當(dāng)?shù)貢r間6月6日，蘋果機器學(xué)習(xí)研究中心發(fā)表論文《思考的幻象：通過問題復(fù)雜性的視角理解推理模型的優(yōu)勢與局限》。論文作者包括谷歌大腦聯(lián)合創(chuàng)始人Samy Bengio（圖靈獎得主Yoshua Bengio的弟弟）。

該論文認為，現(xiàn)有的推理模型看似會“思考”，但其實并沒有穩(wěn)定、可理解的思維過程，所謂的推理思考只是一種“幻象”。

論文發(fā)布后引發(fā)AI圈熱議，被部分觀點解讀為“蘋果否定所有大模型的推理能力”。也有研究人員提出反駁，認為蘋果的測試方法存在問題。AI研究者Lisan al Gaib在復(fù)現(xiàn)論文中的漢諾塔測試后發(fā)現(xiàn)，模型根本不是因為推理能力不佳而失敗，而是因為輸出token限制。

圖片來源：論文《思考的幻象：通過問題復(fù)雜性的視角理解推理模型的優(yōu)勢與局限》

蘋果“炮轟”AI推理模型：所謂的思考只是一種“幻象”

論文指出，OpenAI、Anthropic、谷歌和DeepSeek等公司紛紛推出帶有“鏈?zhǔn)剿伎肌保–hain-of-Thought，CoT）能力的模型，并聲稱它們更接近“類人思維”。

然而，該論文認為，現(xiàn)有的推理模型看似會“思考”，但其實并沒有穩(wěn)定、可理解的思維過程，所謂的推理思考只是一種“幻象”。

蘋果團隊認為，在實驗設(shè)計上，現(xiàn)有評估主要集中在既定的數(shù)學(xué)和編碼基準(zhǔn)上，通過判斷模型最終答案是否正確來評估其能力，這種方式可能存在數(shù)據(jù)污染，即模型在訓(xùn)練時可能見過類似題目。此外，這些評估大都缺乏對“思考過程質(zhì)量”的分析。

為此，蘋果團隊設(shè)計了四類謎題環(huán)境，包括漢諾塔、跳棋交換、過河問題和積木世界，通過精確控制謎題難度，來測試推理模型的推理能力。

圖片來源：《思考的幻象：通過問題復(fù)雜性的視角理解推理模型的優(yōu)勢與局限》

推理模型并未解決模型能力瓶頸

實驗結(jié)果顯示，面對低復(fù)雜度任務(wù)，非推理模型比與之對應(yīng)的推理模型更準(zhǔn)確高效。當(dāng)問題復(fù)雜度適度增加，推理模型優(yōu)勢顯現(xiàn)，性能超過非推理模型。

但當(dāng)問題難度超過一定臨界點時，兩類模型性能均嚴重下降，準(zhǔn)確率為零。這表明，推理模型并沒有實際性地解決模型的能力瓶頸。

圖片來源：《思考的幻象：通過問題復(fù)雜性的視角理解推理模型的優(yōu)勢與局限》

面對難題，直接“躺平”

同時，研究還發(fā)現(xiàn)，隨著問題復(fù)雜度的增加，推理模型在初期會投入更多的思考token。然而，當(dāng)問題難度達到某個臨界點時，模型推理能力就會發(fā)生崩潰，思考不增反降。

這表明，推理模型似乎存在一個內(nèi)在的“縮放限制”。當(dāng)它預(yù)感到問題過于困難無法解決時，即便有充足的計算預(yù)算（token limit），它也會選擇“躺平”，減少思考的努力。

過度思考，連“抄作業(yè)”都不會

此外，研究人員不僅關(guān)注最終答案，還分析了推理痕跡——即給出答案之前生成的逐步“思考”過程。他們發(fā)現(xiàn)，在簡單的問題中，模型往往在早期就找到了正確的解決方案，但隨后繼續(xù)進行不必要的思考。

