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(dāngdì)时间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(lǐjiě)推理模型的优势(yōushì)与局限》。论文作者包括谷歌(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(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一种“幻象”。

论文发布后引发AI圈热议，被部分(bùfèn)观点(guāndiǎn)解读为“苹果(píngguǒ)否定所有(suǒyǒu)大模型的推理能力”。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(érshì)因为输出token限制。

图片(túpiàn)来源：论文《思考(sīkǎo)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》

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(gǔgē)和DeepSeek等公司纷纷推出带有“链式思考”（Chain-of-Thought，CoT）能力的(de)模型(móxíng)，并(bìng)声称它们更接近“类人思维”。

然而，该论文认为，现有的推理模型看似会“思考(sīkǎo)”，但其实并(bìng)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(zài)(zài)实验设计上，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(dáàn)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(tōngguò)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：《思考的(de)幻象：通过问题复杂性的视角(shìjiǎo)理解推理模型的优势与局限》

推理模型并未解决(jiějué)模型能力瓶颈

实验结果显示，面对低复杂度(fùzádù)任务，非推理模型比与之对应的推理模型更准确高效。当问题(wèntí)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，两类模型性能均严重下降，准确率为零。这(zhè)表明，推理模型并没有实际性(shíjìxìng)地解决模型的能力瓶颈。

图片(túpiàn)来源：《思考的幻象：通过问题复杂性的视角理解推理模型的优势(yōushì)与局限》

面对难题(nántí)，直接“躺平”

同时，研究还发现，随着问题(wèntí)复杂度的增加，推理模型在初期(chūqī)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(yígè)内在的“缩放限制”。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(yě)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，还分析了推理痕迹——即给出答案之前生成的(de)(de)逐步“思考”过程。他们发现(fāxiàn)，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(zài)中等复杂度(fùzádù)的问题中，模型往往在推理过程中走错路径，最终在“思考”的后期才找到正确的答案。但在高复杂度的问题中，准确度为零，推理变得(biàndé)混乱或不连贯。

更令人担忧的是，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(yāoqiú)模型(móxíng)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。

苹果论文引争议：测试(cèshì)设计存在缺陷？

苹果此次发布的论文在AI圈引发(yǐnfā)了不小的争议。

AI研究者Lisan al Gaib在复现论文中的汉诺塔测试(cèshì)后发现(fāxiàn)，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意味着(yìwèizhe)推理(tuīlǐ)模型“实际上并不推理”。

Sean表示，即使没有推理到第十一步，但前(dànqián)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步骤太多了，根本无法尝试，因此它们(tāmen)干脆不开始。”

Sean举了一个(yígè)例子，“有多少人能坐下来(lái)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(nàme)，那些算不出答案的人就没有推理能力吗(ma)？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算法的迭代。”

著名AI越狱提示(tíshì)词专家(zhuānjiā)Plenny the Liberator直言，如果我是苹果CEO，看到我的团队发表一篇只专注于记录当前方法局限性(júxiànxìng)的论文，我会当场解雇所有参与者。

AI博主henry表示(biǎoshì)，“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，许下无数承诺，但被所有人瞬间超越(chāoyuè)。赛程已进行(jìnxíng)两年，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在即，苹果(píngguǒ)“酸了”？

图片(túpiàn)来源：苹果官网截图

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

北京时间6月10日凌晨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(zhècì)活动在AI方面的进展可能有限(yǒuxiàn)，备受期待(qīdài)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太多惊喜。科技记者马克·古尔曼(gǔěrmàn)发文透露(tòulù)，苹果今年WWDC中关于AI的内容预计(yùjì)会比较少，甚至可能“令人失望”。

在去年(qùnián)WWDC上(shàng)发布苹果(píngguǒ)智能（Apple Intelligence）时(shí)，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。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(tòulù)，苹果AI领域的进展不顺，部分原因在于公司内部领导(lǐngdǎo)风格的差异和组织间的协作问题。

另一方面，苹果(píngguǒ)在AI领域的(de)探索，也受到了技术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(qí)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(zuò)任何事情都可能遇到很多‘不(bù)’，你必须与负责隐私的部门反复沟通协调才能推进工作。”