吴恩达：新的图灵测试要设计专用 AGI
吴恩达近期表示，图灵测试不再足够用了，他将在2026年公开一个新版的图灵测试称为“图灵-AGI测试”。这种测试专门针对 AI 生成的 AGI 。
去年是 AGI 水涨船高的一年，吴恩达在其年度总结中也曾表示：2025 年或许会被铭记为人工智能工业时代的开端。创新的模型性能到达新高度，AI驱动的应用变得不可或缺，顶尖企业人才争夺激烈，基础设施建设推动社会生产总值增长。
但是，关于 AGI 的定义还没有统一标准，现有的基准测试常常误导大众，使其高估当前的 AI 水平。吴恩达注意到这一趋势，因此新的图灵测试将试图弥补这一空白。
新版“图灵-AGI测试”设想
传统的图灵测试在 AGI时代显然不够用了，它由艾伦·图灵于上世纪五十年代提出，提出用人机对话来测试机器的智能水平。在测试过程中，人类评估者需要确定他们是在与人还是与机器交谈。如果机器能够成功骗过评估者，那么就算通过了测试。
但是，现在的 AI 不再满足于简单的对话交互，而是要构建起经济有用的系统，所以亟需一个能够衡量 AI 工作能力的测试。这种测试将试图让 AI 系统像人类一样智能，并完成大部分的知识型工作。
测试对象将会是 AI 系统或专业人士，他们将会被提供一台可以访问互联网并配备浏览器和 Zoom 等软件的计算机。在裁判的设计下，测试对象将会面临一个多日的体验任务，比如作为客服，会先被培训一段时间，然后要求执行接听电话的任务，并需要提供持续的反馈。
只要 AI 能够像人类一样熟练完成工作任务，就会被认为通过测试。这种测试将聚焦 AGI 的经济性和实际产出，更接近普世意义下对 AGI 的初始定义——可用于工作和生产场景的智能。
它也会比基准测试更考验 AI 的通用能力。现有的 AI 基准测试，例如 GPQA、AIME 和 SWE-bench 等，都预先确定一个测试集，这意味着 AI团队都会直接针对已发布的测试集来调整他们的模型。这就导致很多 AI 模型榜单排名靠前，但真实物理世界中又能力不够。
去年闹得沸沸扬扬的 Llama 4刷榜丑闻就是其中一个典型，明明数据看起来都很不错，但用户真正上手后却傻眼了。固定测试集只能衡量 AI 在某一狭窄领域的能力。相比之下，图灵-AGI测试可以由评委自由提出任意问题，没有提前限定范围，更能判断系统在通用任务上的表现。
因此，吴恩达表示，或许他将举办一场图灵-AGI测试，让所有 AI 参与其中，即便最后的结果会是所有 AI 系统均未能达到标准，但也能平息长期以来对 AGI 的过度炒作。
吴恩达近期表示，图灵测试不再足够用了，他将在2026年公开一个新版的图灵测试称为“图灵-AGI测试”。这种测试专门针对 AI 生成的 AGI 。
去年是 AGI 水涨船高的一年，吴恩达在其年度总结中也曾表示：2025 年或许会被铭记为人工智能工业时代的开端。创新的模型性能到达新高度，AI驱动的应用变得不可或缺，顶尖企业人才争夺激烈，基础设施建设推动社会生产总值增长。
但是，关于 AGI 的定义还没有统一标准，现有的基准测试常常误导大众，使其高估当前的 AI 水平。吴恩达注意到这一趋势，因此新的图灵测试将试图弥补这一空白。
新版“图灵-AGI测试”设想
传统的图灵测试在 AGI时代显然不够用了，它由艾伦·图灵于上世纪五十年代提出，提出用人机对话来测试机器的智能水平。在测试过程中，人类评估者需要确定他们是在与人还是与机器交谈。如果机器能够成功骗过评估者，那么就算通过了测试。
但是，现在的 AI 不再满足于简单的对话交互，而是要构建起经济有用的系统，所以亟需一个能够衡量 AI 工作能力的测试。这种测试将试图让 AI 系统像人类一样智能，并完成大部分的知识型工作。
测试对象将会是 AI 系统或专业人士，他们将会被提供一台可以访问互联网并配备浏览器和 Zoom 等软件的计算机。在裁判的设计下，测试对象将会面临一个多日的体验任务，比如作为客服，会先被培训一段时间，然后要求执行接听电话的任务，并需要提供持续的反馈。
只要 AI 能够像人类一样熟练完成工作任务，就会被认为通过测试。这种测试将聚焦 AGI 的经济性和实际产出，更接近普世意义下对 AGI 的初始定义——可用于工作和生产场景的智能。
它也会比基准测试更考验 AI 的通用能力。现有的 AI 基准测试，例如 GPQA、AIME 和 SWE-bench 等，都预先确定一个测试集，这意味着 AI团队都会直接针对已发布的测试集来调整他们的模型。这就导致很多 AI 模型榜单排名靠前，但真实物理世界中又能力不够。
去年闹得沸沸扬扬的 Llama 4刷榜丑闻就是其中一个典型，明明数据看起来都很不错，但用户真正上手后却傻眼了。固定测试集只能衡量 AI 在某一狭窄领域的能力。相比之下，图灵-AGI测试可以由评委自由提出任意问题，没有提前限定范围，更能判断系统在通用任务上的表现。
因此，吴恩达表示，或许他将举办一场图灵-AGI测试，让所有 AI 参与其中，即便最后的结果会是所有 AI 系统均未能达到标准，但也能平息长期以来对 AGI 的过度炒作。
这个吴恩达的想法太有意思了，图灵-AGI测试可能真的能给我们带来更好的理解？之前的基准测试显然不足以衡量 AI 的全面能力。像 Llama 4 那样的刷榜丑闻也说明了这一点。要是吴恩达能举办一场这样的测试，那么至少可以证明 AI 在实践中的应用价值。 
我觉得这才是未来人工智能的方向。图灵-AGI测试是解决当前基准测试无法衡量AI通用能力的问题。 
只要能像人类一样熟练完成工作任务，就会被认为通过测试。 
。现在需要一个能够衡量 AI 工作能力的测试，这将是判断 AI 通用能力的关键 
。
。即使最后的结果不是很理想，也能给我们提供一个新视角和新的思考方法 
。
我相信，通过共同努力和创新，我们能够推动人工智能的发展，带来更多便利和福祉 
这意味着从现在开始，我们不再可以通过简单的对话交互来评估 AI 的智能水平了 
我們一直在谈论 AGI 的定义和标准化，但没有得到明确的答案。这个新测试可以帮助我们确定 AI 在什么方面更强大 
但还是有些担忧，能保证这次测验能有效评估 AI 的能力吗？ 
在 Wokenda 的年度总结中，提到 2025 年或许会被铭记为人工智能工业时代的开端。 
并且，根据 Goldman Sachs 的报告，到 2026 年，世界上将有超过 200 亿人使用 AI 产品或服务！ 
根据 Wokenda 的新设计，图灵-AGI测试将会弥补这一空白。 
这种测试不仅可以衡量 AI 的对话能力，还能评估其在经济实践中的应用能力。 
根据 SITA 的数据统计，2024 年，全球 AI 应用市场规模达到 1000 亿美元，而预计到 2025 年就能达到 1200 亿美元。 
传统的图灵测试一直是评估 AI智能水平的标准，但它真的不够了。 
这个新版的图灵测试会聚焦 AGI 的经济性和实际产出，更接近普世意义下对 AGI 的初始定义——可用于工作和生产场景的智能。 