在中等復(fù)雜度的問題中，模型往往在推理過程中走錯路徑，最終在“思考”的后期才找到正確的答案。但在高復(fù)雜度的問題中，準(zhǔn)確度為零，推理變得混亂或不連貫。

更令人擔(dān)憂的是，在漢諾塔任務(wù)中，研究人員直接在提示詞中提供了完整的解題算法，要求模型僅僅是“執(zhí)行”這個算法。但模型的表現(xiàn)沒有任何改善，依然在相同的復(fù)雜度上崩潰。

蘋果論文引爭議：測試設(shè)計存在缺陷？

蘋果此次發(fā)布的論文在AI圈引發(fā)了不小的爭議。

AI研究者Lisan al Gaib在復(fù)現(xiàn)論文中的漢諾塔測試后發(fā)現(xiàn)，模型根本不是因為推理能力不佳而失敗，而是因為輸出token限制。

也就是說，不是模型不會解答，而是無法輸出如此多的內(nèi)容。

GitHub軟件工程師Sean Goedecke稱，存在復(fù)雜性閾值并不意味著推理模型“實際上并不推理”。

Sean表示，即使沒有推理到第十一步，但前十步仍是在推理。“根據(jù)我自己測試的結(jié)果，模型很早就決定數(shù)百個算法步驟太多了，根本無法嘗試，因此它們干脆不開始。”

Sean舉了一個例子，“有多少人能坐下來正確地算出一千步漢諾塔？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沒有推理能力嗎？當(dāng)然有！他們只是沒有足夠的認真和耐心去手動完成一千次算法的迭代。”

著名AI越獄提示詞專家Plenny the Liberator直言，如果我是蘋果CEO，看到我的團隊發(fā)表一篇只專注于記錄當(dāng)前方法局限性的論文，我會當(dāng)場解雇所有參與者。

AI博主henry表示，“蘋果作為世界上最富有的公司，擁有無與倫比的優(yōu)勢，全力押注人工智能，許下無數(shù)承諾，但被所有人瞬間超越。賽程已進行兩年，卻一無所獲，于是寫了這篇論文說這一切都是不重要的。”

WWDC在即，蘋果“酸了”？

圖片來源：蘋果官網(wǎng)截圖

部分觀點認為，蘋果發(fā)布質(zhì)疑推理模型能力的論文是“吃不到葡萄說葡萄酸”。

北京時間6月10日凌晨1點，蘋果年度開發(fā)者大會（WWDC 2025）即將拉開帷幕。然而，外界普遍認為，這次活動在AI方面的進展可能有限，備受期待的Siri升級也將繼續(xù)缺席。

據(jù)外媒報道，此次WWDC上蘋果在AI方面的更新不會帶來太多驚喜。科技記者馬克·古爾曼發(fā)文透露，蘋果今年WWDC中關(guān)于AI的內(nèi)容預(yù)計會比較少，甚至可能“令人失望”。

在去年WWDC上發(fā)布蘋果智能（Apple Intelligence）時，蘋果曾高調(diào)宣布對語音助手Siri進行“徹底重構(gòu)”，新Siri應(yīng)該更聰明、更懂用戶、能夠理解并執(zhí)行復(fù)雜任務(wù)。然而，一年過去，Siri的升級卻遲遲未見實質(zhì)性進展。

據(jù)多位前蘋果員工透露，蘋果AI領(lǐng)域的進展不順，部分原因在于公司內(nèi)部領(lǐng)導(dǎo)風(fēng)格的差異和組織間的協(xié)作問題。

另一方面，蘋果在AI領(lǐng)域的探索，也受到了技術(shù)路線選擇和隱私政策帶來的雙重影響。蘋果一直以來引以為傲的“隱私至上”原則，在AI時代給其帶來了一些新的負擔(dān)。一位熟悉蘋果AI和軟件開發(fā)工作的人表示：“在蘋果公司開發(fā)AI的過程中，做任何事情都可能遇到很多‘不’，你必須與負責(zé)隱私的部門反復(fù)溝通協(xié)調(diào)才能推進工作。”