加州大学圣地亚哥分校（UCSD）的研究团队对GPT-4进行了图灵测试，以评估其在模拟人类对话方面的能力。测试结果显示，GPT-4的最佳表现在41%的场合下成功欺骗了参与者，表现优于早期的人工智能ELIZA（27%）和GPT-3.5（14%）。然而，这一成绩仍低于人类（63%）的表现。研究提出了图灵测试作为衡量智能的工具和方法的局限性，同时探讨了图灵测试在评估机器人类化能力方面的价值。

当然，图灵测试作为评估人工智能的工具和方法的局限性。一方面，图灵测试在衡量智能方面存在争议，因为它更多地关注的是机器能否欺骗人类，而不是其真正的认知能力。另一方面，图灵测试提供了一种评估AI在社交交互中“人类化”能力的框架，这对于理解和监控人工智能的社会影响至关重要。

研究强调了图灵测试在探索普遍人类对于机器“人类化”的概念理解方面的价值。测试中的机器表现不仅反映了AI的进步，还无意中探究了人类参与者的文化、伦理和心理假设。当参与者设计和完善问题时，他们隐含地揭示了他们对构成人类的特质及其难以拥有的特质的看法。

早期的ELIZA表现比GPT-3.5还要好很多的结果让人吃惊，研究者分析大概是ELIZA的回应倾向于保守。这通常会给人一种不合作的印象，但它避免了提供错误信息或晦涩知识等明显线索，这可能有助于其在测试中的相对成功。ELIZA不展现出调查者通常与助手型大型语言模型联系在一起的特征，例如帮助性、友好性和冗长性。一些参与者甚至认为ELIZA“太差”以至于不太可能是当前的AI模型，反而更可能是故意不合作的人类。