Turing test

Turing test คือบททดสอบที่ Alan Turing เสนอไว้ในบทความ Computing Machinery and Intelligence ปี 1950 เพื่อใช้แทนคำถามที่เขามองว่าถกกันไม่จบว่าเครื่องจักรคิดได้หรือไม่ ในบทความเดียวกันนั้น Turing เขียนไว้ตรงๆ ว่าคำถามเดิมที่ว่า Can machines think? เขาเชื่อว่าไร้ความหมายเกินกว่าจะเอามาถกเถียงกัน แม้ประโยคถัดมาเขาจะเขียนว่าเมื่อถึงปลายศตวรรษ การใช้คำและความเห็นของคนมีการศึกษาทั่วไปจะเปลี่ยนไปมากจนพูดถึงเครื่องจักรที่คิดได้โดยไม่ต้องกลัวว่าจะมีใครเถียงกลับ เขาจึงแทนที่คำถามเดิมด้วยเกมที่ตั้งชื่อว่า imitation game ซึ่งวัดสิ่งที่จับต้องได้กว่า คือให้คนคนหนึ่งซักถามคู่สนทนาผ่านข้อความล้วนแล้วทายว่าฝ่ายไหนเป็นเครื่อง ถ้าคนซักถามแยกไม่ออกในอัตราที่กำหนดไว้ ก็ถือว่าเครื่องทำได้ตามเกณฑ์ ชื่อนี้กลับมาอยู่ในพาดหัวข่าวอีกรอบ เพราะ chatbot ที่ขับด้วย llm คุยกับคนได้เป็นธรรมชาติจนคนอ่านข่าวผ่านตาแล้วเข้าใจไปว่าเครื่องคิดเองได้แล้ว

กติกาในต้นฉบับปี 1950 ไม่ได้เริ่มจากเครื่องจักรด้วยซ้ำ Turing เขียนว่าเกมนี้เล่นกันสามคน คือผู้ชาย (A) ผู้หญิง (B) และผู้ซักถาม (C) ซึ่งจะเป็นเพศใดก็ได้ ผู้ซักถามอยู่คนละห้องกับอีกสองคน รู้จักทั้งคู่ในชื่อ X กับ Y และมีหน้าที่ตัดสินว่าคนไหนเป็นผู้ชายคนไหนเป็นผู้หญิง ส่วนผู้เล่นคนที่สามซึ่งเป็นผู้หญิงนั้นมีหน้าที่ช่วยผู้ซักถาม โดย Turing เขียนว่ากลยุทธ์ที่ดีที่สุดของเธอน่าจะเป็นการตอบตามความจริง เพื่อไม่ให้น้ำเสียงช่วยผู้ซักถาม เขากำหนดว่าคำตอบควรเขียนเป็นลายลักษณ์อักษร หรือดีกว่านั้นคือพิมพ์ด้วยเครื่องพิมพ์ดีด และการจัดวางที่เหมาะที่สุดคือมี teleprinter เชื่อมระหว่างสองห้อง จากนั้นเขาจึงถามต่อว่าจะเกิดอะไรขึ้นเมื่อเครื่องจักรเข้าไปเล่นแทน A ในเกมนี้ คำถามข้อนี้เองที่คนรุ่นหลังเรียกกันว่า Turing test ส่วนตัวเลขที่คนชอบยกมาอ้างนั้นมาจากคำทำนายในบทความเดียวกัน ที่ Turing เขียนว่าอีกราวห้าสิบปีจะเขียนโปรแกรมให้คอมพิวเตอร์ซึ่งมีความจุหน่วยเก็บข้อมูลราว 10 ยกกำลัง 9 เล่นเกมนี้ได้ดีจนผู้ซักถามระดับทั่วไปมีโอกาสทายถูกไม่เกิน 70 เปอร์เซ็นต์หลังซักถามไปห้านาที สารานุกรมปรัชญาของ Stanford เตือนให้แยกตัวบททดสอบออกจากคำทำนายข้อนี้ โดยระบุว่าเปอร์เซ็นต์โอกาสทายถูก ช่วงเวลาที่ใช้ทดสอบ และจำนวนรอบการสนทนาที่ต้องการ ล้วนเป็นพารามิเตอร์ที่ปรับได้ในตัวบททดสอบ ทั้งที่ถูกตรึงเป็นค่าคงที่ในคำทำนายที่ Turing ทำไว้ เวลาเจอพาดหัวว่าใครผ่าน Turing test จึงต้องถามกลับทุกครั้งว่าผ่านด้วยกติกาชุดไหน หน้าเดียวกันยังยกตัวอย่างข้ออ้างเก่าที่ตั้งอยู่บนฐานบางมาก เช่น กรณีปี 2014 ที่โปรแกรม Eugene Goostman หลอกกรรมการได้ 33 เปอร์เซ็นต์ ปี 1991 ที่ PC Therapist หลอกกรรมการได้ 50 เปอร์เซ็นต์ และการสาธิต Cleverbot ในปี 2011 ซึ่งได้อัตราสูงกว่านั้นอีก โดยสรุปว่าทั้งสามกรณีมีขนาดการทดลองเล็กมากและผลไม่สามารถนำไปคาดการณ์ต่อได้อย่างน่าเชื่อถือ

