人工智能功能

2025年6月初，苹果公司发布了一项引发广泛关注的研究，题为《思维的幻象：从问题复杂度视角理解推理模型的优势与局限》。研究指出，当前被称为“模拟推理模型（Simulated Reasoning Models, SR）”的AI系统——如OpenAI的o1与o3、DeepSeek-R1，以及Claude 3.7 Sonnet Thinking——在面对需要系统性思维的全新问题时，其输出更像是对训练数据中模式的匹配，而非真正的逻辑推理。

研究团队由Parshin Shojaee与Iman Mirzadeh领衔，成员还包括Keivan Alizadeh、Maxwell Horton、Samy Bengio 和 Mehrdad Farajtabar。他们将这些“大型推理模型（Large Reasoning Models, LRMs）”置于四种经典逻辑难题中进行测试：

• 汉诺塔（Tower of Hanoi）

• 跳棋消子（Checkers Jumping）

• 河流过渡（River Crossing）

• 积木世界（Blocks World）

这些问题从极易（如一片圆盘的汉诺塔）逐步升级到极难（如20片圆盘的汉诺塔，需超过百万步移动）。

研究发现，尽管这些模型在中等复杂度任务中表现尚可，但一旦问题复杂度上升，其表现会急剧下降甚至崩溃。即使研究人员在提示中提供了解题算法，模型也无法稳定执行逻辑步骤。这与2025年4月美国数学奥林匹克（USAMO）的一项研究结果一致：这些模型在面对全新数学证明题时得分极低，几乎没有模型能完成完整的逻辑推导。

这项研究不仅挑战了“AI是否真的在思考”的观念，也为未来构建真正具备推理能力的AI模型提供了重要参考。

研究人员指出：“当前的评估主要集中在既定的数学和编程基准上，强调的是最终答案的准确性。”换句话说，如今的测试更关注模型是否给出了正确答案，而不是它是否通过真正的推理过程得出该答案——很可能只是从训练数据中模式匹配而来。

最终，这项研究的结果与美国数学奥林匹克（USAMO）在2025年4月发布的研究高度一致：这些AI模型在面对全新的数学证明题时，表现极差，大多数模型的正确率低于5%，只有一个模型达到了25%，而在近200次尝试中，没有一次成功完成完整的证明。

两项研究都记录了一个关键现象：当问题需要持续、系统性的推理时，模型的性能会严重下降。这表明，尽管这些AI系统在熟悉任务中表现出色，但在真正需要“思考”的新问题面前，它们仍然显得力不从心。

知名AI怀疑论者加里·马库斯（Gary Marcus）长期以来一直主张：神经网络在处理“分布外问题”（out-of-distribution generalization）时存在严重困难。在苹果公司最新发布的研究中，他称这些结果对大型语言模型（LLMs）来说是“相当毁灭性的”。

马库斯指出，即使研究人员为模型提供了解决汉诺塔问题（Tower of Hanoi）的明确算法，模型的表现依然没有改善。他写道：“LLMs 连汉诺塔都无法可靠解决，实在令人尴尬。”他还提到，早在1957年，AI先驱赫伯特·西蒙（Herb Simon）就已经成功解决了这个问题，而如今网络上也有大量现成的算法可供参考。

研究共同负责人伊曼·米尔扎德（Iman Mirzadeh）进一步指出，这一现象表明这些模型的“推理过程并不真正具备逻辑性和智能性”。

这项研究为马库斯多年来的批评提供了新的实证支持，也再次引发了关于AI是否真正“思考”的深层讨论。

知名AI怀疑论者加里·马库斯（Gary Marcus）长期以来一直主张：神经网络在处理“分布外问题”（out-of-distribution generalization）时存在严重困难。在苹果公司最新发布的研究中，他称这些结果对大型语言模型（LLMs）来说是“相当毁灭性的”。

马库斯指出，即使研究人员为模型提供了解决汉诺塔问题（Tower of Hanoi）的明确算法，模型的表现依然没有改善。他写道：“LLMs 连汉诺塔都无法可靠解决，实在令人尴尬。”他还提到，早在1957年，AI先驱赫伯特·西蒙（Herb Simon）就已经成功解决了这个问题，而如今网络上也有大量现成的算法可供参考。

研究共同负责人伊曼·米尔扎德（Iman Mirzadeh）进一步指出，这一现象表明这些模型的“推理过程并不真正具备逻辑性和智能性”。

苹果团队的研究揭示了一个令人深思的现象：模拟推理模型（Simulated Reasoning Models, SR）在面对不同难度的任务时，其表现与“标准”语言模型（如 GPT-4o）存在显著差异。

