AI越来越像人了怎么办?——Nature最新研究:7万多次判断实验背后的信任难题

一张沙滩上的照片，一个男人背对镜头，身旁露出一个孩子的脑袋。由于拍摄角度巧妙，两个人的身体仿佛拼在了一起，看上去就像男人把自己的头摘下来，拿在手里。

让AI描述这张照片，它说得很准确：男人坐在沙滩上，面向大海，旁边有个孩子，画面营造出一种有趣的视觉效果。

换成真人，描述就不一样了：这男人的脑袋哪去了？怎么好像把自己的头拿下来了？

AI并非没有发现画面的趣味，但真人一下子抓住了让人发笑的关键。

两种描述都没错，只是关注的东西不太一样。

这个例子，来自10月26日发表在《Nature Human Behaviour》（《自然·人类行为》）上的一项研究[1]。

研究人员想回答一个看似简单的问题：

当机器越来越像人，我们还有多大把握分辨，眼前的回答究竟来自真人，还是AI？

一、7万多次判断，人类表现得怎么样？

研究人员找来了636名人类参与者、37个AI智能体或模型，又邀请1916名人类评判者，以及10种AI评判器，进行了72191次类似图灵测试的判断实验。

实验分成六类，包括图片描述、词语联想、对话，以及颜色估计、物体识别、视觉注意预测。

规则并不复杂：给你看一段回答，或者一组视觉判断结果，让你猜它来自人还是机器。

结果有些出人意料。

在三项语言任务中，人类评判者的综合识别准确率分别约为57%、53%和57%。

如果把猜硬币的50%当作参照，这些成绩确实算不上出色。

不过，实验里还有一个更有意思的结果。

在图片描述任务中，一个经过专门训练的简单机器学习分类器，综合识别准确率达到约77.5%，明显超过人类评判者的57%。

也就是说，在这个实验条件下，机器比人更擅长识别哪些话是机器写的。

当然，这不代表任何AI检测软件都比人可靠。实验中的分类器使用了特定训练数据，换一批模型、换一种文字、换一个场景，效果可能完全不同。

研究人员也发现，主动提问会改变结果。

在另一组互动实验中，人类可以自行设计问题，向真人和GPT-3.5-Turbo发问。这时，评判者在特定测试条件下实现了100%的正确识别。

为什么？

因为他们不再只是读一段现成的文字，而是有机会追问个人经历、观察回答方式，甚至利用对方的反应速度寻找线索。

但换成另一种关闭部分安全防护的Llama模型后，识别就不再完美。

这其实比“AI骗过了人类”更值得琢磨。

我们不是完全没有办法识别AI，而是过去习惯依靠的某些判断方式，越来越不可靠了。

二、AI说得像人，不代表它真的更懂人

回到开头那张沙滩照片。

论文里还有一个很重要的发现：一个AI模型在常规任务上的表现好坏，与它模仿人类的能力，并没有表现出很强的相关性。

一个模型可以把图片描述得十分准确，却不像普通人那样描述。

反过来，一个模型即使判断错了，也可能因为犯错方式像人，被评判者认为是真人。

这就产生了一个值得区分的问题：

说得像人、说得正确、真正理解问题，其实不是一回事。

日常使用AI时，这种区别并不陌生。

让它写一封道歉信，措辞可能很周到，但究竟错在哪里、怎样补救，还得由当事人自己面对。

让它写一份行业研究报告，目录齐全、观点完整、语言流畅，也可能掩盖了关键数据未经核实、行业假设不成立的问题。

有时，最令人警惕的不是AI说得不对，而是它把一个未经验证的判断，说得特别像那么回事。

这里还有一个容易被忽略的变化。

过去我们判断一个人是否专业，往往会看他的表达：语言是否流畅、逻辑是否清晰、术语是否熟练。

这些标准并没有失效，但单独依靠它们，越来越不够了。

因为让表达显得专业的成本，正在迅速下降。

三、当人人都能说得漂亮，谁来承担信任的成本？

不妨想象这样一个场景。

以前你在网上找装修公司，先看看介绍、案例照片，再和设计师聊一聊。对方讲得专业，回答又快，你可能就愿意继续谈。

现在，一家没有多少实际经验的公司，也可以借助AI写出漂亮的介绍，生成逼真的效果图，甚至全天候回答客户问题。

这当然有好处。小公司可以降低服务成本，消费者也能更快获得信息。

