上周大事件：中国东航荣获2025CAPSE多项大奖、“上海—北京大兴”两舱试点“线上选餐”、携手菜鸟推进航空维修数字化转型

当地时间6月6日，苹果机器学习研究中心发表论文《思考的(de)(de)幻象(huànxiàng)：通过问题复杂性的视角理解推理模型的优势与局限》。论文作者包括谷歌大脑联合创始人(chuàngshǐrén)Samy Bengio（图灵奖得主Yoshua Bengio的弟弟）。

该论文认为，现有的推理(tuīlǐ)模型看似会“思考”，但(dàn)其实并没有稳定、可理解的思维过程，所谓的推理思考只是一种“幻象”。

论文发布后引发(yǐnfā)AI圈热议，被部分观点解读为“苹果否定所有(yǒu)大模型的推理能力(nénglì)”。也有研究人员提出反驳(fǎnbó)，认为苹果的测试方法存在(cúnzài)问题。AI研究者Lisan al Gaib在复现论文中的汉诺塔测试后发现，模型根本不是因为推理能力不佳而失败，而是因为输出token限制。

图片来源：论文《思考(sīkǎo)的幻象：通过问题复杂性的视角理解推理模型的优势与局限(júxiàn)》

苹果“炮轰”AI推理模型：所谓的思考只是一种“幻象(huànxiàng)”

论文指出，OpenAI、Anthropic、谷歌和DeepSeek等公司(gōngsī)纷纷推出(tuīchū)带有“链式思考”（Chain-of-Thought，CoT）能力的模型，并(bìng)声称它们更接近(jiējìn)“类人思维”。

然而，该论文认为，现有的推理模型看似会“思考”，但其实并没有稳定、可理解的思维过程，所谓(suǒwèi)的推理思考只是一种“幻象(huànxiàng)”。

苹果团队认为，在实验设计上，现有评估主要集中在既定的(de)数学和编码基准上，通过判断模型最终答案是否(shìfǒu)正确来评估其能力(nénglì)，这种方式可能存在数据污染，即模型在训练时(shí)可能见过类似题目。此外，这些评估大都缺乏对“思考过程质量”的分析。

为此，苹果团队(tuánduì)设计(shèjì)了四类谜题环境，包括汉诺塔、跳棋交换、过河(guòhé)问题和积木世界，通过精确控制谜题难度，来测试推理模型的推理能力。

图片来源：《思考的幻象：通过问题复杂性的视角理解推理模型(tuīlǐmóxíng)的优势与局限(júxiàn)》

推理模型(tuīlǐmóxíng)并未解决模型能力瓶颈

实验结果显示，面对(miànduì)低复杂度任务(rènwù)，非推理模型比与之对应的推理模型更准确(zhǔnquè)高效。当问题复杂度适度增加，推理模型优势显现，性能超过非推理模型。

但当问题难度超过一定临界点时，两类(liǎnglèi)模型性能均严重下降，准确率为零。这表明，推理模型并没有实际性地解决(jiějué)模型的能力瓶颈。

图片来源：《思考的幻象：通过问题(wèntí)复杂性的视角理解推理模型的优势(yōushì)与局限》

面对难题，直接(zhíjiē)“躺平”

同时，研究还发现，随着问题(wèntí)(wèntí)复杂度的增加，推理模型在初期会投入更多的思考token。然而，当问题难度达到某个临界点时，模型推理能力就会发生崩溃，思考不增反降(fǎnjiàng)。

这表明，推理模型似乎存在一个内在(nèizài)的“缩放限制”。当(dāng)它预感到问题过于困难无法解决(jiějué)时，即便有充足的计算预算（token limit），它也会选择“躺平”，减少思考的努力。

过度(guòdù)思考，连“抄作业”都不会

此外，研究人员不仅关注最终答案，还分析(fēnxī)了推理痕迹——即给出(gěichū)答案之前生成的(de)逐步“思考”过程。他们发现，在简单的问题中，模型往往在早期就找到了正确的解决方案，但随后继续(jìxù)进行不必要的思考。

