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(dāngdì)时间6月6日，苹果机器学习研究中心发表论文(lùnwén)《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》。论文作者包括谷歌大脑联合(liánhé)创始人(chuàngshǐrén)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(dàn)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”。

论文发布后引发AI圈热议，被部分观点解读为“苹果否定所有(yǒu)大模型的推理能力”。也有研究(yánjiū)人员提出(tíchū)反驳，认为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(tōngguò)问题复杂性的视角理解推理模型的优势与局限》

苹果“炮轰(pàohōng)”AI推理模型：所谓的思考只是一种“幻象”

论文指出，OpenAI、Anthropic、谷歌(gǔgē)和DeepSeek等公司纷纷推出带有(dàiyǒu)“链式思考”（Chain-of-Thought，CoT）能力的模型，并(bìng)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”，但其实并没有稳定(wěndìng)、可理解的思维过程，所谓的推理思考只是一种“幻象”。

苹果(píngguǒ)团队认为，在(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(jīzhǔn)上，通过判断模型最终答案是否正确来评估其能力，这种方式可能存在数据污染，即模型在训练时可能见过(jiànguò)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、跳棋交换(jiāohuàn)、过河(guòhé)问题和积木世界，通过精确(jīngquè)控制谜题难度，来测试推理模型的推理能力。

图片来源：《思考的幻象：通过问题复杂性的视角(shìjiǎo)理解(lǐjiě)推理模型的优势与局限》

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(yǔ)之对应的推理模型更准确(zhǔnquè)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。

但当问题难度超过一定临界点时，两类模型(móxíng)性能均严重下降，准确率为零。这表明，推理模型并(bìng)没有实际性地解决模型的能力瓶颈。

图片来源：《思考的幻象：通过(tōngguò)问题复杂性的视角(shìjiǎo)理解推理模型的优势与局限》

面对难题，直接(zhíjiē)“躺平”

同时，研究还发现，随着问题复杂度的增加，推理模型(móxíng)在初期会(huì)投入更多的思考token。然而，当问题难度(nándù)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(suōfàng)限制”。当它预感到问题过于困难无法解决时，即便有充足的计算预算(yùsuàn)（token limit），它也会(huì)选择“躺平”，减少思考的努力。

过度思考，连“抄作业(zuòyè)”都不会

此外，研究人员不仅关注(guānzhù)最终答案(dáàn)，还(hái)分析了推理(tuīlǐ)痕迹——即给出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，但随后继续进行不必要的思考。

在中等复杂度(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(zhèngquè)的答案。但在高复杂度的问题中，准确度为零，推理变得混乱(hùnluàn)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(xiāngtóng)的复杂度上崩溃(bēngkuì)。

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(zhōng)的(de)汉诺塔测试后发现，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，不是模型不会(búhuì)解答，而是无法输出如此多的内容。

GitHub软件工程师Sean Goedecke称(chēng)，存在复杂性阈值(yùzhí)并不意味着推理模型“实际上并不推理”。

Sean表示(biǎoshì)，即使(jíshǐ)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(le)一个例子(lìzi)，“有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(qù)手动完成一千次算法的迭代。”

著名AI越狱提示词专家(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(fāngfǎ)局限性(júxiànxìng)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(shìjiè)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(chāoyuè)。赛程已进行两年，却一无所获，于是写了这篇论文说这一切都是不重要(zhòngyào)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(fābù)质疑推理模型能力的论文(lùnwén)是“吃不到葡萄说葡萄酸”。

北京时间6月10日(rì)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，这次活动在(zài)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(jù)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，苹果今年WWDC中关于AI的内容预计会比较少，甚至可能“令人(lìngrén)失望”。

在去年WWDC上(shàng)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，一年过去，Siri的升级却迟迟未见实质性(shízhìxìng)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(nèibù)领导风格的差异和(hé)组织间的协作问题。

另一方面，苹果在AI领域的探索，也受到了(le)技术路线选择和隐私政策带来(dàilái)的双重影响(yǐngxiǎng)。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(yīxiē)新的负担。一位熟悉苹果AI和软件开发工作的人(rén)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。”