WWDC前夕，苹果论文“炮轰”AI推理模型“假思考”，测试方法遭质疑

当地时间6月6日(rì)，苹果机器学习研究中心发表论文(lùnwén)《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)》。论文作者包括谷歌大脑联合创始人Samy Bengio（图灵奖得主(dézhǔ)Yoshua Bengio的弟弟）。

该(gāi)论文认为，现有的(de)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“苹果否定所有大模型的推理能力”。也有研究人员提出反驳，认为(rènwéi)苹果的测试(cèshì)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，模型根本(gēnběn)不是因为推理能力不佳而(ér)失败，而是因为输出token限制。

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

苹果“炮轰(pàohōng)”AI推理模型：所谓的思考只是一种“幻象”

论文指出，OpenAI、Anthropic、谷歌和(hé)DeepSeek等公司纷纷推出带有“链式(liànshì)思考”（Chain-of-Thought，CoT）能力(nénglì)的模型，并声称(shēngchēng)它们更接近“类人思维”。

然而，该论文认为，现有的推理模型(tuīlǐmóxíng)看似会“思考”，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(zhǐshì)一种“幻象”。

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

为此，苹果团队设计了四类谜题(mítí)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(de)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》

推理模型并未解决模型能力瓶颈(píngjǐng)

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

但当问题难度超过一定(yídìng)临界点时，两类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(láiyuán)：《思考的幻象：通过问题复杂性的视角(shìjiǎo)理解推理模型的优势与局限》

面对难题，直接“躺平(tǎngpíng)”

同时，研究还发现(fāxiàn)，随着问题复杂度的增加，推理(tuīlǐ)模型在初期会投入(tóurù)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(de)“缩放限制”。当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(tǎngpíng)”，减少思考的努力。

过度思考，连“抄作业”都不会(búhuì)

此外，研究(yánjiū)人员不仅关注最终答案，还分析了(le)推理痕迹(hénjì)——即(jí)给出答案之前生成的逐步“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(guòchéng)中走错路径，最终在“思考”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(cízhōng)提供了完整的解题算法，要求模型仅仅是“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(fùzádù)上崩溃。

苹果(píngguǒ)论文引争议：测试设计存在缺陷？

苹果此次(cǐcì)发布的论文在AI圈引发了不小的争议。

AI研究者Lisan al Gaib在复现论文中的汉诺塔测试后发现，模型根本不是因为(yīnwèi)推理能力(nénglì)不佳而失败(shībài)，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的内容(nèiróng)。

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

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

Sean举(jǔ)了一个例子，“有(yǒu)多少人(rén)能(rénnéng)坐下来正确地算出一千步汉诺塔？有很多人能做到，但也有很多做不到。那么，那些算不出答案的人就没有推理能力吗？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(zhùmíng)AI越狱提示词专家Plenny the Liberator直言，如果我是苹果CEO，看到我的团队发表一篇只专注(zhuānzhù)于记录当前(dāngqián)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，“苹果作为世界上最富有的(de)公司(gōngsī)，拥有无与伦比的优势，全力押注人工智能，许下无数(wúshù)承诺，但(dàn)被所有人瞬间超越。赛程已进行两年，却一无所获，于是写了这篇论文说这一切都是不重要的。”

WWDC在(zài)即，苹果“酸了”？

图片来源：苹果(píngguǒ)官网截图

部分观点认为，苹果发布质疑推理模型能力的论文是(shì)“吃(chī)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方面的进展可能(kěnéng)有限，备受期待的Siri升级也将继续(jìxù)缺席。

据(jù)外媒报道，此次WWDC上(shàng)苹果(píngguǒ)在AI方面的更新不会带来太多惊喜。科技记者马克·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(zài)去年WWDC上发布苹果智能（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(bìng)执行(zhíxíng)复杂任务。然而，一年过去，Siri的升级却迟迟未见实质性进展。

据(jù)多位前苹果员工透露，苹果AI领域(lǐngyù)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)探索，也受到了技术路线选择和隐私(yǐnsī)政策带来的双重影响。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(kāifā)工作(gōngzuò)的人表示：“在苹果公司开发AI的过程中，做任何事情都可能(kěnéng)遇到很多‘不’，你必须与负责(fùzé)隐私的部门反复沟通协调才能推进工作。”