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

当地时间6月6日，苹果(píngguǒ)机器学习研究中心发表(fābiǎo)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创始人Samy Bengio（图灵奖得主(dézhǔ)Yoshua Bengio的弟弟）。

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”。

论文发布后引发(yǐnfā)AI圈热议，被部分观点(guāndiǎn)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(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(yīnwèi)推理能力不佳而失败，而是因为输出token限制。

图片来源：论文(lùnwén)《思考的(de)幻象：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(de)思考只是一种“幻象”

论文指出(zhǐchū)，OpenAI、Anthropic、谷歌和DeepSeek等公司纷纷推出带有“链式(liànshì)思考”（Chain-of-Thought，CoT）能力的模型(móxíng)，并声称它们更接近“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(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”。

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

图片来源：《思考(sīkǎo)的(de)幻象：通过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，面对低复杂度任务(rènwù)，非推理模型比与之对应的推理模型更准确(zhǔnquè)高效。当(dāng)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(línjièdiǎn)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。

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(tuīlǐmóxíng)的优势与局限》

面对难题，直接“躺平(tǎngpíng)”

同时，研究还发现，随着(suízhe)问题复杂度(fùzádù)的增加(zēngjiā)，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“缩放限制”。当它预感(yùgǎn)到问题过于困难无法解决时，即便有(yǒu)充足(chōngzú)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(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(hénjì)——即给出答案之前生成的逐步“思考”过程(guòchéng)。他们发现(fāxiàn)，在简单的问题(wèntí)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(zhōngděng)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(hànnuòtǎ)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(yīrán)在相同的复杂度上崩溃。

苹果论文引(yǐn)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测试(cèshì)后发现，模型(móxíng)根本(gēnběn)不是因为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(érshì)无法输出如此多的内容。

GitHub软件工程师Sean Goedecke称，存在复杂性阈值并(bìng)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，但前十步仍是在推理。“根据我(wǒ)自己测试的结果，模型很早就决定数百个算法步骤太多了，根本无法尝试，因此它们(tāmen)干脆(gāncuì)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？有很多人能做到，但也(yě)有很多做不到。那么，那些算不出答案(dáàn)的人就(jiù)没有推理能力吗？当然有！他们只是没有足够的认真和耐心(nàixīn)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)是苹果CEO，看到我的团队(tuánduì)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(bózhǔ)henry表示，“苹果作为世界上最富有的公司，拥有无与伦比(wúyǔlúnbǐ)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(yǐ)进行(jìnxíng)两年，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，苹果“酸了(le)”？

图片来源：苹果官网截图(jiétú)

部分观点认为，苹果发布质疑(zhìyí)推理模型能力的论文是“吃不到葡萄(pútáo)说葡萄酸”。

北京时间(shíjiān)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AI方面(fāngmiàn)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上苹果在AI方面(fāngmiàn)的更新不会带来(dàilái)太多(duō)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“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(zhùshǒu)Siri进行“彻底重构”，新(xīn)Siri应该更(gèng)聪明、更懂用户、能够理解并执行复杂任务。然而(ránér)，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(bùfèn)原因在于公司(gōngsī)内部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(gōngzuò)的人表示：“在苹果公司开发AI的过程中，做任何事情都可能(kěnéng)遇到(yùdào)很多‘不’，你必须与负责(fùzé)隐私的部门反复沟通协调才能推进工作。”