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(jīqì)学习研究中心(zhōngxīn)发表论文《思考的(de)幻象：通过问题复杂性的视角理解(lǐjiě)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（图灵奖得主Yoshua Bengio的弟弟）。

该论文认为，现有的推理(tuīlǐ)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”。

论文(lùnwén)发布后(hòu)引发AI圈热议，被部分观点解读为(wèi)“苹果(píngguǒ)否定所有大模型的推理能力”。也有研究人员提出(tíchū)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(de)幻象：通过问题复杂性(fùzáxìng)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”

论文指出，OpenAI、Anthropic、谷歌和(hé)DeepSeek等公司纷纷(fēnfēn)推出带有“链式思考(sīkǎo)”（Chain-of-Thought，CoT）能力的模型，并声称它们(tāmen)更接近“类人思维”。

然而，该论文认为(rènwéi)，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(shàng)，现有评估主要集中在既定的数学和编码基准上，通过判断模型最终答案是否正确来评估其能力，这种(zhèzhǒng)方式可能存在数据污染，即模型在训练(xùnliàn)时可能见过类似(lèisì)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(tiàoqí)交换、过河问题和积木世界，通过精确控制谜题难度，来(lái)测试推理模型的推理能力。

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(tuīlǐmóxíng)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。当问题复杂度适度增加，推理模型优势显现(xiǎnxiàn)，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，准确率为零。这表明，推理模型(tuīlǐmóxíng)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理解(lǐjiě)推理模型的优势与局限》

面对难题，直接“躺平(tǎngpíng)”

同时，研究还发现，随着问题(wèntí)复杂度的(de)增加，推理模型在初期会投入更多的思考token。然而，当(dāng)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“缩放限制”。当它(tā)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(tǎngpíng)”，减少思考的努力。

过度思考，连(lián)“抄作业”都不会

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。他们发现，在简单(jiǎndān)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(guòchéng)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(wèi)零，推理变得混乱或不连贯。

更(gèng)令人担忧的是，在汉诺塔任务中，研究人员直接在提示词中提供了完整的解题算法(suànfǎ)，要求模型仅仅是“执行”这个算法。但模型的表现没有(méiyǒu)任何改善，依然在相同的复杂度上崩溃。

苹果(píngguǒ)论文引争议：测试设计存在缺陷？

苹果(píngguǒ)此次发布的论文在AI圈引发了不小的争议。

AI研究者(yánjiūzhě)Lisan al Gaib在复现论文中的汉诺塔测试后发现(fāxiàn)，模型根本不是因为推理(tuīlǐ)能力不佳而失败，而是因为输出token限制。

也就是说(yějiùshìshuō)，不是模型不会解答，而是无法输出如此多的内容。

GitHub软件工程师Sean Goedecke称，存在(cúnzài)复杂性阈值并不意味着推理模型(tuīlǐmóxíng)“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(hěn)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(bù)开始(kāishǐ)。”

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(hànnuòtǎ)？有很多人能做到，但也有很多做不到。那么，那些(nàxiē)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(zúgòu)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(wǒ)是苹果CEO，看到我的团队发表一篇(yīpiān)只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。

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)，许下无数承诺(chéngnuò)，但被所有人瞬间超越。赛程已进行两年，却(què)一无所获，于是写(xiě)了这篇论文说这一切都是不重要的。”

WWDC在(zài)即，苹果“酸了”？

图片来源(láiyuán)：苹果官网截图

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

北京时间6月10日凌晨(língchén)1点(diǎn)，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方面的进展可能有限，备受期待(qīdài)的Siri升级也将继续缺席。

据外媒报道，此次(cǐcì)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·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(shǎo)，甚至可能(kěnéng)“令人失望”。

在去年WWDC上发布苹果(píngguǒ)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应该更聪明、更懂用户、能够理解并执行复杂任务(rènwù)。然而(ránér)，一年(yīnián)过去，Siri的升级却迟迟未见实质性进展。

据多位前(qián)苹果员工透露，苹果AI领域的进展不顺，部分原因在于公司内部领导风格的差异和(hé)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(le)技术(jìshù)路线选择和(hé)隐私(yǐnsī)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时代给其带来了一些(yīxiē)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推进工作。”