El Test de Turing, propuesto por Alan Turing en 1950, ha sido un estándar para evaluar la inteligencia artificial al medir la capacidad de un sistema para engañar a los humanos haciéndose pasar por uno de ellos. Históricamente, programas como ELIZA en 1966 y Eugene Goostman en 2016 han afirmado haber superado el test, provocando debates sobre su validez. Sin embargo, los avances en modelos de lenguaje de gran tamaño (LLM) como el GPT-4 han demostrado que superan estos test tradicionales.

La crítica principal hacia el Test de Turing reside en que pone énfasis en la imitación engañosa en lugar de la inteligencia significativa. A raíz de ello, varios investigadores han desarrollado nuevos criterios de evaluación que, aunque inicialmente difíciles, las IAs superan en pocos meses. A pesar de ello, el estudio liderado por universidades israelíes argumenta que el Test de Turing no debería ser descartado, sino actualizado teniendo en cuenta los avances contemporáneos.

Se propone una versión modernizada del Test de Turing que permita interacciones prolongadas y en entornos más ricos y estructurados, donde tanto humanos como IAs interactúen en situaciones reales, como realizar compras en línea o crear sitios web. Estas adaptaciones permitirían a los participantes humanos plantear desafíos más significativos y obligarían a los sistemas de IA a demostrar habilidades más allá de la simple imitación.

A través de la experimentación sistemática, estos estudios demuestran que, si bien un modelo de lenguaje estándar puede pasar ciertas versiones del Test de Turing, falla ante una versión más robusta. Al modificar la estructura del test, los participantes son capaces de distinguir con mayor eficacia entre interacciones humanas y de IA. Este enfoque ofrece valiosos conocimientos sobre lo que los humanos esperan de una inteligencia artificial verdaderamente sofisticada.

Al ser probado en un entorno mejorado, el LLM GPT-4 fue identificado como no humano en el 97% de las veces, mientras que con configuraciones más tradicionales solo un 62% de los humanos lograron identificar correctamente cuando interactuaban con una IA, indicando las limitaciones del diseño de estas pruebas cuando se centra solo en la imitación superficial.

Los esfuerzos para actualizar el Test de Turing incluyen experimentar con diversas modalidades y extender el tiempo de prueba, propiciando una evaluación más precisa de la inteligencia general de las IAs. Estos cambios abren nuevas discusiones sobre los desafíos en la evaluación de la inteligencia artificial, frente a la habilidad de las IAs modernas para generar respuestas humanas convincente.

En conclusión, aunque las IAs modernas pueden parecer engañosamente humanas en entornos restringidos, las evaluaciones más completas revelan sus limitaciones. Esto subraya la necesidad de pruebas desarrolladas que mantengan el ritmo con los avances tecnológicos y proporcionen una imagen clara de las capacidades reales de la IA. Así, la actualización del Test de Turing podría seguir siendo relevante como un método de evaluación de la inteligencia AI en el futuro cercano.