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(shíjiān)6月6日，苹果机器学习研究中心(zhōngxīn)发表论文《思考的(de)(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》。论文作者包括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(xiànyǒu)的推理模型(tuīlǐmóxíng)看似会“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(hòu)引发AI圈热议，被部分(bùfèn)观点解读(jiědú)为“苹果否定所有大模型的推理(tuīlǐ)能力”。也有研究人员提出反驳，认为苹果的测试(cèshì)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(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》

苹果“炮轰”AI推理模型：所谓的思考只是一种“幻象(huànxiàng)”

论文指出(zhǐchū)，OpenAI、Anthropic、谷歌和DeepSeek等公司纷纷推出带有“链式思考”（Chain-of-Thought，CoT）能力(nénglì)的(de)模型，并声称它们(tāmen)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”，但其实并(bìng)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”。

苹果团队(tuánduì)认为，在实验设计上(shàng)，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(zhèngquè)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，这些评估大都缺乏对“思考过程(guòchéng)质量”的分析。

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

图片来源(láiyuán)：《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(móxíng)并未解决模型能力瓶颈

实验结果显示，面对(miànduì)低复杂度(fùzádù)任务，非推理模型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(xìngnéng)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。这表明，推理模型并没有实际性地(dì)解决模型的能力瓶颈(píngjǐng)。

图片来源(láiyuán)：《思考的幻象：通过问题复杂性的视角理解推理模型的优势(yōushì)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，推理模型在初期会(huì)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(jiù)会发生崩溃，思考不增反降(fǎnjiàng)。

这表明，推理模型(tuīlǐmóxíng)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，即便有充足的计算预算（token limit），它也(yě)会选择“躺平”，减少思考的努力。

过度思考(sīkǎo)，连“抄作业”都不会

此外，研究人员不仅关注最终答案，还分析(fēnxī)了推理痕迹——即给出答案之前生成的(de)逐步“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(jiějuéfāngàn)，但随后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(zǒu)错路径，最终(zuìzhōng)在“思考”的后期(hòuqī)才找到正确的答案。但在高复杂度的问题中，准确度为零，推理变得混乱或不连贯。

更令人担忧的是，在汉诺塔任务(rènwù)中，研究(yánjiū)人员直接在提示词中提供了完整的解题(jiětí)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，依然在相同的复杂度上崩溃。

苹果论文引争议(zhēngyì)：测试设计存在缺陷？

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(yánjiūzhě)Lisan al Gaib在复现(fùxiàn)论文中的汉诺塔测试后(hòu)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。

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(ruǎnjiàn)工程师Sean Goedecke称，存在复杂性阈值并不意味着推理(tuīlǐ)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。“根据我自己测试的(de)结果，模型(móxíng)很早就决定数百个算法步骤太多了，根本无法尝试，因此它们干脆不开始。”

Sean举了一个(yígè)例子，“有多少人能坐下(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(wánchéng)一千次算法的迭代。”

著名AI越狱提示词专家Plenny the Liberator直言，如果我是苹果CEO，看到(kàndào)我的团队(tuánduì)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。赛程已进行(jìnxíng)两年，却一无所获，于是写了这(zhè)篇论文说这一切都是不重要(zhòngyào)的。”

WWDC在即，苹果(píngguǒ)“酸了”？

图片(túpiàn)来源：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(shì)“吃不到葡萄说葡萄酸”。

北京时间6月10日凌晨1点，苹果年度开发者大会（WWDC 2025）即将拉开帷幕。然而(ránér)，外界普遍认为，这次活动在(zài)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上苹果在AI方面的(de)更新不会带来太多惊喜(jīngxǐ)。科技记者马克·古尔曼发文透露，苹果今年(jīnnián)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(shàng)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、更懂用户、能够理解并执行复杂任务。然而，一年(yīnián)过去(guòqù)，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，部分原因在于公司内部(nèibù)领导风格的差异和组织间的协作问题(wèntí)。

另一方面，苹果在AI领域的探索，也受到(shòudào)了技术路线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(fùdān)。一位熟悉苹果AI和软件开发(kāifā)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(kěnéng)遇到很多‘不’，你必须与负责隐私的部门(bùmén)反复沟通协调才能推进工作。”