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《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(yōushì)与(yǔ)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(gāi)论文认为，现有的推理模型看似会“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”。

论文发布后引发AI圈热议，被部分观点解读为(wèi)“苹果否定所有(yǒu)大模型的(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(zhōng)的汉诺塔测试后发现，模型根本不是因为(yīnwèi)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(yōushì)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(zhǐchū)，OpenAI、Anthropic、谷歌和(hé)DeepSeek等公司(gōngsī)纷纷推出带有“链式思考”（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，现有的推理(tuīlǐ)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(zhǐshì)一种“幻象”。

苹果团队认为(rènwéi)，在实验设计上，现有(xiànyǒu)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，这种方式可能存在(cúnzài)数据污染，即模型在训练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(bāokuò)汉诺塔、跳棋交换、过河问题和积木(jīmù)世界，通过精确控制谜题难度，来测试推理模型(tuīlǐmóxíng)的推理能力。

图片来源：《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(yǔ)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(miànduì)低复杂度任务，非推理模型比与之对应(duìyìng)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(xìngnéng)超过非推理模型。

但当问题(wèntí)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，推理模型并没有实际性地(dì)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(dádào)某个临界点时，模型推理能力(nénglì)就会发生崩溃，思考不增反降。

这表明，推理模型似乎存在(cúnzài)一个内在的“缩放限制(xiànzhì)”。当它(tā)预感到问题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”，减少思考的努力。

过度思考，连“抄作业”都不会(búhuì)

此外，研究人员不仅关注最终答案(dáàn)，还分析了(le)推理痕迹——即给出(gěichū)答案之前生成的逐步“思考”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(dàn)随后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(tuīlǐ)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(dàn)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(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(zhíxíng)”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(yǐn)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Lisan al Gaib在(zài)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token限制。

也就是说，不是模型不会解答(jiědá)，而是无法输出如此多的内容。

GitHub软件工程师Sean Goedecke称，存在复杂性阈值并不(bù)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(dìshí)一步，但前十步仍是在推理。“根据我自己测试的结果，模型很早就决定数百个算法(suànfǎ)步骤太多了(le)，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(rén)能坐下来正确地算出一千步汉诺塔？有很多人能做到，但(dàn)也有很多做不到。那么，那些算不出答案的人就没有(méiyǒu)推理能力吗？当然(dāngrán)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(wǒ)是(shì)苹果CEO，看到我的(de)团队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(gōngsī)，拥有(yōngyǒu)无与伦比的优势，全力押注人工智能，许下无数承诺，但被所有人瞬间超越。赛程已进行两年(liǎngnián)，却一无所获，于是写了这篇论文说(shuō)这一切都是不重要的。”

WWDC在(zài)即，苹果“酸了”？

图片来源(láiyuán)：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，苹果年度开发者(kāifāzhě)大会（WWDC 2025）即将拉开帷幕。然而，外界普遍认为(pǔbiànrènwéi)，这次活动在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(píngguǒ)在AI方面的更新不会带来太多惊喜(jīngxǐ)。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(zài)去年WWDC上发布苹果智能（Apple Intelligence）时，苹果曾高调宣布对语音助手(zhùshǒu)Siri进行“彻底(chèdǐ)重构”，新Siri应该更聪明、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(wèijiàn)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，部分原因在于公司内部领导风格的差异和(hé)组织(zǔzhī)间的协作问题。

另一方面，苹果在AI领域的(de)(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(fùzé)隐私的部门反复(fǎnfù)沟通协调才能推进工作。”