คนทำงานมักเจอคำนี้ในข่าว และตรงนั้นคือจุดที่ต้องอ่านเงื่อนไขให้ครบ งานทดลองที่ถูกอ้างถึงมากที่สุดในรอบนี้คือเปเปอร์ของ Cameron R. Jones และ Benjamin K. Bergen ที่ขึ้น arXiv เมื่อ 31 มีนาคม 2025 และผ่านการทบทวนโดยผู้ทรงคุณวุฒิจนตีพิมพ์ในวารสาร PNAS เมื่อ 19 พฤษภาคม 2026 ในชื่อ Large language models pass a standard three-party Turing test ทีมวิจัยทดสอบระบบสี่ตัวคือ ELIZA, GPT-4o, LLaMa-3.1-405B และ GPT-4.5 ในการทดสอบที่สุ่ม มีการควบคุม และลงทะเบียนแผนไว้ล่วงหน้า จำนวนสองครั้งบนประชากรคนละกลุ่ม ผู้เข้าร่วมคุยครั้งละห้านาทีพร้อมกันกับผู้เข้าร่วมที่เป็นคนอีกคนหนึ่งและกับระบบหนึ่งตัว แล้วจึงตัดสินว่าคู่สนทนารายใดเป็นคน ผลคือเมื่อสั่งให้สวมบุคลิกแบบมนุษย์ GPT-4.5 ถูกตัดสินว่าเป็นคน 73 เปอร์เซ็นต์ของครั้ง ซึ่งบ่อยกว่าที่ผู้ซักถามเลือกคนจริงอย่างมีนัยสำคัญ ส่วน LLaMa-3.1 ที่ใช้คำสั่งเดียวกันถูกตัดสินว่าเป็นคน 56 เปอร์เซ็นต์ ซึ่งไม่ได้บ่อยกว่าหรือน้อยกว่าคนที่ถูกนำมาเทียบอย่างมีนัยสำคัญ ขณะที่ ELIZA กับ GPT-4o ซึ่งเป็นเส้นฐานได้ 23 กับ 21 เปอร์เซ็นต์ตามลำดับ ต่ำกว่าระดับเดาสุ่มอย่างมีนัยสำคัญ ตัวเลขทั้งหมดนี้มาจากผู้เข้าร่วม 126 คนจากกลุ่มนักศึกษาปริญญาตรีจิตวิทยาของ UCSD และอีก 158 คนจาก Prolific แต่ละคนเล่นแปดรอบ ผู้ซักถามคุยกับคู่สนทนาสองรายพร้อมกันบนหน้าจอแบ่งครึ่ง แต่ละเกมจำกัดเวลาห้านาที และหลังตัดข้อมูลที่ไม่เข้าเกณฑ์ออกแล้ว ทีมวิจัยวิเคราะห์ 1,023 เกม ความยาวมัธยฐานอยู่ที่แปดข้อความในเวลา 4.2 นาที ทีมวิจัยระบุว่าผลนี้เป็นหลักฐานเชิงประจักษ์ชิ้นแรกที่ระบบซึ่งมนุษย์สร้างขึ้นผ่าน Turing test แบบสามฝ่ายมาตรฐาน ข้อควรระวังคือเปเปอร์ฉบับเดียวกันเขียนไว้เองว่า GPT-4.5 และ LLaMa ผ่านการทดสอบได้เฉพาะเมื่อใช้คำสั่งให้สวมบุคลิกเท่านั้น และสรุปว่าโดยพื้นฐานแล้ว Turing test เป็นการทดสอบความเหมือนมนุษย์ ไม่ใช่การทดสอบความฉลาดโดยตรง ฉบับที่ตีพิมพ์ยังเพิ่มการทดสอบซ้ำที่ยืดเวลาเป็นสิบห้านาที กับผู้เข้าร่วมจาก Prolific อีก 205 คน รวม 396 เกม ผลคือ GPT-5 ที่ใส่คำสั่งสวมบุคลิกถูกตัดสินว่าเป็นคนราว 59 เปอร์เซ็นต์ และ LLaMa-3.1 ได้ราว 56 เปอร์เซ็นต์ ส่วนตัวเลขของรอบห้านาทียังเท่าเดิมกับฉบับ preprint สิ่งที่คนทำงานหยิบไปใช้ได้จริงจึงมีสองข้อ ข้อแรกคือเลิกใช้ความรู้สึกว่าคุยแล้วเหมือนคนเป็นเครื่องวัดว่าระบบเชื่อถือได้ เพราะระบบที่คุยลื่นยังตอบผิดแบบ hallucination ได้ตามปกติ และความรู้สึกว่าอีกฝั่งเป็นคนยิ่งทำให้เกิด automation-bias คือเชื่อคำตอบโดยไม่ตรวจ การตัดสินว่าระบบใช้กับงานของเราได้ไหมจึงต้องกลับไปที่ evals ที่ผูกกับงานจริงของหน่วยงาน ข้อสองคือความสามารถทำให้คนแยกไม่ออกเป็นความเสี่ยงในตัวมันเอง เพราะเป็นวัตถุดิบของการหลอกลวงทางแชต ทางโทรศัพท์ และงาน deepfake องค์กรที่เปิดให้ระบบคุยกับลูกค้าจึงควรบอกให้ชัดว่าปลายทางเป็นระบบอัตโนมัติ แทนที่จะปล่อยให้ลูกค้าเดาเอง

