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(yuè)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(wèntí)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(rènwéi)，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“幻象”。

论文发布后引发AI圈热议(quānrèyì)，被部分观点解读(jiědú)为“苹果(píngguǒ)否定所有大模型的推理能力”。也有研究人员提出(tíchū)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(zhōng)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(láiyuán)：论文《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》

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，OpenAI、Anthropic、谷歌(gǔgē)和DeepSeek等公司纷纷(fēnfēn)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(jiējìn)“类人思维”。

然而，该论文认为，现有的推理模型(tuīlǐmóxíng)看似会“思考”，但其实并没有稳定(wěndìng)、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(shíyànshèjì)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(qí)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“思考过程质量(zhìliàng)”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、过河(guòhé)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(de)推理能力。

图片来源：《思考的幻象：通过问题复杂性(fùzáxìng)的视角理解推理模型的优势与(yǔ)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，非推理模型比(bǐ)与之(zhī)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，性能超过(chāoguò)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(tuīlǐmóxíng)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(fùzáxìng)的视角理解推理模型的优势与局限(júxiàn)》

面对难题，直接(zhíjiē)“躺平”

同时，研究(yánjiū)还发现，随着问题复杂度的(de)增加，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(bēngkuì)，思考不增反降。

这表明，推理模型(tuīlǐmóxíng)似乎存在一个内在的“缩放限制”。当它预感到(dào)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”，减少思考的努力。

过度思考，连(lián)“抄作业”都不会

此外，研究人员不仅(bùjǐn)关注最终答案，还分析了推理痕迹——即给出答案之前生成的逐步(zhúbù)“思考”过程。他们发现，在简单的问题中，模型往往(wǎngwǎng)在早期就找到了正确的解决方案，但(dàn)随后继续进行不必要的思考。

在(zài)中等复杂度的问题中，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(zhèngquè)的答案。但在高复杂度的问题中，准确度为(wèi)零，推理变得混乱或不连贯。

更令人担忧的是，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(suànfǎ)，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(lùnwén)引争议：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在复现(fùxiàn)论文中的汉诺塔测试后发现，模型根本不是(búshì)因为(yīnwèi)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，而是无法输出如此(rúcǐ)多的内容。

GitHub软件工程师Sean Goedecke称，存在复杂性阈值(yùzhí)并(bìng)不意味着推理模型“实际上并不推理”。

Sean表示，即使没有推理(tuīlǐ)到第十一步，但前十步仍是在推理。“根据我自己测试的结果，模型很早就决定(juédìng)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。”

Sean举了一个例子(lìzi)，“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(zuòdào)，但也(yě)有很多做不到。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(de)团队发表一篇只专注于记录当前方法局限性的论文(lùnwén)，我会当场解雇所有参与者。

AI博主henry表示，“苹果作为世界(shìjiè)上最富有的公司，拥有无与伦比的优势，全力押注人工智能，许下无数承诺，但被所有人瞬间超越。赛程已进行(jìnxíng)两年(liǎngnián)，却一无所获，于是写了这篇论文说这一切都是不重要(zhòngyào)的。”

WWDC在(zài)即，苹果“酸了”？

图片(túpiàn)来源：苹果官网截图

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

北京时间6月10日凌晨1点(diǎn)，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方面的进展可能有限(yǒuxiàn)，备受(bèishòu)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(tòulù)，苹果今年WWDC中关于AI的内容预计会比较(bǐjiào)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(gāodiào)宣布对语音助手Siri进行“彻底重构(zhònggòu)”，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，Siri的升级却迟迟未见(wèijiàn)实质性进展。

据(jù)多位前苹果员工透露(tòulù)，苹果AI领域的进展不顺，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领域的探索，也受到了技术路线(lùxiàn)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。一位熟悉(shúxī)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(shìqíng)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(xiétiáo)才能推进工作。”