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，苹果机器学习研究中心发表论文《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(júxiàn)》。论文作者包括谷歌(gǔgē)大脑联合(liánhé)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(tuīlǐ)模型看似会“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(yīzhǒng)“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(suǒyǒu)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问题。AI研究者Lisan al Gaib在复现论文中的汉诺塔测试后发现(fāxiàn)，模型根本不是因为推理能力不佳而失败(shībài)，而是因为输出token限制(xiànzhì)。

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的优势与(yǔ)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(fēnfēn)推出(tuīchū)带有“链式(liànshì)思考(sīkǎo)”（Chain-of-Thought，CoT）能力的模型，并声称它们更接近“类人思维”。

然而，该论文认为，现有的(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，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(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来评估其能力，这种方式可能存在数据污染，即(jí)模型在训练时可能见过类似题目。此外(cǐwài)，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(mítí)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(tuīlǐ)模型的推理能力。

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

推理模型并未(bìngwèi)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(tuīlǐmóxíng)比与之对应的推理模型更准确高效(gāoxiào)。当问题复杂度适度增加(zēngjiā)，推理模型优势显现，性能超过非推理模型。

但当问题难度(nándù)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解决模型的(de)能力瓶颈。

图片来源：《思考的幻象：通过(tōngguò)问题复杂性的视角理解(lǐjiě)推理模型的优势与局限》

面对难题，直接“躺平(tǎngpíng)”

同时(shí)，研究还发现，随着问题复杂度的增加，推理(tuīlǐ)模型在初期会投入更多(duō)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(biǎomíng)，推理模型似乎存在一个内在的“缩放(suōfàng)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(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(hái)分析了推理痕迹(hénjì)——即给出答案之前生成的逐步“思考(sīkǎo)”过程。他们发现，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，但随后继续进行不必要的思考。

在中(zhōng)等复杂度的问题中，模型往往在推理过程中走(zǒu)错路径，最终在“思考”的后期才(cái)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(zài)汉诺塔任务中，研究(yánjiū)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(zhíxíng)”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(yǐn)争议：测试设计存在缺陷？

苹果此次发布(fābù)的论文在AI圈引发了不小的争议。

AI研究者Lisan al Gaib在(zài)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(shūchū)token限制(xiànzhì)。

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软件工程师Sean Goedecke称，存在(cúnzài)复杂性阈值并不意味着(yìwèizhe)推理模型“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(suànfǎ)步骤太多了，根本无法尝试，因此它们干脆不开始(kāishǐ)。”

Sean举了一个(yígè)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，那些算不出答案的人就没有(méiyǒu)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(yīqiāncì)算法的迭代。”

著名AI越狱提示词专家(zhuānjiā)Plenny the Liberator直言，如果我是苹果CEO，看到我的团队发表一篇只专注于记录当前方法局限性(júxiànxìng)的论文(lùnwén)，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(de)公司，拥有无与伦比的优势，全力押注人工智能，许下无数承诺，但(dàn)被所有人瞬间超越。赛程(sàichéng)已(yǐ)进行两年，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(zài)即，苹果“酸了”？

图片来源(láiyuán)：苹果官网截图

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

北京时间6月10日凌晨1点，苹果(píngguǒ)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(de)进展可能有限，备受期待的Siri升级也将继续缺席(quēxí)。

据外媒报道，此次WWDC上苹果在AI方面的更新不会带来太多(duō)惊喜(jīngxǐ)。科技记者马克·古尔曼发文透露，苹果今年WWDC中(zhōng)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(zhònggòu)”，新Siri应该(yīnggāi)更聪明、更懂用户、能够理解(lǐjiě)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(shízhìxìng)进展。

据多位前苹果员工(yuángōng)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间的协作问题。

另一方面，苹果在(zài)AI领域的(de)探索(tànsuǒ)，也受到了技术路线选择和隐私政策带来的双重(shuāngchóng)影响。苹果一直以来引以为傲(yǐnyǐwéiào)的“隐私至上”原则，在AI时代给其带来了一些新的负担。一位(yīwèi)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沟通协调才能推进工作。”