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(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(zuòzhě)包括(bāokuò)谷歌(gǔgē)大脑联合创始人Samy Bengio（图灵奖得主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、可理解的思维过程，所谓的推理思考只是一种(yīzhǒng)“幻象”。

论文发布后(hòu)引发AI圈热议，被部分(bùfèn)观点解读为“苹果(píngguǒ)否定所有大模型的推理能力”。也有研究人员提出反驳(fǎnbó)，认为苹果的测试方法存在问题(wèntí)。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(láiyuán)：论文《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》

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(gōngsī)纷纷推出带有“链式思考”（Chain-of-Thought，CoT）能力(nénglì)的模型(móxíng)，并声称它们更(gèng)接近“类人思维”。

然而，该(gāi)论文认为，现有的推理模型看似会“思考(sīkǎo)”，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，在实验设计上，现有评估主要集中在既定的(de)数学和编码基准(jīzhǔn)上，通过判断模型最终(zuìzhōng)答案是否正确来评估其能力，这种方式可能(kěnéng)存在数据污染，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，包括汉诺塔(hànnuòtǎ)、跳棋交换、过河问题和积木世界，通过精确控制(kòngzhì)谜题难度，来测试(cèshì)推理模型的推理能力。

图片来源：《思考的(de)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》

推理模型并未解决模型能力瓶颈(píngjǐng)

实验结果显示(jiéguǒxiǎnshì)，面对低复杂度任务，非(fēi)推理模型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。

但当问题难度超过一定临界点时，两类模型性能均严重下降，准确率为(wèi)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：通过问题(wèntí)复杂性的视角理解(lǐjiě)推理模型的优势与局限》

面对难题，直接(zhíjiē)“躺平”

同时，研究还发现，随着问题复杂度的增加(zēngjiā)，推理模型在初期会投入(tóurù)更多的思考(sīkǎo)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内在的“缩放(suōfàng)限制”。当它预感到问题过于困难无法解决时(shí)，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(chāo)作业”都不会

此外，研究人员不仅关注最终答案，还(hái)分析(fēnxī)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，在简单的问题中，模型(móxíng)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(de)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，准确度为零，推理变得混乱或(huò)不连贯。

更令人担忧的是(shì)，在(zài)汉诺塔任务中，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(fùzádù)上崩溃。

苹果论文引争议：测试设计存在(cúnzài)缺陷？

苹果此次(cǐcì)发布的论文在AI圈引发了不小的争议。

AI研究者Lisan al Gaib在(zài)复现论文中的(de)汉诺塔测试后发现，模型根本(gēnběn)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(móxíng)不会解答，而是无法输出如此多的内容。

GitHub软件工程师Sean Goedecke称(chēng)，存在复杂性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(shíbù)仍是在推理。“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(tàiduō)了，根本无法尝试，因此它们干脆不开始。”

Sean举了(le)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，那些算不出(suànbùchū)答案的(de)人就没有推理能力吗？当然有！他们只是没有足够的认真和耐心去(qù)手动完成一千次算法的迭代。”

著名AI越狱(yuèyù)提示词专家Plenny the Liberator直言，如果我(wǒ)是苹果CEO，看到我的团队(tuánduì)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(réngōngzhìnéng)，许下(xǔxià)无数承诺，但被所有人瞬间超越。赛程已进行两年，却一无所获，于是写了这篇(zhèpiān)论文说(shuō)这一切都是不重要的。”

WWDC在(zài)即，苹果“酸了”？

图片来源：苹果官网截图(jiétú)

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

北京时间6月10日(rì)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，这次活动(huódòng)在AI方面的进展可能有限，备受期待的Siri升级也将继续(jìxù)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(tài)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的内容预计会比较少，甚至可能“令人失望(shīwàng)”。

在去年WWDC上发布苹果智能(zhìnéng)（Apple Intelligence）时，苹果曾高调宣布对语音助手Siri进行“彻底重构”，新(xīn)Siri应该更聪明、更懂用户、能够理解并执行复杂任务(rènwù)。然而，一年(yīnián)过去，Siri的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，部分原因(yuányīn)在于公司内部(nèibù)领导风格的差异和组织间的协作问题。

另一方面，苹果在AI领域的(de)探索，也受到了技术(jìshù)路线选择(xuǎnzé)和(hé)隐私政策带来(dàilái)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(fùdān)。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推进工作。”