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

该论文(lùnwén)认为，现有的推理模型看似会“思考(sīkǎo)”，但其实并没有稳定、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(hòu)引发AI圈热议，被部分观点解读(jiědú)为“苹果否定所有大模型的(de)推理(tuīlǐ)能力”。也有研究人员提出反驳，认为苹果的测试方法存在问题。AI研究者Lisan al Gaib在复现论文中的汉诺塔测试后发现(fāxiàn)，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《思考的(de)幻象：通过(tōngguò)问题复杂性的视角理解推理模型的优势与局限》

苹果“炮轰”AI推理模型：所谓的(de)思考只是一种“幻象”

论文指出，OpenAI、Anthropic、谷歌和DeepSeek等公司纷纷推出带有(dàiyǒu)“链式思考”（Chain-of-Thought，CoT）能力的模型，并声称(shēngchēng)它们(tāmen)更(gèng)接近“类人思维”。

然而，该论文认为，现有(xiànyǒu)的推理模型看似会“思考”，但其实(qíshí)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”。

苹果团队认为，在实验设计上，现有评估主要集中在既定(jìdìng)的数学和(hé)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，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，苹果团队设计了四类谜题环境，包括汉诺塔、跳棋(tiàoqí)交换、过河问题和积木世界(shìjiè)，通过精确(jīngquè)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(wèntí)复杂性的视角(shìjiǎo)理解推理模型的优势与局限》

推理模型(tuīlǐmóxíng)并未解决模型能力瓶颈

实验结果显示，面对低复杂度(fùzádù)任务，非推理模型比与之(zhī)对应的推理模型更准确高效。当问题复杂度适度(shìdù)增加，推理模型优势显现，性能超过非推理模型。

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

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

面对难题(nántí)，直接“躺平”

同时(shí)，研究还发现，随着问题复杂度的增加，推理(tuīlǐ)模型在(zài)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。

这表明，推理模型似乎存在一个内在的“缩放限制”。当它(tā)预感(yùgǎn)到问题过于困难无法解决时，即便有(yǒu)充足的计算预算（token limit），它也会选择“躺平”，减少思考的努力。

过度思考，连(lián)“抄作业”都不会

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

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

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的解题算法，要求模型(móxíng)仅仅是“执行”这个算法。但模型的表现没有任何改善(gǎishàn)，依然在相同的复杂度上(shàng)崩溃。

苹果论文引争议(zhēngyì)：测试设计存在缺陷？

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在复现论文(lùnwén)中的汉诺塔测试后发现，模型根本(gēnběn)不是因为推理能力不佳而失败，而是(érshì)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(rúcǐ)多的内容。

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

Sean表示，即使没有推理到第十一步，但前十步仍是在推理。“根据我自己测试(cèshì)的结果，模型很早就决定数百个算法步骤太多了，根本无法尝试，因此它们干脆不(bù)开始(kāishǐ)。”

Sean举了一个例子，“有多少人能坐下来正确地算出一千步汉诺塔？有很多(hěnduō)人能做到，但也(yě)有很多做不到。那么，那些(nàxiē)算不出答案的人就没有(méiyǒu)推理能力吗？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越狱提示词专家Plenny the Liberator直言，如果我(wǒ)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(lùnwén)，我会当场解雇(jiěgù)所有参与者。

AI博主henry表示，“苹果作为世界上最富有的公司，拥有无与伦比的优势，全力(quánlì)押注人工智能，许下无数承诺，但被所有人瞬间超越。赛程已进行两年(liǎngnián)，却一无所获，于是写了这篇(zhèpiān)论文说这一切都是不(bù)重要的。”

WWDC在即，苹果“酸(suān)了”？

图片来源：苹果官网(guānwǎng)截图

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

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

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

在去年WWDC上发布苹果智能（Apple Intelligence）时，苹果曾高调(gāodiào)宣布对(duì)语音助手Siri进行“彻底(chèdǐ)重构”，新Siri应该更聪明、更懂用户、能够理解并执行复杂(fùzá)任务。然而，一年过去，Siri的升级却迟迟未见实质性进展。

据多位前苹果(píngguǒ)员工透露，苹果AI领域的(de)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(zài)AI领域的探索，也受到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(qí)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：“在苹果公司开发AI的过程(guòchéng)中，做(zuò)任何事情都可能遇到很多‘不’，你必须与负责隐私的部门反复沟通协调(xiétiáo)才能推进工作。”