ตัวอย่างจากบทสนทนาจริง

หัวหน้าฝ่ายการตลาด: เมื่อเช้าเห็นข่าวแชร์กันเต็มไปหมดว่า AI ผ่าน Turing test แล้ว แปลว่ามันคิดเองได้เท่าคนแล้วใช่ไหมคะ พอดีกำลังจะเขียนสรุปสถานการณ์เทคโนโลยีส่งผู้บริหารสัปดาห์นี้

หัวหน้าฝ่ายเทคโนโลยี: เขียนได้ครับ แต่ขอใส่เงื่อนไขให้ครบด้วย งานวิจัยที่ข่าวอ้างถึงคือการให้คนหนึ่งคนคุยพร้อมกันกับคนอีกคนและกับโมเดลหนึ่งตัว ครั้งละห้านาที แล้วทายว่าฝั่งไหนเป็นคน โมเดลที่ทำได้ดีที่สุดถูกทายว่าเป็นคน 73 เปอร์เซ็นต์ และทำได้ต่อเมื่อสั่งให้มันสวมบุคลิกแบบมนุษย์เท่านั้น สิ่งที่การทดลองนี้วัดคือคุยแล้วเนียนแค่ไหน ไม่ได้วัดว่ามันตอบเรื่องงานของเราถูกหรือเปล่า

หัวหน้าฝ่ายการตลาด: งั้นย่อหน้าที่ร่างไว้ต้องรื้อใหม่ทั้งหมดเลยค่ะ จากเดิมที่จะบอกว่าเทคโนโลยีฉลาดเท่าคนแล้ว เปลี่ยนเป็นบอกว่ามันคุยเนียนจนคนแยกไม่ออกภายในห้านาที แล้วต่อด้วยว่าเราจะวัดของเราเองยังไงก่อนเอาไปให้ลูกค้าคุย

