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(yánjiū)中心发表论文《思考的幻象(huànxiàng)：通过问题复杂性(fùzáxìng)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创始人Samy Bengio（图灵奖(túlíngjiǎng)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、可理解(lǐjiě)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(quānrèyì)，被部分观点解读为“苹果否定所有大模型的推理(tuīlǐ)能力(nénglì)”。也有研究人员(rényuán)提出反驳(fǎnbó)，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，而是因为输出token限制。

图片来源：论文《思考的(de)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》

苹果“炮轰”AI推理模型：所谓的思考(sīkǎo)只是一种“幻象”

论文指出，OpenAI、Anthropic、谷歌和DeepSeek等公司(gōngsī)纷纷(fēnfēn)推出带有(dàiyǒu)“链式思考”（Chain-of-Thought，CoT）能力的(de)模型，并声称它们更接近“类人思维”。

然而(ránér)，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(wěndìng)、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)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是否正确来评估其能力，这种方式(fāngshì)可能存在数据污染，即(jí)模型在训练时可能见过类似题目。此外，这些评估大都缺乏(quēfá)对“思考过程质量”的分析。

为此，苹果团队设计了四类(sìlèi)谜题环境，包括汉诺塔、跳棋交换、过河问题和积木世界(shìjiè)，通过精确控制谜题难度，来测试推理模型的(de)推理能力。

图片来源：《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》

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(fēi)(fēi)推理模型(tuīlǐmóxíng)比与之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。

但当(dāng)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。这表明，推理模型并没有(méiyǒu)实际性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(tuīlǐmóxíng)的优势与局限》

面对难题，直接(zhíjiē)“躺平”

同时，研究(yánjiū)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，当问题难度达到某个临界点时，模型推理能力(nénglì)就会发生崩溃(bēngkuì)，思考不增反降。

这表明，推理模型似乎(sìhū)存在一个内在的(de)“缩放限制”。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（token limit），它也会选择“躺平”，减少思考(sīkǎo)的努力。

过度思考(sīkǎo)，连“抄作业”都不会

此外，研究人员不仅(bùjǐn)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(zhúbù)“思考”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，但随后继续进行(jìnxíng)不必要的思考。

在中等复杂度的问题(wèntí)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(gāo)复杂度的问题中，准确度为零，推理变得混乱或(huò)不连贯。

更令人担忧的是，在汉诺塔任务(rènwù)中，研究人员直接在提示词中提供了完整(wánzhěng)的解题算法，要求模型仅仅是“执行”这个(zhègè)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(lùnwén)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测试后发现，模型根本不是因为(yīnwèi)推理能力不佳而(ér)失败，而是因为输出token限制。

也就是说，不是(búshì)模型不会解答，而是无法输出如此多的内容。

GitHub软件工程师(gōngchéngshī)Sean Goedecke称，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，即使没有推理到第十一步，但前十步仍(réng)是在推理。“根据我(wǒ)自己测试的结果，模型很早就决定数百个(shùbǎigè)算法步骤太多了，根本无法尝试，因此它们干脆不开始。”

Sean举了(le)一个例子，“有多少人(rén)能坐下(zuòxià)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(búdào)。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(zhùmíng)AI越狱提示词专家Plenny the Liberator直言，如果(rúguǒ)我是苹果CEO，看到我的团队发表一篇(yīpiān)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(zuòwéi)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。赛程已进行两年(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(jí)，苹果“酸了”？

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的论文是(shì)“吃不到(búdào)葡萄说葡萄酸”。

北京时间6月10日凌晨1点，苹果(píngguǒ)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AI方面(fāngmiàn)的(de)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(zài)AI方面的更新不会带来太多惊喜。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(yùjì)会比较少，甚至可能“令人失望”。

在去年WWDC上发布苹果智能（Apple Intelligence）时(shí)，苹果曾高调宣布对(duì)语音助手Siri进行“彻底重构”，新(xīn)Siri应该更聪明、更懂(dǒng)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领域的进展不顺，部分原因(yuányīn)在于公司内部(nèibù)领导风格的差异和组织间的协作问题。

另一方面，苹果(píngguǒ)在AI领域的探索，也受到了技术路线(lùxiàn)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(ruǎnjiànkāifā)工作的人表示：“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(yǔ)负责隐私的部门反复沟通协调才能推进工作。”