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，苹果机器(jīqì)学习研究中心发表论文《思考(sīkǎo)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》。论文作者(zuòzhě)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，现有的推理模型看似会“思考”，但其实并没有稳定、可理解(lǐjiě)的思维过程，所谓的推理思考只是(zhǐshì)一种“幻象”。

论文发布(fābù)后引发AI圈热议，被部分观点解读为“苹果否定所有大模型的(de)推理能力”。也有研究人员提出反驳，认为(rènwéi)苹果的测试方法存在(cúnzài)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(búshì)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：通过问题复杂性的视角理解推理模型的优势与局限(júxiàn)》

苹果“炮轰”AI推理模型：所谓(suǒwèi)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(tuīchū)带有“链式(liànshì)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，该论文认为(rènwéi)，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”。

苹果团队认为，在实验设计上，现有评估主要集中(jízhōng)在既定的(de)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(nénglì)，这种方式可能存在数据污染，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(guòchéng)质量”的分析。

为此，苹果团队设计(shèjì)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，通过精确控制谜题难度，来测试(cèshì)推理模型的推理能力。

图片来源：《思考(sīkǎo)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》

推理模型并未(bìngwèi)解决模型能力瓶颈

实验结果显示，面对(miànduì)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(dàn)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(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(sīkǎo)的幻象：通过问题(wèntí)复杂性的视角理解推理模型的优势与局限》

面对难题(nántí)，直接“躺平”

同时，研究还发现，随着问题复杂度的(de)增加，推理模型(tuīlǐmóxíng)在初期会投入(tóurù)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(de)“缩放限制”。当它(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“抄(chāo)作业”都不会

此外，研究人员不仅关注最终答案，还分析了(le)推理痕迹——即给出(gěichū)答案之前生成的逐步“思考(sīkǎo)”过程。他们发现，在简单的问题中，模型往往在早期就找到了正确的解决方案，但随后继续(jìxù)进行不必要的思考。

在中等(zhōngděng)复杂度的(de)问题中，模型往往在推理过程中走错路径，最终在“思考”的后期才找到(zhǎodào)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(de)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，要求模型仅仅是“执行(zhíxíng)”这个算法。但(dàn)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(de)论文在AI圈引发了不小的争议。

AI研究者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(shūchū)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，存在复杂性阈值(yùzhí)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(tuīlǐ)到第十一步，但前十步仍是在推理。“根据我自己测试(cèshì)的结果，模型很早就决定数百个算法(suànfǎ)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(rénnéng)坐下来正确(zhèngquè)地算出(dìsuànchū)一千步汉诺塔？有很多人能做到，但也有很多做不到。那么，那些算不出答案的人就没有推理能力吗？当然有！他们只是(zhǐshì)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(de)团队(tuánduì)发表一篇只专注于(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，“苹果作为世界上最富有的公司，拥有无与伦比(wúyǔlúnbǐ)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。赛程已进行两年，却一无所获(yīwúsuǒhuò)，于是写了这篇论文(lùnwén)说这一切都是不重要的。”

WWDC在即，苹果“酸了(le)”？

图片来源：苹果(píngguǒ)官网截图

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

北京时间6月10日凌晨1点，苹果年度(niándù)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AI方面(fāngmiàn)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(bàodào)，此次WWDC上苹果在AI方面的更新不会(búhuì)带来太多惊喜。科技记者马克·古尔曼发文(fāwén)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”。

在去年WWDC上发布(fābù)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(nénggòu)理解并执行复杂任务。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(píngguǒ)(píngguǒ)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组织间的协作问题。

另一方面，苹果在(zài)AI领域的探索，也受到了技术(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新的负担。一位熟悉苹果AI和软件开发(ruǎnjiànkāifā)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(yǔ)负责隐私的部门反复沟通协调才能推进工作。”