吳恩達：圖靈測試不夠用了，我會設計一個AGI專用版

鷺羽 發自 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中也曾表示：

• 2025年或許會被銘記為人工智能工業時代的開端
• 創新推動模型性能到達新的高度，AI驅動的應用變得不可或缺，頂尖企業人才爭奪激烈，基礎設施建設推動社會生產總值增長。

學術界和工業界頻繁提及AGI概念，硅谷的公司也會為搶先AGI定下季度目標。

但關于AGI的定義至今還沒有統一標準，現有基準測試還常常誤導大眾，使其高估當前的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。

正如網友所言：

• 要衡量智能首先要定義智能。

圖靈-AGI測試設想

傳統的圖靈測試在AGI時代顯然不夠用。

它由艾倫·圖靈在上世紀五十年代提出，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。

但現在的AI顯然不再滿足于簡單的對話交互，而是要構建起經濟有用的系統，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系統或專業人士，他們將會被提供一臺可以訪問互聯網并配備瀏覽器和Zoom等軟件的計算機。

裁判將通過計算機為測試對象設計一個多日的體驗任務，比如作為客服，會先被培訓一段時間，然后要求執行接聽電話的任務，并需要提供持續的反饋。

只要AI能夠像人類一樣熟練完成工作任務，就會被認為通過測試。

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

它也會比基準測試更考驗AI的通用能力

現在幾乎所有的AI基準測試，如GPQA、AIME、SWE-bench等，都會預先確定一個測試集。這意味著AI團隊都會直接針對已發布的測試集來調整他們的模型。

這就導致很多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，明明數據看起來都很不錯，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，更能判斷系統在通用任務上的表現。

在改進的圖靈-AGI測試中，延續了這一設定，裁判可以任意設計體驗任務，而受測試的AI或人類測試者均不會事先知道任務內容，這將比基準測試更能判斷AGI水平。

同時為了校準社會對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。

即便最后的結果會是所有AI系統均未能達到標準，但也能平息長期以來對AGI的過度炒作。

這種降溫將會為AI領域創造更穩健的環境，讓行業重新聚焦于非AGI級別的實際進步，比如開發有實用價值的應用，而不是沉迷于實現AGI的營銷噱頭。

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

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。

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/