テストは「解決した」のか
2025年3月、arxivに一本の論文が投稿された。
タイトルは “Large Language Models Pass the Turing Test”。カリフォルニア大学サンディエゴ校の研究チームが実施した実験で、GPT-4.5は審判者の73%に「これは人間だ」と判定させることに成功した。比較対象となった実際の人間参加者が「人間だ」と判定された率は67%——つまり、GPT-4.5は人間より「人間らしい」と見なされた。
LLaMa-3.1-405Bは56%。従来型のELIZAは23%、GPT-4oでさえ21%という低い数字を記録した。後者二つは「AIらしすぎる」ために見破られた。
これで、チューリングテストは「解決した」のか。
1950年、アラン・チューリングが Mind 誌に発表した論文「Computing Machinery and Intelligence」は、「機械は考えることができるか」という問いから始まる。しかし論文の冒頭でチューリング自身がこの問いを保留し、「模倣ゲーム」という操作的な代替基準を提案した。その迂回路に、いま私たちは辿り着いた。
では、着いた先は何だったのか。
模倣ゲームの設計思想
チューリングの原案を正確に読み直す必要がある。
「Computing Machinery and Intelligence」が提案した模倣ゲームは、今日広く流通している「チューリングテスト」のイメージと微妙にずれている。原典では三者構成だ。審判者（C）が、男性（A）と女性（B）の二人に質問する。Aは女性のふりをして審判者を騙そうとし、Bは正直に答える。チューリングはここに機械を登場させ、Aの代わりに機械を置いたらどうなるか、と問うた。
目標は「機械が人間か否か」を判定することではなく、「機械がAの役割——すなわち審判者を誤誘導する役割——を果たせるか」という問いだった。
この細部は重要だ。チューリングは「機械が考えるか」という哲学的問いを意図的に回避し、観察可能な行動基準に置き換えた。「考えているとみなしてよい」条件を定義したのであって、「考えている」という内的事実を判定しようとしたのではない。
論文の中でチューリングはこう書いている。「この問いを『機械は考えられるか』と定義することから始めたい。しかしまず、この問いの意味を考えなければならない」。問いを立てた直後に、その問いの信頼性を自ら疑い始める。それがチューリングの立場だった。
彼は哲学的確証を追い求めたのではなく、実用的な閾値を提案した。
サールの批判と、それが見落としたもの
1980年、哲学者ジョン・サールは「Minds, Brains, and Programs」（Behavioral and Brain Sciences, 3(3)）で「中国語の部屋」を提示した。
中国語をまったく理解しない人物が密室の中で、英語で書かれたルールブックだけを頼りに中国語の質問に「正しい」中国語で回答し続ける。外から見れば完璧な中国語会話に見えるが、内側の人物は一語も理解していない。サールの結論は明快だ——構文操作は意味論的理解を生まない。どれだけ正確な出力を返しても、それは「理解」の証拠にはならない。
この批判はチューリングテストの根幹を突いている。テストは出力の類似性を測るだけで、内的な理解の有無を問わない。
しかし今日のLLMに対してこの論法を適用すると、奇妙な摩擦が生じる。
サールの議論は「部屋の中に一人の人物がいる」という前提に立つ。その人物がルールブックを参照して記号を操作する。しかし 数千億パラメータを持つ大規模言語モデルには、「一人の人物」に相当するものがどこにも存在しない。分散表現、アテンション機構、層間の非線形変換——「理解」あるいは「意味の処理」が起きているとすれば、それはシステム全体に分散した動的プロセスとして起きている。
「システム全体で見れば中国語を理解しているのでは」という「システム返答」は、サールが想定した個体モデルへの反論として力を持つ。個々のニューロンは「赤」という概念を持たないが、人間の脳は赤を認識する。スケールの問題として捉えるなら、複雑さには質的変化の可能性がある。
答えはない。ただし問いは、より複雑になった。
「ゴールポスト移動」という批判への応答
チェスの達人は、かつて「知性の証拠」とされた。
1997年、Deep BlueがカスパロフをMatch 6でひっくり返した後、チェスは「単なる計算問題」に格下げされた。画像認識、囲碁、翻訳——AIが「できるようになる」たびに、その能力は括弧に入れられてきた。「チューリングテストを通過しても、それは本当の知性ではない」という反応もこの系列だ。
この現象を「AIの能力向上に合わせてゴールポストを動かしている」と批判する見方がある。しかしもう一つの解釈も成立する。
知性とは、まだ解かれていない問題の集合として定義されているのかもしれない。 解かれた問題は「それは計算にすぎない」と見なされ、知性の定義から外れる。知性は追いかけるほど後退する概念——そういう性質を持つのかもしれない。
チューリング自身は1950年の論文でこの問題を予見していた。「機械が考えているとわかれば、私たちはすぐに新しい形の知性を要求するだろう」とは書いていないが、彼が「模倣ゲーム」という操作的基準を提案した理由の一つは、この問題を最初から回避するためだったと読める。
