Der Turing-Test (auch Imitation Game) ist ein 1950 vom britischen Mathematiker, Logiker und Informatik-Pionier Alan Turing in dem Aufsatz Computing Machinery and Intelligence (Mind 59 [236], S. 433–460) vorgeschlagenes Verfahren zur Operationalisierung der Frage, ob eine Maschine denken kann.
Turing reformulierte diese semantisch belastete Frage in ein empirisch handhabbares Verhaltenskriterium. Wenn ein menschlicher Fragesteller in einer textuell vermittelten Konversation eine Maschine nicht zuverlässig von einem Menschen unterscheiden kann, sei der Frage nach maschinellem Denken die für sie erforderliche praktische Grundlage entzogen.
Zusammenfassung
Turing eröffnet seinen Aufsatz mit der Frage „Können Maschinen denken?” und bemerkt, dass die Begriffe Maschine und denken zu vage sind, um eine sinnvolle Diskussion zu erlauben. Er ersetzt die Frage daher durch das Imitation Game: Ein menschlicher Fragesteller kommuniziert über Tastatur und Bildschirm mit zwei unsichtbaren Teilnehmern – einem Menschen und einer Maschine.
Aufgabe des Fragestellers ist es, herauszufinden, welcher der beiden die Maschine ist.
Wenn die Maschine den Fragesteller so zuverlässig täuschen kann wie ein Mensch in einer parallelen Konstellation, sei die ursprüngliche Frage praktisch beantwortet. Turing prognostizierte, dass um das Jahr 2000 Maschinen mit etwa 10⁹ Bit Speicher den Test über eine fünfminütige Konversation in dreißig Prozent der Fälle bestehen würden.
Der Test hat eine eigenständige Wirkungsgeschichte in Philosophie, Informatik und Populärkultur entwickelt und ist seit dem Aufkommen großer Sprachmodelle ab 2020 zum Gegenstand erneuter Diskussion geworden.
Inhalt des Tests
Turing beschreibt drei verschiedene Versionen des Tests, die in der populären Wiedergabe oft vermischt werden:
In der ursprünglichen Variante ist das Imitation Game ein dreigeteiltes Spiel mit Mann, Frau und Fragesteller: Der Fragesteller versucht zu unterscheiden, welcher Teilnehmer Mann und welcher Frau ist; die Frau versucht zu helfen, der Mann versucht zu täuschen.
In Turings zweiter Variante wird der Mann durch eine Maschine ersetzt. In der dritten, heute geläufigen Variante ist die Geschlechterunterscheidung weggefallen, und der Fragesteller versucht direkt, Mensch und Maschine zu unterscheiden.
Turing spezifiziert das Setting bewusst textuell: Eingabe und Ausgabe erfolgen über Fernschreiber oder eine vergleichbare Tastatur-Bildschirm-Kommunikation, damit weder Stimme noch Aussehen einer der beiden Parteien Auskunft geben.
Theoretische Einbettung
Turing zielt mit dem Test auf eine verhaltensoperationale Reformulierung der Geistesfrage: Er bestreitet nicht, dass Bewusstsein, Verstehen oder Intentionalität wichtige philosophische Fragen sind, hält sie aber für das praktische Programm einer Wissenschaft des maschinellen Denkens für ungeeignet. Seine Strategie steht damit in einer behavioristisch geprägten Tradition, ohne in einen vollen Behaviorismus zu münden.
Der Aufsatz von 1950 diskutiert zugleich neun klassische Einwände gegen die Möglichkeit maschinellen Denkens – vom theologischen Einwand (nur Gott kann Geist verleihen) über den mathematischen Einwand (Gödelsche Beschränkungen) bis zum Einwand aus extra-sensorischer Wahrnehmung. Diese Einwandserie ist eine der frühesten systematischen Bestandsaufnahmen der KI-Philosophie.
Bedeutung im AI-Diskurs
Der Turing-Test war über Jahrzehnte das de facto-Kriterium maschineller Intelligenz im populären Diskurs. Wettbewerbe wie der Loebner Prize (1991–2019) versuchten, Programme nach dem Test zu evaluieren; die Ergebnisse waren bis Mitte der 2010er Jahre überwiegend wenig überzeugend.
Mit dem Aufkommen großer Sprachmodelle ab 2020 hat sich die Lage substantiell verändert, und es kam zu mehreren empirisch geprüften Behauptungen, ein System habe den Test bestanden.
Cameron R. Jones und Benjamin K. Bergen (UC San Diego) zeigten in einer ersten Studie (2024, publiziert auf der ACM Conference on Fairness, Accountability, and Transparency 2025), dass menschliche Fragesteller GPT-4 in einem klassischen zweiseitigen Turing-Test nicht zuverlässig von einem Menschen unterscheiden konnten.
In einer strengeren Folgestudie mit dem ursprünglichen dreiseitigen Testaufbau (2025 als Preprint, im Juni 2026 in den Proceedings of the National Academy of Sciences publiziert) ließen dieselben Autoren GPT-4.5 unter einer explizit „menschenähnlichen” Persona-Instruktion gegen menschliche Gesprächspartner antreten.