但问题来了：

介绍写得好，是否意味着工程做得好？

效果图漂亮，是否代表真的有过类似项目？

回答足够专业，是否意味着背后有人能承担责任？

消费者最后仍然得去核实案例、查看合同、了解施工团队，甚至找以前的客户打听。

AI降低了制造可信外观的成本，却未必同步降低验证真实能力的成本。

这不是论文直接证明的商业结论，而是它引出的一个现实问题。

从商业角度看，这种变化可能带来一次价值重新分配。

首先受到影响的是内容平台。

以前，平台需要解决的是内容够不够多、分发够不够快。现在，还要考虑信息来源、身份真实性，以及如何处理AI生成内容带来的混淆。

其次是专业服务行业。

咨询、设计、法律、教育等行业，过去有相当一部分价值体现在知识表达上。AI提高了这部分工作的效率，但客户最终购买的并不只是文字，而是解决问题的能力与履约保障。

一份漂亮的研究报告可以很快生成，可其中的数据从哪里来、判断是否站得住脚、建议能否执行，依然需要有人负责。

更深一层，个人信誉也可能发生变化。

过去，一份精美的履历、一段得体的自我介绍，能够帮助别人快速形成第一印象。

将来，这些东西依然有用，只是证明能力的分量可能下降。

真实项目经历、可以核验的成果、长期合作关系，以及遇到问题时愿不愿意负责，可能更加重要。

这里不能简单理解成“AI让信任必然变贵”。AI也能帮助识别异常、核验材料、降低审查成本。

真正的变化在于：信任不再只是表达带来的印象，而越来越需要证据和制度来支撑。

四、我们正在重新学习怎样相信别人

其实，这种变化已经进入现实规则。

我国《人工智能生成合成内容标识办法》已于2025年9月1日起施行[2]，对相关场景下AI生成的文字、图片、音频、视频等提出了显式和隐式标识要求。

显式标识，是让人能够看见的提示；隐式标识，则可以记录在文件元数据等信息中。

这意味着，判断内容来源不能总靠用户自己猜。

当然，标了“AI生成”不代表内容一定有错；没有发现AI标识，也不代表内容一定真实。

标签解决的是一部分来源识别问题，不能替代事实核验，更不能替代责任。

未来或许会形成一套新的信任方式：

先确认对方是谁，再核实他提供了什么证据，最后看有没有人对结果负责。

对于普通人，我觉得没有必要每天训练自己，去猜每篇文章、每段聊天到底是不是AI写的。

这种游戏可能永远没有终点。

更有用的办法，是改变提问方式。

看到一条重要消息，不妨先问：原始出处在哪里？

面对一个专业建议，不妨追问：依据是什么？有没有不同证据？

准备为一项服务付费，不妨确认：谁来执行？结果不好怎么办？

对于自己的工作，也可以多留下一些真正能够证明能力的东西，而不仅仅是漂亮的表达。

1950年，图灵提出那个著名的模仿游戏时，讨论的是机器能否表现得像人。

七十多年后，越来越多的机器正在接近这个目标。

但对生活在今天的我们来说，也许更重要的问题已经发生了变化。

一段话是不是人写的，当然值得知道。

但它是不是真的、有没有用、出了问题谁负责，可能更加重要。

当机器越来越擅长表现得像人，我们或许更需要学会的不是识破机器，而是重新认识什么值得相信。

资料来源 / 参考资料

[1] Zhang, M., Pavarino, E., Liu, X. et al. Turing-like tests for language and vision demonstrate a narrowing gap between humans and AI. Nature Human Behaviour，2026年10月26日。https://www.nature.com/articles/s41562-026-02590-6

[2] 国家互联网信息办公室、工业和信息化部、公安部、国家广播电视总局：《人工智能生成合成内容标识办法》，2025年3月发布，2025年9月1日起施行。https://www.cac.gov.cn/2025-03/14/c_1743654684782215.htm