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(rì)，苹果机器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》。论文作者包括(bāokuò)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(kànshì)会(huì)“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(quānrèyì)，被部分观点解读为“苹果否定所有大模型(móxíng)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(zhōng)的汉诺塔测试后发现，模型根本不是因为推理能力不佳(bùjiā)而失败，而是因为输出token限制(xiànzhì)。

图片来源：论文《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(yōushì)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、谷歌和(hé)DeepSeek等公司纷纷(fēnfēn)推出带有“链式思考(sīkǎo)”（Chain-of-Thought，CoT）能力(nénglì)的模型，并声称它们更接近“类人思维”。

然而，该论文认为，现有的推理模型看似会“思考”，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(huànxiàng)”。

苹果团队认为，在实验设计上，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(zuìzhōng)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类似题目。此外，这些评估大都(dàdū)缺乏对“思考过程(guòchéng)质量”的分析(fēnxī)。

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

图片来源：《思考的幻象(huànxiàng)：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(móxíng)并未解决模型能力瓶颈

实验结果显示，面对低复杂度任务，非推理模型比与之(zhī)对应的推理模型更准确高效。当问题复杂度适度(shìdù)增加(zēngjiā)，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(líng)。这表明，推理模型(tuīlǐmóxíng)并没有实际性地解决模型的能力瓶颈。

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

面对难题，直接“躺平(tǎngpíng)”

同时，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(sīkǎo)token。然而(ránér)，当问题难度达到某个临界点时，模型推理能力就会发生(fāshēng)崩溃，思考不增反降。

这表明(biǎomíng)，推理模型似乎存在一个内在的“缩放限制”。当它预感到问题过于困难无法(wúfǎ)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“抄作业”都(dōu)不会

此外，研究(yánjiū)人员不仅关注最终答案，还分析了(le)推理痕迹——即给出答案之前生成的(de)逐步“思考”过程(guòchéng)。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(zài)中等复杂度的问题中，模型往往在推理过程中走错路径，最终在“思考(sīkǎo)”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，推理变得混乱或(huò)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”这个算法。但模型的表现没有(méiyǒu)任何改善，依然在相同(xiāngtóng)的复杂度上崩溃。

苹果论文引争议：测试设计(shèjì)存在缺陷？

苹果此次发布的论文在AI圈(quān)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测试(cèshì)后发现，模型(móxíng)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。

也就是说，不是模型不会解答，而是无法(wúfǎ)输出如此多的内容。

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

Sean表示，即使没有推理到第十一步，但前(dànqián)十步仍是在推理。“根据我自己测试的结果，模型很早就(zǎojiù)决定数百个算法步骤太多了，根本无法尝试，因此(yīncǐ)它们干脆不开始。”

Sean举了一个例子(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(dàn)也有很多做不到。那么，那些(nàxiē)算不出答案(dáàn)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AI越狱提示词(cí)专家Plenny the Liberator直言，如果我是苹果CEO，看到我的团队发表一篇只(zhǐ)专注于记录(jìlù)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(píngguǒ)作为世界上最富有的公司(gōngsī)，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。赛程已进行两年，却一无所获(yīwúsuǒhuò)，于是写了这篇(zhèpiān)论文说这一切都是不重要的。”

WWDC在即，苹果“酸(suān)了”？

图片来源：苹果(píngguǒ)官网截图

部分(bùfèn)观点认为，苹果发布质疑推理模型能力的论文是“吃不到葡萄(pútáo)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(jíjiāng)(jiāng)拉开帷幕。然而，外界普遍认为，这次活动在AI方面的进展(jìnzhǎn)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(píngguǒ)在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，苹果今年WWDC中关于AI的内容(nèiróng)预计会比较少，甚至可能(kěnéng)“令人失望”。

在(zài)去年WWDC上发布苹果智能（Apple Intelligence）时，苹果曾(céng)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(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(jìnzhǎn)。

据多位前苹果员工透露，苹果AI领域的进展(jìnzhǎn)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(xiézuò)问题。

另一方面，苹果在AI领域的探索，也受到了技术路线选择和隐私(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(gěi)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’，你必须与负责隐私的部门反复(fǎnfù)沟通协调才能(cáinéng)推进(tuījìn)工作。”