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(fābiǎo)论文《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(gǔgē)大脑联合创始人Samy Bengio（图灵奖得主(dézhǔ)Yoshua Bengio的弟弟）。

该论文(lùnwén)认为，现有的推理模型看似会“思考”，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”。

论文发布后(hòu)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(nénglì)”。也有研究人员提出反驳(fǎnbó)，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《思考的幻象：通过问题复杂性的视角理解(lǐjiě)推理模型(tuīlǐmóxíng)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(gǔgē)和DeepSeek等公司(gōngsī)纷纷推出带有(dàiyǒu)“链式思考”（Chain-of-Thought，CoT）能力的模型，并声称它们更接近(jiējìn)“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(yīzhǒng)“幻象”。

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(biānmǎ)基准上，通过判断模型最终答案是否正确(zhèngquè)来评估其能力，这种方式(fāngshì)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(zhìliàng)”的分析。

为此，苹果团队设计了四类(sìlèi)谜题(mítí)环境，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(tuīlǐmóxíng)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(shíyàn)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(gèng)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。

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

图片来源：《思考(sīkǎo)的幻象：通过问题复杂性的视角理解(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，随着问题复杂度的增加，推理模型在初期(chūqī)会投入更多的思考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(fāshēng)崩溃，思考不增反降。

这表明，推理模型似乎存在(cúnzài)一个内在的“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(yùsuàn)（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)逐步“思考”过程。他们(tāmen)发现，在简单的问题中，模型往往在早期(zǎoqī)就找到了正确的解决方案，但随后(suíhòu)继续进行不必要的思考。

在中等复杂度的问题中，模型往往在推理过程中走错(cuò)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(wèi)零，推理变得混乱(hùnluàn)或不连贯。

更令人担忧(lìngréndānyōu)的是，在汉诺塔任务中，研究人员(rényuán)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，依然在相同的复杂度上崩溃。

苹果论文引争议：测试设计存在缺陷(quēxiàn)？

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(yánjiūzhě)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)推理能力不佳而(ér)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(gōngchéngshī)Sean Goedecke称，存在复杂性阈值并(bìng)不意味着推理模型“实际上并不推理”。

Sean表示(biǎoshì)，即使没有推理到(dào)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(hěn)早就决定数百个算法步骤太多了，根本无法尝试，因此它们干脆不开始。”

Sean举了一个例子，“有多少人能坐下来正确地算出一千步汉诺塔？有很多(hěnduō)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？当然有！他们只是没有足够的认真和耐心去手动完成(wánchéng)一千次算法(suànfǎ)的迭代。”

著名AI越狱提示词专家Plenny the Liberator直言(zhíyán)，如果我是苹果CEO，看到我的(de)团队发表一篇只专注于记录当前(dāngqián)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，“苹果作为世界上最富有(fùyǒu)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(shùnjiān)超越。赛程已进行两年，却一无所获，于是(yúshì)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(láiyuán)：苹果官网截图

部分观点(guāndiǎn)认为，苹果发布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(shíjiān)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，这次活动在AI方面的进展可能(kěnéng)有限，备受期待的Siri升级(shēngjí)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(tài)多惊喜(jīngxǐ)。科技记者(jìzhě)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“令人失望”。

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”，新(xīn)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(guòqù)，Siri的升级(shēngjí)却迟迟未见实质性(shízhìxìng)进展。

据多位前(qián)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)领导风格的差异和组织间的协作问题。

另一方面，苹果在AI领域(lǐngyù)的(de)探索，也受到了技术路线选择和(hé)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(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的过程中，做任何事情都可能遇到很多(hěnduō)‘不’，你必须与负责隐私的部门反复沟通协调才能(cáinéng)推进工作。”