在中等复杂度的问题中，模型往往在推理过程中走错路径，最终在“思考(sīkǎo)”的后期才找到正确的答案。但在高复杂度的问题中，准确度为零，推理变得(biàndé)混乱(hùnluàn)或不连贯。

更令人担忧的是，在汉诺塔任务中，研究人员直接在提示词中提供了完整(wánzhěng)的解题算法，要求模型仅仅(jǐnjǐn)是“执行”这个(zhègè)算法。但模型的表现没有任何改善，依然在相同的复杂度上崩溃。

苹果论文引争议：测试设计存在缺陷(quēxiàn)？

苹果此次发布的(de)论文在AI圈引发了不小的争议。

AI研究者Lisan al Gaib在(zài)复现论文中的汉诺塔测试后发现，模型(móxíng)根本不是因为推理能力不佳而(ér)失败，而是因为输出token限制。

也就是说，不是模型不会解答，而是无法输出如此多(duō)的内容。

GitHub软件(ruǎnjiàn)工程师Sean Goedecke称，存在复杂性阈值并不意味着推理模型(tuīlǐmóxíng)“实际上并不推理”。

Sean表示，即使没有推理到第十(dìshí)一步，但前十步仍是在推理。“根据我自己测试的结果，模型(móxíng)很早就决定数百个算法步骤太多了(le)，根本无法尝试，因此它们干脆不开始。”

Sean举了一个例子，“有(yǒu)多少人能坐下来正确地算出一千步汉诺塔？有很多人能做到，但也(yě)有很多做不到。那么，那些算不出答案的人就没有推理(tuīlǐ)能力吗(ma)？当然有！他们只是没有足够的认真和耐心去手动完成一千次算法的迭代。”

著名AI越狱提示(tíshì)词专家(zhuānjiā)Plenny the Liberator直言，如果(rúguǒ)我是苹果CEO，看到我的团队发表一篇只专注于记录当前方法局限性的论文，我会当场解雇所有参与者。

AI博主henry表示，“苹果作为世界(shìjiè)上最(zuì)富有的公司，拥有无与伦比的优势，全力押注人工智能，许下无数承诺，但被所有人瞬间超越。赛程已进行(jìnxíng)两年，却一无所获(yīwúsuǒhuò)，于是写了这篇论文说这一切都是不重要的。”

WWDC在即，苹果(píngguǒ)“酸了”？

图片来源：苹果官网截图(jiétú)

部分观点认为，苹果发布质疑推理模型能力的论文是“吃不到葡萄(pútáo)说葡萄酸(suān)”。

北京时间6月10日凌晨1点，苹果(píngguǒ)年度开发者大会(dàhuì)（WWDC 2025）即将拉开帷幕。然而，外界普遍认为，这次活动在AI方面的(de)进展可能有限，备受期待的Siri升级也将继续缺席。

据外媒报道，此次WWDC上苹果在AI方面的(de)更新不会带来太多惊喜。科技记者马克·古尔曼发文(fāwén)透露，苹果今年WWDC中关于AI的内容预计(yùjì)会比较少，甚至可能“令人失望”。

在去年WWDC上发布(fābù)苹果智能（Apple Intelligence）时，苹果曾高调宣布对语音助手Siri进行“彻底重构”，新Siri应该更(gèng)聪明、更懂用户、能够理解并执行复杂任务(rènwù)。然而，一年过去，Siri的(de)升级却迟迟未见实质性进展。

据多位前苹果员工(yuángōng)透露(tòulù)，苹果AI领域的进展不顺，部分原因在于公司内部领导风格的差异和组织间的协作问题。

另一方面，苹果在AI领域的(de)(de)探索，也受到(shòudào)了技术路线选择和隐私政策(zhèngcè)带来的双重影响。苹果一直以来引以为傲的“隐私至上”原则，在AI时代给其带来了一些新的负担。一位熟悉苹果AI和软件开发工作的人表示：“在苹果公司(píngguǒgōngsī)开发AI的过程中，做任何事情都可能遇到很多‘不(bù)’，你必须与负责隐私的部门反复沟通协调才能推进工作。”