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》。论文作者包括谷歌大脑联合(liánhé)创始人Samy Bengio（图灵奖得主Yoshua Bengio的弟弟(dìdì)）。

该论文认为，现有的(de)推理模型看似会“思考”，但其实并没有稳定、可理解(lǐjiě)的思维过程，所谓的推理思考只是一种“幻象”。

论文(lùnwén)发布后引发AI圈热议，被(bèi)部分观点解读为“苹果否定所有大模型的推理能力”。也有研究人员提出反驳，认为苹果的测试方法存在(zài)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(yīnwèi)推理能力不佳(bùjiā)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(tuīlǐmóxíng)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、谷歌和DeepSeek等公司纷纷推出(tuīchū)带有“链式(liànshì)思考”（Chain-of-Thought，CoT）能力的模型，并声称(shēngchēng)它们更接近“类人思维(sīwéi)”。

然而，该论文认为，现有的(de)推理模型看似会“思考”，但其实并没有稳定、可理解的思维过程(sīwéiguòchéng)，所谓的推理思考只是一种“幻象”。

苹果团队认为，在实验设计上，现有评估主要集中(jízhōng)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(zhèzhǒng)方式(fāngshì)可能存在数据污染，即模型在训练(xùnliàn)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(tuánduì)设计了四类谜题环境(huánjìng)，包括汉诺塔、跳棋交换、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(nénglì)。

图片(túpiàn)来源：《思考的幻象：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(tuīlǐmóxíng)并未解决模型能力瓶颈

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的推理模型更准确高效(gāoxiào)。当问题(wèntí)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(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(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(wèntí)复杂性的视角理解(lǐjiě)推理模型的优势与局限》

面对(miànduì)难题，直接“躺平”

同时，研究还发现，随着问题(wèntí)复杂度的增加，推理模型在初期会投入更多的思考token。然而，当(dāng)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(tuīlǐmóxíng)似乎存在一个内在(nèizài)的“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”，减少思考的努力。

过度(guòdù)思考，连“抄作业”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)逐步(zhúbù)“思考”过程。他们发现，在简单的问题中，模型往往在早期就(jiù)找到(zhǎodào)了正确的解决方案，但随后继续进行不必要的思考。

在(zài)中(zhōng)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”的后期才找到正确的答案。但在高复杂度的问题中，准确度(zhǔnquèdù)为零，推理变得混乱或不连贯。

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，要求模型(móxíng)仅仅是“执行”这个算法。但模型的表现没有任何改善(gǎishàn)，依然在相同的复杂度上崩溃。

苹果(píngguǒ)论文引争议：测试设计存在缺陷？

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(érshì)因为输出token限制。

也就是说，不是模型不会解答，而是无法输出如此多(duō)的内容。

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

Sean表示，即使没有(méiyǒu)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，模型很早就决定数百个算法步骤太多了(le)，根本无法尝试，因此它们干脆不开始。”

Sean举了一个例子，“有(yǒu)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，那些算不出(suànbùchū)答案的人就没有推理能力吗？当然有！他们只是(zhǐshì)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)(wǒ)是苹果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(bózhǔ)henry表示，“苹果作为世界上最富有(fùyǒu)的公司，拥有无与伦比的优势，全力押注(yāzhù)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：苹果官网截图(jiétú)

部分观点认为，苹果发布(fābù)质疑推理模型能力的论文是“吃不到(búdào)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(jiāng)拉开帷幕。然而(ránér)，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升级也将继续缺席。

据外媒报道，此次WWDC上(shàng)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(kěnéng)“令人失望(shīwàng)”。

在去年WWDC上发布苹果智能（Apple Intelligence）时，苹果曾高调宣布对语音助手Siri进行“彻底重构(zhònggòu)”，新Siri应该更(gèng)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(shēngjí)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(de)进展不顺，部分原因在于公司内部领导风格的差异和组织(zǔzhī)间的协作问题。

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政策带来(dàilái)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(fùdān)。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(guòchéng)中，做任何(rènhé)事情都可能(kěnéng)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。”