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，苹果机器学习研究中心发表论文《思考(sīkǎo)的幻象：通过问题(wèntí)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(bāokuò)谷歌大脑联合创始人Samy Bengio（图灵奖得主Yoshua Bengio的弟弟）。

该论文认为(rènwéi)，现有的推理模型看似会(huì)“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，认为苹果的测试(cèshì)方法(cèshìfāngfǎ)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(gēnběn)不是因为推理能力不佳(bùjiā)而失败，而是因为输出token限制。

图片来源：论文(lùnwén)《思考的幻象：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(sīkǎo)只是一种“幻象”

论文指出，OpenAI、Anthropic、谷歌和DeepSeek等公司纷纷(fēnfēn)推出带有“链式(liànshì)思考”（Chain-of-Thought，CoT）能力的模型，并(bìng)声称它们更接近“类人(lèirén)思维”。

然而，该(gāi)论文认为，现有的推理模型看似会“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的数学(shùxué)和编码基准(jīzhǔn)上，通过判断(pànduàn)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(jí)模型在训练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谜题环境，包括汉诺塔、跳棋交换(jiāohuàn)、过河问题和积木世界，通过(tōngguò)精确控制谜题难度，来测试推理模型(tuīlǐmóxíng)的推理能力。

图片(túpiàn)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局限》

推理模型并未(bìngwèi)解决模型能力瓶颈

实验结果显示，面对(miànduì)低复杂度任务，非(fēi)推理模型比与之对应的(de)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地解决(jiějué)模型的能力瓶颈。

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》

面对难题，直接“躺平(tǎngpíng)”

同时，研究还发现(fāxiàn)，随着问题(wèntí)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(yígè)内在的“缩放限制”。当它预感到(dào)问题过于困难无法解决时，即便有充足的计算预算(yùsuàn)（token limit），它也会选择“躺平”，减少思考的努力。

过度思考，连“抄作业”都不会(búhuì)

此外，研究人员不仅关注最终(zuìzhōng)答案，还分析了推理痕迹——即给出答案之前生成的逐步“思考”过程。他们发现，在简单的问题(wèntí)中，模型往往在早期就找到了正确的解决方案，但随后(suíhòu)继续进行(jìnxíng)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(cuò)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(biàndé)混乱或不连贯(bùliánguàn)。

更令人担忧的是，在(zài)汉诺塔任务中，研究人员直接在提示词中提供了(le)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(bēngkuì)。

苹果论文引(yǐn)争议：测试设计存在缺陷？

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在复现论文(lùnwén)中的汉诺塔测试后发现，模型(móxíng)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软件工程师Sean Goedecke称，存在复杂性阈值(yùzhí)并(bìng)不意味着推理模型“实际上并不推理”。

Sean表示，即使没有推理到第十一步，但前(dànqián)十步仍是在(zài)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(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(nàme)，那些算不出答案的(de)人就(jiù)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(zhíyán)，如果我是苹果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，我会当场(dāngchǎng)解雇所有参与者。

AI博主henry表示，“苹果作为世界上最富有的公司，拥有(yōngyǒu)无与伦比(wúyǔlúnbǐ)的优势，全力押注人工智能，许下无数承诺(chéngnuò)，但被所有人瞬间超越。赛程已(yǐ)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在即，苹果“酸了(le)”？

图片来源：苹果官网(guānwǎng)截图

部分观点认为(rènwéi)，苹果发布(fābù)质疑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10日凌晨(língchén)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(de)进展可能有限(yǒuxiàn)，备受期待的Siri升级也将继续缺席。

据外媒报道，此次WWDC上苹果在AI方面的更新不会带来(dàilái)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(bǐjiào)少，甚至可能(kěnéng)“令人失望”。

在去年WWDC上(shàng)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、能够理解并执行复杂任务(rènwù)。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(píngguǒ)员工透露，苹果AI领域的进展不顺，部分原因在于公司内部领导风格(fēnggé)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政策带来的双重影响(yǐngxiǎng)。苹果一直以来引以为傲的“隐私至上”原则(yuánzé)，在AI时代给其带来了一些(yīxiē)新(xīn)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(xiétiáo)才能推进工作。”