巴洛克音乐盲测：专业音乐人仅63.8%能区分AI与人类作曲，感知偏差比实际质量差距大五倍

2026年10月，Substack作者Auggie在LessWrong发布了一项巴洛克音乐盲测的结果分析。他选取了8首真实巴洛克作品和8首由Claude Opus 5.5与GPT-6 Astra生成的同风格曲目，以LilyPond符号化渲染的形式呈现给118名完整作答的听者，要求他们逐首判断是人类还是AI所作。

整体准确率55.7%，仅比随机猜测的50%高出不到六个百分点。专业音乐人表现稍好，达到63.8%，但仍有超过三分之一的判断出错。没有音乐训练的听者得分48.4%，低于随机水平。一个反直觉的发现是：听古典音乐越频繁的人准确率反而不一定越高——每周听者（61.2%）优于每天听者（57.2%），作者自己也未能解释这一差异。

最引人注目的单项结果：Claude Opus 5.5的A小调赋格与巴赫C大调三声部奏鸣曲并列获得最多'人类'票，均为85票（72%）。而真实作曲家布克斯特胡德的众赞歌前奏曲却被66.9%的听者判为AI，其中专业音乐人的误判率高达64%。作者推测原因可能是该曲结尾的空五度和空四度音程在现代听者耳中显得'太陌生'，反而被当成了AI的破绽。

然而，这项实验最有迁移价值的发现不在区分能力本身，而在感知偏差对审美评价的扭曲。听者对自己'认为是人类所作'的曲目平均给出3.50分的喜爱度评分，对'认为是AI'的曲目仅给2.48分，差距1.02分。但实际人类曲目与AI曲目的喜爱度均值差距仅0.18分（3.07对2.89）。换言之，'这是不是AI做的'这一信念对喜爱度的影响，是实际质量差异的约五倍。作者由此指出：'我喜欢它吗？'并不是判断作品来源的好问题。

作者将结论表述为：在AI模型最擅长的体裁中，它们已经几乎无法与平均人类作曲家区分。他称之为'音乐图灵测试'的通过。作为自我标注的'人类队终身成员'，他承认人类这次输得难看。

需要保留的边界：这是一项自行组织、未经同行评审的实验，样本118人，部分子群体样本极小（如'从不听古典音乐'仅3人）。巴洛克音乐高度依赖和声规则与对位技法，可能恰好是语言模型的结构化生成优势所在；这一结果不能直接外推到即兴爵士、实验电子或需要长期人类情感积累的音乐风格。此外，曲目以LilyPond符号渲染呈现，而非真实乐器录音，这既降低了制作门槛，也可能影响了听者对音色真实性的判断。