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，苹果机器学习研究中心发表论文(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》。论文作者包括(bāokuò)谷歌大脑联合创始人Samy Bengio（图灵奖得主(dézhǔ)Yoshua Bengio的弟弟）。

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

论文发布后引发AI圈热议，被部分观点(guāndiǎn)解读为“苹果否定所有大模型的(de)推理能力”。也有研究人员(rényuán)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，模型根本(gēnběn)不是因为推理能力不佳而失败，而是(érshì)因为输出token限制。

图片来源：论文《思考(sīkǎo)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(júxiàn)》

苹果(píngguǒ)“炮轰”AI推理模型：所谓的思考只是一种“幻象”

论文指出，OpenAI、Anthropic、谷歌(gǔgē)和DeepSeek等(děng)公司纷纷推出带有“链式(liànshì)思考”（Chain-of-Thought，CoT）能力的模型，并声称它们更接近“类人思维(sīwéi)”。

然而，该论文认为，现有(xiànyǒu)的推理模型看似会“思考”，但其实并没有(méiyǒu)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，在实验设计上，现有评估主要集中在既定(jìdìng)的数学和编码基准上，通过(tōngguò)判断模型最终答案是否正确来评估其能力，这种方式可能(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，苹果团队设计了四类谜题环境，包括汉诺塔(hànnuòtǎ)、跳棋交换、过河(guòhé)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：《思考的幻象：通过(tōngguò)问题复杂性的视角理解推理模型(tuīlǐmóxíng)的优势与局限》

推理模型并未解决模型能力瓶颈(píngjǐng)

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。

但当问题难度超过一定临界点(línjièdiǎn)时，两类(liǎnglèi)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(de)幻象：通过问题复杂性(fùzáxìng)的视角理解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(de)增加，推理模型在初期(chūqī)会投入更多的思考token。然而，当问题难度达到(dádào)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(xiànzhì)”。当它预感到问题过于困难无法解决(jiějué)时，即便有充足的计算预算（token limit），它也会选择“躺平”，减少思考(sīkǎo)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(guānzhù)最终答案，还分析了推理(tuīlǐ)痕迹——即(jí)给出答案之前生成的逐步“思考”过程。他们发现(fāxiàn)，在简单的问题中，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(zài)中(zhōng)等复杂度的(de)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，准确度为零，推理变得混乱或不连贯。

更(gèng)令人担忧的是，在汉诺塔任务中，研究人员直接在提示词中提供了(le)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，依然在相同的复杂度上崩溃(bēngkuì)。

苹果论文引争议：测试设计存在(cúnzài)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(de)汉诺塔测试后发现，模型根本不是因为推理(tuīlǐ)能力不佳而失败，而是因为输出(shūchū)token限制。

也就是说，不是模型不会解答，而是无法输出(shūchū)如此多的内容。

GitHub软件工程师Sean Goedecke称，存在复杂性阈值并不(bù)(bù)意味着推理模型“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(gēnjù)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，根本无法尝试(chángshì)，因此它们干脆(gāncuì)不开始。”

Sean举了一个例子，“有多少人能(rénnéng)坐下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。那么，那些算不出答案(dáàn)的(de)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(qù)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，如果我是苹果CEO，看到我的团队发表一篇只专注于(yú)记录当前方法局限性的论文(lùnwén)，我会当场解雇所有参与者(cānyùzhě)。

AI博主henry表示，“苹果作为世界上最(zuì)富有的公司，拥有无与伦比的优势，全力(quánlì)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，于是写了这篇论文(lùnwén)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(fābù)质疑推理模型能力的论文是“吃不到葡萄(pútáo)说葡萄酸”。

北京时间6月10日(rì)凌晨(língchén)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(huódòng)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(gǔěrmàn)发文透露，苹果今年WWDC中关于AI的内容预计会比较(bǐjiào)少(shǎo)，甚至可能“令人失望”。

在(zài)去年WWDC上发布苹果(píngguǒ)智能（Apple Intelligence）时，苹果曾高调宣布对(duì)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(fùzá)任务。然而，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，部分原因在于公司(gōngsī)内部领导(lǐngdǎo)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(de)探索，也受到了技术路线选择和(hé)隐私政策带来的双重(shuāngchóng)影响。苹果一直以来引以为傲的“隐私至上(zhìshàng)”原则，在AI时代给其带来了一些新的负担。一位熟悉苹果AI和软件开发工作的人(rén)表示：“在苹果公司开发AI的过程中(zhōng)，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。”