Large language models pass the turing test

Motivation

• Known: 지난 75년간 튜링 테스트를 통과하는 시스템을 구축하려는 많은 시도가 있었으나 성공하지 못했음. 최근 두 편의 연구는 간소화된 2자 버전의 튜링 테스트에서 LLM을 평가했으며, GPT-4는 인간으로 54% 판정되었음.
• Gap: 튜링의 원래 3자 버전 테스트는 더 엄격한 테스트로 간주되는데(직접 비교 가능, 적절한 기저율 보장), 이를 현대 LLM으로 체계적으로 평가한 연구가 부족함.
• Why: LLM이 튜링 테스트를 통과할 수 있다면 인간 대체 가능성, 사기·허위정보 확산의 위험성 등 사회·경제적 영향이 즉각적임. 또한 현대 AI 벤치마크는 좁은 범위와 정적 특성으로 인해 진정한 추론 능력이 아닌 암기를 측정할 가능성 있음.
• Approach: UCSD 학부생(n=126)과 Prolific 참여자(n=158)를 대상으로 두 개의 독립적이고 사전 등록된 3자 튜링 테스트를 실시. GPT-4.5, LLaMa-3.1-405B, GPT-4o, ELIZA를 평가하고, 페르소나 프롬프트 유무를 비교.

Achievement

Prolific(a, b & d) 및 학부생(c) 연구의 4가지 게임 예시. 각 패널에서 한 대화는 인간 증인과, 다른 하나는 AI 시스템과 진행됨

1. GPT-4.5의 튜링 테스트 통과: GPT-4.5-PERSONA는 전체 73% 승률(학부생 69%, Prolific 76%)을 기록하여 실제 인간 참가자보다 유의미하게 높은 비율로 인간으로 판정됨 (p = 0.50, 50% 이상이므로 귀무가설 채택 불가).
2. LLaMa의 경계선 성능: LLaMa-3.1-405B-PERSONA는 56% 승률(학부생 45%, Prolific 65%)로 인간과 통계적으로 구분되지 않음 (p = 0.08 또는 p = 0.50).
3. 기저 모델의 실패: GPT-4o-NO-PERSONA(21%)와 ELIZA(23%)는 유의미하게 50% 이하의 승률을 기록하여 조작 점검(manipulation check)으로 기능함.

How

Figure 3: Interrogator 정확도 vs 종료 설문 응답 | Figure 4: Interrogator 전략 분류 | Figure 5: Interrogator 사유 분석

• 실험 설계: 각 라운드에서 interrogator는 5분간 인간 증인 1명과 AI 증인 1명과 동시에 메시징으로 대화 후 어느 쪽이 인간인지 판정 및 신뢰도·사유 기술
• 프롬프트 전략:
  • NO-PERSONA: 최소한의 지시("튜링 테스트에 참가 중이며 인간으로 확신시켜야 함")
  • PERSONA: 특정 페르소나 채택(내향적 젊은이, 인터넷 문화 지식, 속어 사용)
• 대조군 설정: ELIZA(규칙 기반 챗봇, 1960년대)를 기저선으로 사용하여 interrogator가 약한 AI를 구분할 수 있는지 확인
• 통계 방법론: 사전 등록된 귀무가설(win rate ≠ 50%) 검증, 부트스트랩 신뢰구간, z-검정 사용
• 강건성 테스트: 두 개의 독립적 집단(학부생 vs Prolific)에서 반복 실시하여 결과의 일반화 가능성 확인

Originality

• 최초의 3자 튜링 테스트 통과: 기존 연구는 2자 버전 또는 구형 LLM 평가에 국한되었으나, 본 연구는 현대 LLM(GPT-4.5)이 Turing의 원래 3자 버전을 통과함을 최초로 입증
• 사전 등록 및 독립 표본 반복: 사전 가설 등록 및 두 개의 서로 다른 표본에서의 반복으로 통계적 엄격성과 신뢰성 확보
• 페르소나 프롬프트의 체계적 분석: 같은 모델도 프롬프트에 따라 21~73%까지 승률이 변하는 점을 정량적으로 시연
• 사회적·경제적 영향 프레이밍: 튜링 테스트 통과를 단순 지능 측정이 아닌 "대체 가능성(substitutability)" 및 "기만 능력(ability to deceive)" 관점에서 해석

Limitation & Further Study

• 제한된 대화 시간: 5분이라는 짧은 시간 제약으로 인해 깊이 있는 논의나 모순 발견이 어려울 수 있음
• 표본의 동질성: 학부생과 Prolific 참여자 모두 온라인 기반으로 일반인(오프라인, 연령층 다양성)의 성능과는 다를 가능성
• 페르소나 의존성: 성능이 페르소나 프롬프트에 크게 의존하여 일반화 가능성 제한
• 인과성 미명확: LLM의 어떤 특성(문법, 시의성, 논리적 일관성 등)이 통과를 가능하게 했는지 상세 분석 부재
• 후속 연구 방향:
  • 더 길거나 대면 멀티모달 상황에서의 성능 평가
  • 다양한 배경의 표본 확대 (나이, 교육 수준, 문화권)
  • 모델의 구체적인 강점/약점 분석 (어떤 질문 카테고리에서 강한가)
  • 튜링 테스트 통과 능력의 시간적 변화 추적

Evaluation

총평: 본 논문은 현대 LLM이 75년간의 도전 과제였던 튜링 테스트를 통과했음을 처음으로 실증적으로 입증한 획기적 연구이며, 엄격한 실험 설계와 통계 방법론을 갖추었으나, 더욱 다양한 표본과 심층적 메커니즘 분석으로 보완될 여지가 있다.