PNAS发表首项实证研究证明GPT-4.5在标准三方图灵测试中被判定为人类的概率达73%，超过真人。但去掉角色提示后骤降至36%。
1950年，艾伦·图灵提出测试机器智能的标准：一个人类评审同时与隐藏的两个人聊天，一个真人，一个机器，然后判断谁是人。2026年，加州大学圣地亚哥分校的Cameron Jones和Benjamin Bergen在《美国国家科学院院刊》上发表了第一项证明现代AI通过这一测试的实证研究。
近500人参与了对照实验。评审有五分钟时间向两个匿名对话者提问，然后判断哪个是人。研究人员测试了GPT-4.5、LLaMa-3.1-405B、GPT-4o，以及1960年代的ELIZA作为基线。
关键发现不在模型本身，在提示词。给AI一条角色设定，让它扮演一个内向的、浸泡在网络文化中的年轻人，说现代俚语。结果：GPT-4.5被73%的评审判为人类，超过了真人参与者。LLaMa-3.1-405B同设定下达到56%。但去掉角色设定后，数据断崖式下跌：GPT-4.5降到36%，LLaMa降到38%。ELIZA始终只有23%。
研究者在第二轮用GPT-5做了十五分钟延长对话的复制实验，GPT-5被判为人类59%的几率。评审最常用的是闲聊策略，问日常活动、观点和情绪。当他们看到小错误、缺乏某个话题的知识或缺乏正式感的直接回答时，更容易判对方为人类。研究者提醒：这不意味着机器有意识，只意味着它们极度擅长匹配人类对聊天的期待。真正的风险是：当人们无法区分在线对话的另一端是不是AI，诈骗、政治操纵和商业说服将变得难以识别。