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(rì)，苹果机器学习(xuéxí)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(tuīlǐmóxíng)的优势与局限》。论文作者包括谷歌大脑联合创始人Samy Bengio（图灵奖得主Yoshua Bengio的弟弟）。

该论文认为(rènwéi)，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，所谓的推理思考只是一种“幻象(huànxiàng)”。

论文发布后引发AI圈热议，被部分(bùfèn)观点解读(jiědú)为“苹果否定所有大模型的推理能力(nénglì)”。也有研究人员提出(tíchū)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，模型根本不是因为推理能力不佳(bùjiā)而失败，而是因为输出token限制。

图片(túpiàn)来源：论文《思考的幻象：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(liànshì)思考”（Chain-of-Thought，CoT）能力(nénglì)的(de)模型，并声称它们更接近“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，所谓的推理思考只是一种(yīzhǒng)“幻象(huànxiàng)”。

苹果团队认为，在(zài)实验设计上，现有评估主要集中在既定的数学和编码基准上，通过判断模型(móxíng)最终答案是否正确来评估其能力，这种方式可能存在数据污染，即(jí)模型在训练(xùnliàn)时可能见过类似题目。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(sìlèi)谜题环境，包括(bāokuò)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(de)幻象：通过问题复杂性的视角理解推理模型的优势与(yǔ)局限》

推理模型并未解决(jiějué)模型能力瓶颈

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

但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(zhǔnquèlǜ)为零。这表明，推理模型并没有实际性地解决模型的能力瓶颈(píngjǐng)。

图片来源：《思考的幻象：通过(tōngguò)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(nántí)，直接“躺平”

同时，研究(yánjiū)还发现，随着问题复杂度的增加，推理模型在初期会投入更多(duō)的思考token。然而，当问题难度达到某个(mǒugè)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”。当它预感到问题过于困难无法(wúfǎ)解决时，即便(jíbiàn)有充足的计算预算(yùsuàn)（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)答案之前生成的逐步(zhúbù)“思考”过程。他们(tāmen)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。

在中等复杂度的问题中，模型往往在推理过程中走错路径(lùjìng)，最终在“思考”的后期才找到(zhǎodào)正确的答案。但在高复杂度的问题中，准确度(zhǔnquèdù)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(tígōng)了完整的解题算法(suànfǎ)，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，依然(yīrán)在相同的复杂度上崩溃。

苹果(píngguǒ)论文引争议：测试设计存在缺陷？

苹果此次发布的论文在AI圈引发了不小(bùxiǎo)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(gēnběn)不是因为(yīnwèi)推理能力(nénglì)不佳而失败，而是因为输出token限制。

也就是说，不是模型不会解答，而是(érshì)无法输出如此多的内容。

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

Sean表示，即使没有推理到第十一步，但前十步仍(réng)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太多了，根本无法尝试，因此它们干脆(gāncuì)不(bù)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，但也有很多做不到。那么，那些(nàxiē)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(zúgòu)的认真和耐心去手动完成一千次算法的迭代(diédài)。”

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(de)团队发表(fābiǎo)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(píngguǒ)作为世界上最富有的公司，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(bèi)所有人瞬间(shùnjiān)超越。赛程已进行(jìnxíng)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在即，苹果“酸(suān)了”？

图片来源(láiyuán)：苹果官网截图

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

北京时间(shíjiān)6月10日凌晨1点，苹果年度(niándù)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方面的进展可能有限，备受期待的Siri升级(shēngjí)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·古尔曼发文透露，苹果今年WWDC中关于AI的内容(nèiróng)预计会比较(bǐjiào)少，甚至可能“令人失望”。

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

据多位前苹果员工透露，苹果AI领域的进展不顺，部分原因在于公司内部(nèibù)领导风格的差异和(hé)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(lùxiàn)选择和(hé)隐私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，做任何事情都可能遇到很多‘不’，你(nǐ)必须与负责(fùzé)隐私的部门反复沟通协调才能推进工作。”