在简单任务中（例如仅有几片圆盘的汉诺塔），标准模型反而表现更好，因为SR模型倾向于“过度思考”，生成冗长的推理链条，反而导致错误答案；   在中等难度任务中，SR模型的系统性推理方式展现出优势；   但在真正复杂的任务中（如10片以上圆盘的汉诺塔），两类模型都彻底失败，即使给予充足的时间和资源，也无法完成解题。

研究还提出了一个令人意外的现象，称为“反直觉的扩展极限（counterintuitive scaling limit）”：随着问题复杂度上升，SR模型一开始会增加“思考”内容（即生成更多推理token），但超过某个阈值后，反而减少推理努力，即使计算资源仍然充足。

更令人困惑的是，模型的失败方式并不一致。例如，Claude 3.7 Sonnet在汉诺塔中能连续完成100步正确操作，却在更简单的河流过渡问题中仅走了5步就失败。这表明模型的失败可能与任务类型有关，而不仅仅是计算能力或复杂度的问题。

观点分歧正在浮现。尽管苹果的研究指出当前AI模型在复杂推理任务中存在根本性局限，但并非所有研究者都认同这一结论。

多伦多大学经济学家凯文·A·布莱恩（Kevin A. Bryan）在社交平台X上表示，这些局限可能并非源于模型本身的能力不足，而是出于训练策略的刻意限制。

他写道：“如果你让我在五分钟内解决一个需要我用一小时纸笔推演的问题，我大概率会给出一个近似解或启发式答案。这正是当前具备‘思考能力’的基础模型在强化学习（RL）中被训练去做的事。”

布莱恩进一步指出，虽然苹果研究强调模型在复杂任务中的“崩溃”，但实际上，行业内部的基准测试显示：只要允许模型使用更多推理token，其性能几乎在所有任务领域都会提升。然而，为了避免模型在简单问题上“过度思考”，实际部署时往往人为限制了推理长度和计算资源。

软件工程师肖恩·古德克（Sean Goedecke）在其博客中对苹果的研究提出了类似批评。他指出，当面对需要超过1000步操作的汉诺塔问题时，DeepSeek-R1模型“立即判断‘手动生成所有这些步骤是不可能的’，因为这需要跟踪上千次移动”。于是模型开始“兜圈子”试图寻找捷径，最终失败。古德克认为，这种行为更像是模型主动选择不尝试，而不是能力不足。

其他研究者也质疑：用逻辑谜题来评估大型语言模型（LLMs）是否合理。独立AI研究者西蒙·威利森（Simon Willison）在接受《Ars Technica》采访时表示，用汉诺塔来测试LLMs“本身就不是一个明智的应用方式”，无论是否涉及推理。他进一步指出，模型的失败可能只是因为上下文窗口（context window）限制，即模型可处理的文本长度不够，而非真正的推理能力缺陷。

威利森还认为，这篇论文之所以引发广泛关注，更多是因为“苹果质疑AI是否会思考”这个吸睛标题，而非其研究内容本身的深度。他将其称为“可能被夸大的研究”。

这些观点提醒我们，在评估AI推理能力时，测试方法本身的设计与假设同样值得反思。

苹果研究团队本身也在论文的“局限性”部分中提出了重要提醒：不要对研究结果过度外推。他们指出，所使用的逻辑谜题环境仅代表推理任务中的狭小一隅，并不能全面反映现实世界中多样化、知识密集型的推理问题。

此外，研究也承认，推理模型在“中等复杂度”任务中确实展现出性能提升，并且在某些现实应用中依然具有实用价值。这表明，尽管当前模型在高复杂度任务上存在明显瓶颈，但它们并非一无是处，而是在特定范围内仍具备可观的能力。

换句话说，这项研究更像是一面镜子，反映出当前AI推理模型的边界与潜力，而不是一纸“否定判决”。

影响仍在争议之中

这两项研究是否彻底摧毁了关于AI推理模型可信度的主张？未必如此。

更合理的解读可能是：这些研究表明，当前模拟推理模型（SR models）所依赖的“扩展上下文推理技巧”，并非通往通用智能（AGI）的可行路径。换句话说，若要实现更强大的推理能力，可能需要根本性的架构创新，而不仅仅是对现有方法的微调或堆叠。

正如西蒙·威利森（Simon Willison）所指出的，苹果这项研究在AI社区引发了极大的震动。生成式AI本身就是一个高度争议的话题，许多人在其通用性与智能性问题上持有极端立场：

• 一方面，支持者质疑苹果研究的实验设计与结论，认为其低估了模型的实际能力；

• 另一方面，批评者则将这项研究视为对大型语言模型（LLMs）可信度的“致命一击”。

这场争论不仅关乎模型性能，更触及了AI未来发展方向、评估标准与社会信任等深层议题。它提醒我们：在通往真正“会思考”的AI之路上，技术突破之外，还需要哲学、伦理与工程实践的共同演进。