾预言，到2000年，通过模拟游戏让评审无法区分人类和AI的比例将不到30％，从而认为AI已接近人类水平。
为何在过去的二十年里，我们仍未实现这一目标？我相信，图灵提出的评估标准对现代AI科学家而言已不再适用。图灵测试存在诸多局限性，甚至在他自己开创性论文中也有所辩论。如今，人工智能已经深度融入我们的电话、汽车和智能家居中。人们更关心与AI的交互是否高效、流畅且无缝，而非是否能欺骗评审。鉴于此，是时候放弃过去七年来激发灵感的传统标准，提出新的挑战，以激励研究者不断创新。
图灵测试与公众想象
在引入图灵测试的初期，它曾成为AI研究的北极星。在20世纪60年代和70年代，ELIZA和PARRY等早期聊天机器人都以通过测试为目标。2014年，名为Eugene Goostman的聊天机器人宣称通过了图灵测试，并成功欺骗了33%的评委。然而，批评者指出，欺骗30%的评委并不能代表真正的“智能”，这个门槛显得随意且不具代表性。即使在当时，这样的成就也逐渐失去了意义。
尽管如此，图灵测试依然激发了公众的想象。OpenAI推出的GPT-3模型引发热议，许多人关心是否能让它“通过”图灵测试。虽然这种测试可以作为衡量AI智能的一个指标，但用它来衡量Alexa的能力是否合理且具有代表性呢？
回溯到图灵首次提出这一概念的1950年，那时还没有商用计算机，计算能力远不及今天。如今，借助云计算和高速网络，我们的设备在处理信息和做出决策方面远超当年。相较于当初的设想，现代AI在速度和信息处理能力上都已实现了质的飞跃。
然而，图灵测试的局限性逐渐显现。它未能充分考虑现代AI的优势，如快速计算和信息检索能力。强调“欺骗”用户意味着，AI在回答诸如“3434756的立方根是多少？”或“西雅图到波士顿多远？”等问题时，可能会故意停顿，试图模拟人类的思考过程，但实际上，现代AI可以立即提供答案。而仅仅通过文本交流，无法反映AI感知和互动的全方位能力。
为了让AI更好地服务于日常生活，我们需要它能高效完成任务。例如，关闭车库灯无需对话，只需简单确认即可完成。而在更复杂的交互中，即使AI与用户进行了长时间的对话，人们仍希望确认其为AI而非人类。假装“欺骗”用户的行为可能带来风险，比如虚假信息的传播和假货泛滥，这对社会构成威胁。
人工智能面临的新挑战
我们的目标不应是让AI难以与人类区分，而是要开发能增强人类智力、改善生活的公平且包容的系统。理想的AI应具备类似人类的常识、自我监控和语言能力，同时结合高速搜索、记忆调用和任务执行的效率。未来，AI应能学习、适应新环境，并完成复杂任务，这些能力远超普通人的水平。
当前的研究重点应集中在感知理解、自然对话、深厚知识、有效学习、推理决策以及消除偏见等方面。这些目标可以通过分解具体任务进行评估。比如，Kaggle的“抽象与推理挑战”关注AI处理前所未见的推理任务，而“Alexa PRize社交机器人挑战”则旨在推动AI在真实世界中的人机交互能力提升。
在2016年启动Alexa奖时，我们曾就如何评价“社交机器人”展开激烈讨论。是试图让机器人像人一样应答，还是让它自然交流以实现学习、娱乐或信息传递？我们设置了一个要求机器人进行20分钟连续对话的挑战，内容涵盖娱乐、体育、政治和科技等。开发阶段，用户依据是否愿意再次互动进行评分，决赛由专家评判连贯性和自然度，满分为5分。如果任何机器人在20分钟内得分达到4分以上，则视为成功。虽然这一挑战尚未完全攻克所有难题，但它指导未来AI朝着更像人类的对话能力发展。
像Alexa这样的AI已广泛应用于我们的日常生活，这是衡量AI进步的良好窗口。它们不仅能完成简单的事务，如闹钟设置，还能应对复杂任务，比如周末旅行规划。未来，这些系统将从单纯的会话助手，演变为“环境式AI”，在需要时主动响应，预测需求，并在不需要时保持隐性存在。例如，检测玻璃破碎声并提醒用户，或者在睡眠时自动关闭灯光。这类AI还需具备跨任务的学习和适应能力，才能应对日益复杂的应用场景。因此，未来十年，AI在环境中主动协助、连续学习和智能决策方面的能力，将成为衡量其实用性的关键。
这些发展并非背离图灵的“模仿游戏”——它最初只是一个思想实验，而非最终的AI评判标准。而现在，是时候超越图灵测试，从艾伦·图灵的大胆设想中汲取灵感，推动构建真正服务于人类的人工智能，迈向新的高度。