In fünfminütigen Textgesprächen wurde GPT-4.5 in 73 Prozent der Fälle als der menschliche Gesprächspartner eingestuft (Jones/Bergen 2026) – häufiger als die tatsächlichen menschlichen Teilnehmer selbst.
Llama-3.1-405B erreichte unter denselben Bedingungen 56 Prozent, während GPT-4o ohne Persona-Instruktion mit 21 Prozent unterhalb der Zufallsgrenze blieb (Jones/Bergen 2026).
Die Autoren werten dies als „erste empirische Evidenz, dass ein künstliches System einen Standard-Dreier-Turing-Test besteht”, betonen zugleich aber, dass das Ergebnis nur die konversationelle Ununterscheidbarkeit in kurzen, kontrollierten Gesprächen misst und keine Aussage über Schlussfolgerungsfähigkeit oder Verstehen erlaubt.
Die Kapor-Kurzweil-Wette von 2002 – Kurzweils Voraussage, dass bis 2029 ein Computer den Turing-Test bestehen werde – ist damit Gegenstand einer aktiven Bewertungsdiskussion, zumal Kritiker wie Gary Marcus einwenden, dass ein enger operationalisierter Testsieg die grundsätzlichen Fragen des Tests nicht beantwortet.
Im LLM-Diskurs wird der Test allerdings zunehmend als unzureichendes Kriterium maschineller Intelligenz betrachtet. Stuart Russell hat ihn als „nicht der wichtigste Test” bezeichnet; Emily M. Bender und andere argumentieren, das Bestehen des Tests durch LLMs zeige eher die Imitierbarkeit menschlicher Konversationsstruktur als ein substantielles Verstehen.
Kritik
Die wichtigsten Kritiklinien zum Turing-Test sind:
Aus Searles Chinese Room Argument (1980) folgt, dass Verhaltensimitation nicht hinreicht, um Verstehen oder Intentionalität zu konstituieren – der Test bleibt auf einer rein behavioralen Ebene und kann die fundamentale Frage nicht entscheiden.
Stevan Harnad hat in einer Reihe von Aufsätzen den Total Turing Test vorgeschlagen, der nicht nur sprachliche, sondern auch robotisch-sensorimotorische Kapazitäten prüft. Ohne Verankerung in nicht-sprachlichem Welt-Bezug bleibe der klassische Turing-Test prinzipiell unzureichend.
Aus heutiger LLM-Perspektive wird argumentiert, dass das Bestehen des Tests durch Skalierung statistischer Mustererkennung gerade die Schwäche des Tests demonstriert. Wenn ein System, dessen interne Architektur eindeutig kein Verstehen im starken Sinne implementiert, den Test passieren kann, ist der Test als Verstehens-Kriterium ungeeignet.
Hector Levesque und andere haben mit dem Winograd Schema Challenge (2012) ein präziseres Verfahren vorgeschlagen, das auf Referenz-Auflösung in semantisch reichen Sätzen abzielt. Inzwischen ist auch der ARC-Test (François Chollet 2019) als Alternative etabliert.
Verwandte Begriffe
- John R. Searle – wichtiger Kritiker
- Total Turing Test – Harnads erweiterte Variante
- Symbol Grounding Problem – kritische Reformulierung (Harnad)
Quellenangaben
- Copeland, B. Jack (Hrsg.) (2004): The Essential Turing: Seminal Writings in Computing, Logic, Philosophy, Artificial Intelligence, and Artificial Life.
- French, Robert M. (2000): The Turing Test: The First 50 Years. In: Trends in Cognitive Sciences 4 (3), S. 115–122. DOI: 10.1016/S1364-6613(00)01453-4.
- Harnad, Stevan, 1991. Other Bodies, Other Minds: A Machine Incarnation of an Old Philosophical Problem. In: Minds and Machines 1 (1), S. 43–54.
- Hodges, Andrew (1983): Alan Turing: The Enigma.
- Jones, Cameron R. / Bergen, Benjamin K. (2025): People Cannot Distinguish GPT-4 from a Human in a Turing Test. In: Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency (FAccT 2025), S. 3383–3403. DOI: 10.1145/3715275.3732108.
- Jones, Cameron R. / Bergen, Benjamin K. (2026): Large Language Models Pass a Standard Three-Party Turing Test. In: Proceedings of the National Academy of Sciences 123 (24), Juni 2026. DOI: 10.1073/pnas.2524472123. arXiv: 2503.23674.
- Levesque, Hector J. / Davis, Ernest / Morgenstern, Leora (2012): The Winograd Schema Challenge. In: Proceedings of the Thirteenth International Conference on Principles of Knowledge Representation and Reasoning (KR-2012).
- Russell, Stuart, 2019. Human Compatible: Artificial Intelligence and the Problem of Control. New York: Viking Press.
- Saygin, Ayse P. / Cicekli, Ilyas / Akman, Varol (2000): Turing Test: 50 Years Later. In: Minds and Machines 10 (4), S. 463–518. DOI: 10.1023/A:1011288000451.
- Searle, John R., 1980. Minds, Brains, and Programs. In: Behavioral and Brain Sciences 3 (3), S. 417–457. DOI: 10.1017/S0140525X00005756.
- Turing, Alan M., 1950. Computing Machinery and Intelligence. In: Mind LIX (236), S. 433–460. DOI: 10.1093/mind/LIX.236.433.