سنجش توانایی تقلید هوش مصنوعی در آزمون‌های شباهت به انسان

با گسترش روزافزون هوش مصنوعی در زندگی روزمره، تشخیص انسان بودن یا نبودن یک عامل اهمیت بالایی یافته است. پژوهشگران در ارزیابی جامع جدیدی، توانایی هوش مصنوعی در تقلید از انسان را در سه حوزه زبانی شامل توصیف تصویر، تداعی کلمات و گفتگو، و سه حوزه بینایی شامل تخمین رنگ، تشخیص شیء و پیش‌بینی توجه بررسی کرده‌اند. در این ارزیابی، داده‌های مربوط به ۶۳۶ انسان و ۳۷ عامل هوش مصنوعی گردآوری شد و ۷۲,۱۹۱ آزمون مشابه تورینگ با حضور ۱,۹۱۶ داور انسانی و ۱۰ داور هوش مصنوعی انجام گرفت.

نتایج کلیدی و برتری داوران هوش مصنوعی

یافته‌های این سنجش نشان می‌دهد که مدل‌های هوش مصنوعی کنونی در حال نزدیک شدن به توانایی فریب داوران انسانی و تقلید متقاعدکننده از رفتارهای انسانی در هر دو حوزه زبان و بینایی هستند. نکته قابل توجه این است که حتی داوران هوش مصنوعی ساده نیز در تمایز دادن پاسخ‌های هوش مصنوعی از پاسخ‌های انسانی، عملکردی بهتر از داوران انسانی ثبت کردند.

علاوه بر این، نتایج نشان داد که توانایی تقلید هوش مصنوعی همبستگی بسیار کمی با معیارهای سنتی ارزیابی عملکرد دارد. معیارهای رایج در پردازش زبان طبیعی و بینایی کامپیوتر مانند بلئو، تامب و متیور که برای ارزیابی توصیف تصویر و تولید متن استفاده می‌شوند، نمی‌توانند توانایی عامل‌ها در جلب اعتماد به عنوان انسان را به درستی منعکس کنند. این موضوع نشان می‌دهد که موفقیت در آزمون شباهت به انسان یک معیار ارزیابی مستقل و پراهمیت محسوب می‌شود.

ریشه‌های تاریخی آزمون تورینگ و چالش‌های نظری

مفهوم بازی تقلید نخستین بار توسط آلن تورینگ در سال ۱۹۵۰ برای ارزیابی رفتار هوشمند ماشین‌ها مطرح شد. از آن زمان تاکنون، دیدگاه‌های متعددی درباره صحت این آزمون شکل گرفته است؛ از جمله آزمایش فکری اتاق چینی سیرل که دستکاری نمادها بدون فهم واقعی را مطرح کرد، و نقد بلاک بر رفتارگرایی که ماشین‌های متکی بر جداول بزرگ را فاقد شناخت واقعی می‌دانست. آزمون‌های دیگری نیز مانند آزمون تورینگ کامل هارناد، آزمون معکوس وات، آزمون پرسشی داماسینو و آزمون تورینگ معکوس سجنووسکی در این زمینه پیشنهاد شده‌اند.

در دهه ۱۹۶۰ میلادی و پس از آن، تلاش‌های اولیه مانند الگوریتم الایزا که نقش روانپزشک را ایفا می‌کرد و پاری که یک بیمار اسکیزوفرنی بدگمان را شبیه‌سازی می‌کرد، شکل گرفتند اما توانایی گفتگوهای بدون محدودیت را نداشتند.

ضرورت تشخیص هوش مصنوعی در کاربردهای عملی

امروزه عدم توانایی در تشخیص محتوای واقعی از محتوای تولیدشده توسط هوش مصنوعی می‌تواند پیامدهای جدی داشته باشد. کلاهبرداران به‌طور فزاینده‌ای از گفتگوهای تولیدشده توسط هوش مصنوعی برای ترغیب قربانیان در فیشینگ استفاده می‌کنند. همچنین ناتوانی در تشخیص اخبار واقعی از اخبار جعلی یا دیپ‌فیک‌ها خطرات گسترده‌ای برای کمپین‌های انتخاباتی به همراه دارد. از این رو توسعه مدل‌هایی مانند گروور برای تشخیص اخبار جعلی و روش‌های شناسایی دیپ‌فیک اهمیت یافته است.