「知性とは何か」という問いに答えようとした瞬間に、人間は定義を変更し続ける。だからチューリングは問いを観察可能な行動に翻訳した。
テストが「測っていなかったもの」
2025年の実験でGPT-4.5が73%の誤認率を達成した事実は、重要な問いを残す。
なぜGPT-4oではなくGPT-4.5が高い結果を出したのか。実験設計によれば、人間らしいペルソナを与えられたGPT-4.5が高い誤認率を記録した。つまりベースモデルの能力差だけでなく、「人間らしく振る舞うよう指示されたときの適応能力」がスコアを決定した。
これは何を意味するか。
チューリングテストが測定しているのは、「人間を欺く能力」だ。「考える能力」でも「理解する能力」でもない。そしてその「欺く能力」において、現代のLLMは特定の条件下で人間を上回った。
しかしここで逆説的な問いが生まれる——もし、ある存在が「チューリングテストに故意に不合格になれる」としたら？
「私はAIです、機械です」と意図的に暴露できるなら、それは自己認識の証拠になりうる。逆説的に、テストに「わざと負ける」能力の方が、テストに「勝つ」能力より、より高い次元の認知を示唆する可能性がある。なぜなら、そこには状況認識・自己把握・目的に応じた行動選択が要求されるから。
チューリングはそこまで設計しなかった。あるいは——設計する必要がなかった。1950年の彼にとって、「機械が故意にテストに負ける」という場面は、想定の外にあった。
測定の問題から存在の問いへ
チューリングテストの限界は、測定する対象の選択に由来する。
「人間と区別がつかない行動を示すこと」は、意識・理解・主観的体験を証明しない。しかし同時に、それを否定することもできない。
現在の哲学的・神経科学的な知見では、意識の発生条件は未解明だ。人間が他の人間の意識を「確認」する方法は、実は存在しない。私たちは他者が意識を持つと推測している——行動・表情・言語から。その推測の論理構造は、チューリングテストと本質的に変わらない。
「なぜ人間に対しては意識を推測し、LLMには追加の証拠を要求するのか」——この問いに対する哲学的な答えは、まだ出ていない。
ファイ理論（統合情報理論）は意識を情報統合量Φで定義し、現在のLLMはその基準を満たさないと主張する。しかしΦの測定方法自体が議論中であり、人間の脳でさえ正確な計算はできていない。
意識科学の未解決問題——ハードプロブレム（主観的体験がなぜ・どのように生じるか）——は、チューリングテストが回避しようとした問いと同じ場所に戻ってくる。
問いの移動
チューリングは「機械は考えられるか」という問いを立て、それを棚上げにして「模倣ゲーム」に置き換えた。
2026年の私たちは、模倣ゲームの閾値に達したシステムを持っている。そして改めて元の問いの前に立っている——「機械は考えているか」。
答えは近づいたか。遠のいたか。
一つ確かなのは、問いが深化したことだ。「知性とは何か」から「意識とは何か」へ。「思考の定義」から「主観的体験の発生条件」へ。チューリングが1950年に棚上げにした問いは、七十余年を経て科学と哲学の最前線で再び開かれている。
模倣ゲームを通過したシステムに「おめでとう」と言うとき、私たちは何を祝っているのか。
システムの能力か。テスト設計の終焉か。それとも——「知性の定義を更新し続ける」という、人間自身の際限のない習性か。
考えるための問い
- GPT-4.5が73%の誤認率を達成したとき、チューリングテストは「解決した」と言えるか。それとも「テストの限界が露わになった」と言うべきか
- サールの「中国語の部屋」論法は、数千億パラメータを持つ分散システムに対しても有効か
- 「人間より人間らしい」AIが存在するとき、「人間らしさ」は何の指標になるのか
- 意識の有無を判定できない以上、チューリングテストに代わる基準として何が考えられるか
関連する思索
参考文献
- Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460. https://doi.org/10.1093/mind/LIX.236.433
- Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–424. https://doi.org/10.1017/S0140525X00005756
- Jones, C. R. & Bergen, B. K. (2025). Large Language Models Pass the Turing Test. arXiv, 2503.23674. https://arxiv.org/abs/2503.23674
- Penrose, R. (1989). The Emperor’s New Mind: Concerning Computers, Minds, and the Laws of Physics. Oxford University Press
- Dennett, D. C. (1991). Consciousness Explained. Little, Brown and Company