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(shíjiān)6月6日，苹果机器学习研究中心发表论文《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(gǔgē)大脑(dànǎo)联合创始人Samy Bengio（图灵奖得主Yoshua Bengio的弟弟(dìdì)）。

该论文认为，现有的推理模型看似会“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(huànxiàng)”。

论文发布后引发AI圈热议，被部分观点解读为“苹果(píngguǒ)否定所有大模型(móxíng)的推理能力”。也有研究(yánjiū)人员提出反驳，认为苹果的测试方法存在(zài)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(xiànzhì)。

图片来源：论文《思考(sīkǎo)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》

苹果“炮轰”AI推理模型：所谓的思考只是一种“幻象(huànxiàng)”

论文指出，OpenAI、Anthropic、谷歌和DeepSeek等(děng)公司纷纷推出带有“链式思考”（Chain-of-Thought，CoT）能力的模型，并声称它们(tāmen)更(gèng)接近(jiējìn)“类人思维”。

然而，该论文认为，现有的(de)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(huànxiàng)”。

苹果团队认为，在实验设计上，现有评估(pínggū)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(shìfǒu)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(xùnliàn)时可能见过类似题目(tímù)。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、过河问题和积木世界，通过(tōngguò)精确控制谜题难度(nándù)，来测试(cèshì)推理模型的推理能力。

图片来源：《思考(sīkǎo)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》

推理模型并未解决模型能力(nénglì)瓶颈

实验结果显示，面对低复杂度任务，非推理模型(tuīlǐmóxíng)比与之对应的推理模型更(gèng)准确高效。当问题复杂度适度(shìdù)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(jūn)严重下降，准确率(zhǔnquèlǜ)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(de)幻象：通过问题复杂性的视角理解推理模型的优势与(yǔ)局限》

面对难题(nántí)，直接“躺平”

同时(tóngshí)，研究还发现，随着(suízhe)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)(tā)预感到问题过于困难无法解决(jiějué)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(lián)“抄作业”都不会

此外，研究人员(rényuán)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逐步“思考(sīkǎo)”过程。他们发现，在简单(jiǎndān)的问题中，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。

在中等复杂度的问题中，模型往往在推理过程中走(zǒu)错(cuò)路径(lùjìng)，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，推理变得混乱或不连贯。

更令人担忧的是(shì)，在汉诺塔任务中，研究人员直接在提示词中(cízhōng)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上崩溃(bēngkuì)。

苹果论文引争议：测试设计(shèjì)存在缺陷？

苹果此次发布的论文在AI圈引发了(le)不小的争议。

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

也就是说，不是模型不会解答，而是无法输出如此(rúcǐ)多的内容。

GitHub软件工程师Sean Goedecke称，存在复杂性阈值(yùzhí)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(yībù)，但前十步仍(réng)是在推理。“根据我自己测试的结果，模型很早就决定数百个算法步骤(bùzhòu)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(yǒu)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手动完成一千次(yīqiāncì)算法的迭代。”

著名AI越狱提示词(cí)专家Plenny the Liberator直言，如果我是苹果CEO，看到我的团队发表一篇(yīpiān)只专注于(yú)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(píngguǒ)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，许下无数(wúshù)承诺，但被所有人瞬间超越。赛程(sàichéng)已进行两年(liǎngnián)，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，苹果发布质疑推理模型能力(nénglì)的论文是“吃不到葡萄(pútáo)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(dàhuì)（WWDC 2025）即将拉开帷幕。然而，外界普遍认为，这次活动在(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(tòulù)，苹果今年WWDC中关于AI的内容预计会比较少，甚至可能(kěnéng)“令人失望”。

在去年WWDC上发布苹果智能（Apple Intelligence）时，苹果曾高调宣布(xuānbù)对语音助手(zhùshǒu)Siri进行“彻底重构(zhònggòu)”，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(de)进展不顺，部分原因在于公司内部领导风格的差异和组织间的协作问题(wèntí)。

另一方面，苹果(píngguǒ)在AI领域的(de)探索，也受到了技术(jìshù)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(fùzé)隐私的部门反复沟通协调才能(cáinéng)推进工作。”