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(zhōngxīn)发表论文《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》。论文作者包括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，现有的推理模型看似会“思考(sīkǎo)”，但(dàn)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(bèi)部分观点解读(jiědú)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)方法存在问题。AI研究者Lisan al Gaib在复现(fùxiàn)论文中(zhōng)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。

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(pàohōng)”AI推理模型：所谓的思考只是一种“幻象”

论文(lùnwén)指出，OpenAI、Anthropic、谷歌和DeepSeek等公司(gōngsī)纷纷推出带有“链式思考(sīkǎo)”（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(lùnwén)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”。

苹果团队认为(rènwéi)，在实验设计上，现有评估主要集中(jízhōng)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，即模型在训练时可能见过(jiànguò)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(le)四类谜题环境，包括汉诺塔、跳棋交换、过河问题和积木世界，通过(tōngguò)精确(jīngquè)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(wèntí)复杂性的视角理解推理模型的优势与局限》

推理模型(tuīlǐmóxíng)并未解决模型能力瓶颈

实验结果显示，面对低复杂度任务，非推理模型(tuīlǐmóxíng)比与之(zhī)对应的推理模型更准确(zhǔnquè)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(línjièdiǎn)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模型的能力(nénglì)瓶颈。

图片来源：《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(yǔ)局限》

面对(miànduì)难题，直接“躺平”

同时(tóngshí)，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，思考不增反降。

这表明(biǎomíng)，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(wèntí)过于困难无法解决时，即便有充足的计算预算（token limit），它也会选择“躺平”，减少思考的努力。

过度思考，连“抄作业(zuòyè)”都不会

此外，研究人员不仅关注最终答案(dáàn)，还分析了推理痕迹——即给出答案之前生成(shēngchéng)的逐步“思考”过程。他们发现(fāxiàn)，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，最终(zuìzhōng)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(zhǔnquèdù)为(wèi)零，推理变得混乱或不连贯。

更令人担忧的是，在汉诺塔(hànnuòtǎ)任务中，研究人员直接在提示词中提供了完整(wánzhěng)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)。

苹果论文引争议：测试(cèshì)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(yánjiūzhě)Lisan al Gaib在复现论文中的汉诺塔(hànnuòtǎ)测试后发现，模型根本不是(búshì)因为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(gōngchéngshī)Sean Goedecke称，存在复杂性阈值并不(bù)意味着推理模型“实际上并不推理”。

Sean表示，即使没有推理到(dào)第十一步，但前十步仍是在推理。“根据我(wǒ)自己测试的结果，模型很早就决定(juédìng)数百个算法步骤太多了，根本无法尝试，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？有很多人能做到，但也有很多做不到。那么(nàme)，那些算不出(suànbùchū)答案的人就没有(méiyǒu)推理(tuīlǐ)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AI越狱提示词(cí)专家Plenny the Liberator直言，如果我(wǒ)是苹果CEO，看到我的(de)团队发表一篇只专注于记录当前方法局限性的论文，我会当场解雇所有参与者。

AI博主henry表示，“苹果作为(zuòwéi)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(xǔxià)无数承诺，但被(bèi)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(bù)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(rènwéi)，苹果发布质疑推理模型能力的论文是“吃不到葡萄(pútáo)说葡萄酸”。

北京(běijīng)时间6月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(zhècì)活动在(zài)AI方面的进展可能有限，备受期待的Siri升级也将继续缺席。

据外媒报道，此次WWDC上苹果(píngguǒ)在AI方面的更新不会带来太多惊喜。科技记者(jìzhě)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(shīwàng)”。

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(chèdǐ)重构”，新Siri应该更聪明、更懂用户、能够理解并执行(zhíxíng)复杂任务。然而，一年过去，Siri的(de)升级却迟迟未见实质性进展。

据多位前苹果员工透露，苹果AI领域的进展不顺，部分(bùfèn)原因在于公司内部领导风格的差异(chāyì)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。苹果一直以来引以为傲的“隐私至上”原则，在AI时代(shídài)给其带来了一些新(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(guòchéng)中，做任何事情都可能遇到很多(hěnduō)‘不’，你必须与负责隐私的部门反复沟通(gōutōng)协调才能推进工作。”