ระวังสับสนกับ

• agi : การผ่าน Turing test เป็นผลของการทดสอบพฤติกรรมในการสนทนา ไม่ได้แปลว่าระบบนั้นเป็น AGI หรือมีความคิดความรู้สึก สารานุกรมปรัชญาของ Stanford ระบุว่ามีข้อโต้แย้งที่รู้จักกันดีต่อข้ออ้างที่ว่าการผ่าน Turing test หรือการทดสอบเชิงพฤติกรรมล้วนแบบอื่นใด ให้เงื่อนไขที่เพียงพอทางตรรกะสำหรับการบอกว่าสิ่งนั้นมีปัญญา และยกตัวอย่าง Blockhead ของ Ned Block ซึ่งเป็นสิ่งที่หน้าตาเหมือนคนแต่ถูกควบคุมด้วยตารางค้นหาที่เตรียมคำตอบไว้ล่วงหน้าสำหรับทุกอินพุตที่แยกแยะได้ในทุกช่วงชีวิตของมัน หน้าเดียวกันยกมุมมองของ Floridi และ Chiriatti (2020) มาเป็นตัวอย่างว่า Turing test ให้เงื่อนไขที่จำเป็นแต่ไม่เพียงพอสำหรับปัญญา คือการไม่ผ่านตัดสิทธิ์ AI จากการเป็นสิ่งที่มีปัญญา ส่วนการผ่านก็ยังไม่พอจะรับรองว่ามีปัญญา ข้อควรระวังคือสารานุกรมไม่ได้รับรองมุมมองนี้ทั้งดุ้น เพราะเขียนต่อทันทีว่าคำอธิบาย Turing test ที่ทั้งสองคนใช้ต้องต่างไปจากคำอธิบายที่หน้านี้นำเสนอไว้อยู่มาก ข้อที่ปลอดภัยกว่าจึงเป็นด้านเดียว คือการผ่านการทดสอบไม่พอจะสรุปว่าระบบนั้นมีปัญญา
• benchmark : benchmark สมัยใหม่วัดความสามารถเฉพาะทางที่ตรวจได้ว่าคำตอบถูกหรือผิด เช่น โจทย์คณิตศาสตร์หรือการเขียนโค้ด แล้วรายงานออกมาเป็นคะแนนที่เอาไปเทียบกันระหว่างโมเดลได้ ส่วน Turing test ไม่มีเฉลยให้ตรวจ เพราะสิ่งที่ชี้ขาดคือคนซักถามทายผิดหรือทายถูก ความต่างนี้สะท้อนอยู่ในเปเปอร์ของ Jones และ Bergen ที่รายงานว่ามีผู้เข้าร่วมเพียง 12 เปอร์เซ็นต์เท่านั้นที่ซักคู่สนทนาด้วยคำถามเชิงความรู้และการให้เหตุผลแบบที่ Turing คิดไว้ เช่น เรื่องหมากรุกหรือคณิตศาสตร์ ส่วนใหญ่หันไปโฟกัสด้านสังคม อารมณ์ และวัฒนธรรมของความฉลาดมากกว่า เช่น ดูว่าคู่สนทนาใช้ภาษาเหมือนคนไหมหรือมีบุคลิกที่น่าเชื่อหรือเปล่า
• ai-content-detection : สองเรื่องนี้เป็นโจทย์กลับด้านกัน Turing test ให้คนซักถามโต้ตอบสดเพื่อทายว่าคู่สนทนาเป็นคนหรือเครื่อง ส่วนงานตรวจจับเนื้อหาที่ AI สร้างคือการเอาข้อความหรือไฟล์ที่เสร็จแล้วมาตรวจย้อนหลัง โดยไม่มีการซักถามและไม่มีคู่เทียบที่เป็นคนให้เลือกข้าง คนที่อ่านข่าวว่าโมเดลผ่าน Turing test แล้วสรุปว่าเครื่องมือตรวจจับต้องแม่นขึ้นตามจึงกำลังพูดถึงคนละงานกัน