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(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(dànǎo)联合创始人Samy Bengio（图灵奖得主(dézhǔ)Yoshua Bengio的弟弟）。

该论文认为，现有(xiànyǒu)的推理模型看似会“思考”，但其实并没有稳定、可(kě)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(píngguǒ)否定(fǒudìng)所有(suǒyǒu)大(dà)模型的(de)推理能力”。也有研究人员提出反驳，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。

图片来源：论文《思考的幻象(huànxiàng)：通过问题复杂性的视角理解推理模型的优势与局限(júxiàn)》

苹果(píngguǒ)“炮轰”AI推理模型：所谓的思考只是一种“幻象”

论文指出，OpenAI、Anthropic、谷歌和DeepSeek等公司纷纷推出带有“链式(liànshì)思考”（Chain-of-Thought，CoT）能力(nénglì)的(de)模型(móxíng)，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(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(zhǐshì)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和编码基准上，通过判断模型(móxíng)最终(zuìzhōng)答案是否正确来评估其(qí)能力，这种方式可能存在数据(shùjù)污染，即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(bāokuò)汉诺塔、跳棋交换、过河(guòhé)问题和积木世界(shìjiè)，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(láiyuán)：《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(júxiàn)》

推理模型并未(bìngwèi)解决模型能力瓶颈

实验结果显示，面对低复杂度任务(rènwù)，非推理模型(tuīlǐmóxíng)比与之对应的推理模型更准确高效(gāoxiào)。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(chāoguò)一定(yídìng)临界点时，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瓶颈。

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(shí)，研究还(hái)发现，随着问题复杂度的增加，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临界点(línjièdiǎn)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(nèizài)的“缩放(suōfàng)限制”。当它预感到问题过于困难无法解决时，即便(jíbiàn)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”都(dōu)不会

此外，研究人员不仅关注最终答案，还分析了推理痕迹——即给出答案之前生成的(de)逐步“思考”过程。他们(tāmen)发现，在(zài)简单的问题中，模型往往在早期就找到了正确(zhèngquè)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(móxíng)往往在推理过程中走(zǒu)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(huò)不连贯。

更令人担忧的是(shì)，在汉诺塔任务中(zhōng)，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(móxíng)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(cèshì)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(zhōng)的汉诺塔测试(cèshì)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。

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(cúnzài)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(jíshǐ)没有推理到第十一步，但前十步仍是在(zài)推理。“根据我自己测试的结果(jiéguǒ)，模型很早就决定数百个算法步骤太多了，根本无法尝试，因此它们干脆不开始。”

Sean举了一个例子(lìzi)，“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(zuòdào)，但也有很多做不到。那么，那些算不出答案的人就(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(zhǐ)专注于记录当前方法局限性的论文，我会当场解雇所有(suǒyǒu)参与者(cānyùzhě)。

AI博主henry表示，“苹果作为世界(shìjiè)上最富有的公司，拥有(yōngyǒu)无与伦比的优势，全力押注人工智能，许下无数承诺，但被所有人(suǒyǒurén)瞬间超越。赛程已进行两年，却一无所获，于是写了这篇论文说这一切都是不重要(zhòngyào)的。”

WWDC在即，苹果(píngguǒ)“酸了”？

图片(túpiàn)来源：苹果官网截图

部分观点认为，苹果发布质疑推理模型能力的(de)论文是“吃(chī)不到葡萄说葡萄酸”。

北京时间6月10日凌晨1点(diǎn)，苹果年度开发者大会（WWDC 2025）即将拉开帷幕。然而，外界(wàijiè)普遍认为，这次活动在AI方面的进展可能(kěnéng)有限，备受期待的Siri升级也将继续缺席。

据外媒报道，此次WWDC上苹果在AI方面的更新不会带来太多惊喜。科技记者马克(mǎkè)·古尔曼发文透露，苹果今年(jīnnián)WWDC中关于AI的内容预计会比较少，甚至可能“令人(lìngrén)失望”。

在去年WWDC上发布苹果智能（Apple Intelligence）时(shí)，苹果曾高调宣布对语音助手Siri进行“彻底重构”，新Siri应该更(gèng)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(de)升级却(què)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，部分原因在于(zàiyú)公司内部(nèibù)领导风格的差异和组织间的协作问题。

另一方面，苹果(píngguǒ)在AI领域的探索，也受到了技术路线选择和隐私政策带来的双重(shuāngchóng)影响。苹果一直以来(yǐlái)引以为傲的“隐私至上(zhìshàng)”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’，你必须与负责隐私的部门(bùmén)反复沟通协调才能推进工作。”