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(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》。论文作者(zuòzhě)包括(bāokuò)谷歌大脑联合创始人Samy Bengio（图灵奖(túlíngjiǎng)得主Yoshua Bengio的弟弟）。

该论文认为，现有(xiànyǒu)的推理(tuīlǐ)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(hòu)引发AI圈热议，被部分观点解读为“苹果(píngguǒ)否定所有大(dà)模型的推理能力”。也有研究(yánjiū)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，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(xiànzhì)。

图片来源：论文《思考的(de)幻象：通过问题(wèntí)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：所谓的思考只是(zhǐshì)一种“幻象”

论文(lùnwén)指出，OpenAI、Anthropic、谷歌和DeepSeek等公司纷纷推出(tuīchū)带有“链式(liànshì)思考”（Chain-of-Thought，CoT）能力的模型，并声称它们更(gèng)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(sīwéiguòchéng)，所谓的推理思考只是一种(yīzhǒng)“幻象”。

苹果团队认为，在实验设计上(shàng)，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(duì)“思考过程质量”的分析。

为此，苹果团队设计了(le)四类谜题(mítí)环境，包括汉诺塔、跳棋交换、过河问题和积木世界，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：通过问题复杂性的视角理解推理模型的优势(yōushì)与(yǔ)局限》

推理模型并未(bìngwèi)解决模型能力瓶颈

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

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(xiàjiàng)，准确率为零。这表明，推理模型并没有实际性(shíjìxìng)地解决模型的能力瓶颈。

图片来源：《思考的幻象(huànxiàng)：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(miànduì)难题，直接“躺平”

同时，研究还发现，随着问题(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(mǒugè)临界点时，模型推理能力就会发生崩溃，思考不增(bùzēng)反降。

这表明，推理模型似乎存在一个内在的“缩放限制”。当(dāng)它预感到问题过于困难(kùnnán)无法解决时，即便有充足的计算预算（token limit），它也(yě)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(bùjǐn)关注最终答案，还(hái)分析了推理痕迹——即给出答案之前生成的逐步“思考”过程。他们(tāmen)发现，在简单(jiǎndān)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(zài)中(zhōng)(zhōng)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”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，推理变得混乱或不连贯。

更令人担忧的(de)是，在汉诺塔(hànnuòtǎ)任务(rènwù)中，研究人员直接在提示词中提供了完整的解题算法，要求模型仅仅是“执行”这个算法。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(cúnzài)缺陷？

苹果此次发布的论文在AI圈(quān)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(hòu)发现，模型根本不是因为(yīnwèi)推理能力不佳而失败，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(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。“根据我自己测试的结果，模型很早就决定数百个算法(suànfǎ)步骤太多了(le)，根本无法(gēnběnwúfǎ)尝试，因此它们干脆不开始。”

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，但也有很多做不到。那么，那些算不出答案的(de)人就没有推理能力吗？当然有！他们只是(zhǐshì)没有足够的认真和耐心去手动(shǒudòng)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于(yú)记录当前方法局限性的论文，我会当场解雇所有(suǒyǒu)参与者。

AI博主henry表示，“苹果作为世界(shìjiè)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(xǔxià)无数承诺，但被所有人(suǒyǒurén)瞬间超越。赛程已进行两年，却一无所获，于是写了这篇(zhèpiān)论文说这一切都是不重要的。”

WWDC在即，苹果(píngguǒ)“酸了”？

图片来源(láiyuán)：苹果官网截图

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

北京时间6月(yuè)10日凌晨1点，苹果(píngguǒ)年度开发者大会（WWDC 2025）即将(jíjiāng)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升级也将继续缺席。

据外媒(wàiméi)报道，此次WWDC上苹果(píngguǒ)在AI方面的更新不会带来太多惊喜(jīngxǐ)。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(céng)高调宣布对语音助手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任务。然而，一年过去，Siri的升级却迟迟(chíchí)未见实质性进展。

据多位前苹果员工(yuángōng)透露，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(wèntí)。

另一方面，苹果在AI领域的(de)探索，也受到了(le)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(shídài)给(gěi)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：“在苹果公司开发AI的过程中，做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才能(cáinéng)推进工作。”