苹果炮轰现在的大模型根本没有推理能力，这是怎么回事？-CSDN博客

2025年，当全世界都在为大语言模型日益增强的"推理"能力欢呼时，苹果公司，这个在大模型竞赛中略显沉默的巨头，突然投下了一颗"重磅炸弹"。他们发布了一篇名为《思维的幻觉》的研究论文，矛头直指当前所有顶尖的推理模型，包括 DeepSeek、Claude 3.7 以及 OpenAI 的 GPT-4o 系列。

这篇论文的结论堪称颠覆性的，甚至有些"刺耳"：当前这些所谓的"推理模型"，根本没有在进行真正的逻辑推理。我们所看到的"思考"，很可能只是一种精心模仿的幻觉。

此言一出，AI 圈瞬间炸开了锅。有人认为这是苹果"吃不到葡萄说葡萄酸"，为自己的落后找借口；也有人认为，这是一针清醒剂，揭示了我们对 AI 能力的普遍误解。那么，苹果究竟发现了什么？他们是对的吗？

论文地址：

https://ml-site.cdn-apple.com/papers/the-illusion-of-thinking.pdf

参考链接：

[1] https://x.com/wolfejosh/status/1931182279755178074

[2] https://www.bloomberg.com/news/features/2025-05-18/how-apple-intelligence-and-siri-ai-went-so-wrong

一、苹果的质疑：我们真的能"考"出 AI 的智商吗？

苹果团队首先指出了当前 AI 评测方法的一大"陷阱"。

目前，我们判断一个模型是否聪明，主要看它在各种标准化"考试"中的分数，比如数学竞赛题（MATH、AIME）和编程挑战。但苹果认为，这种方式存在两个致命缺陷：

（1）数据污染 (Data Contamination)：这些考试的题目和答案，很可能早就大量存在于模型的训练数据里了。模型可能只是"背下了题库"，而不是真正"学会了怎么解题"。论文用一个很有力的证据佐证了这一点：很多模型在新发布的 AIME 25 数据集上的表现，竟然不如在更早的 AIME 24 上的表现好。这和人类恰恰相反（人会越学越好），强烈暗示了模型可能只是记住了老题。

（2）无法洞察思考过程：即便模型给出了正确答案，我们也不知道它是怎么想出来的。是逻辑严谨、一步步推导的，还是瞎猫碰上死耗子，碰巧蒙对的？最终的分数，无法告诉我们其"思维链"的质量。

为了摆脱这些陷阱，苹果设计了一个更"纯净"、更可控的实验场，试图用一把"手术刀"，来解剖 AI 的"大脑"。

二、苹果的"照妖镜"：用四个经典谜题测试 AI

苹果的研究人员选择了四个经典的逻辑谜题，它们都有一个共同的特点：逻辑结构稳定，但复杂度可以被精确地控制。 就像一个可以调节难度的游戏，研究人员能一点点增加难度，观察模型在哪个节点上会"卡住"。

这四个谜题分别是：

（1）汉诺塔：测试递归思维和长远规划能力。

（2）跳棋交换：测试序列规划能力。

（3）过河问题：测试在满足复杂约束条件下的规划能力。

（4）积木世界：测试状态管理和规划能力。

实验的关键在于，他们不只看最终答案对不对，而是通过模拟器，去分析模型在 `<think>` 标签内生成的每一步"思考轨迹"，验证其每一步操作是否合规、是否在兜圈子。这就像老师批改数学题，不仅看最终答案，还要看详细的解题步骤。

三、颠覆性的发现：AI 的"思考"是如何崩溃的

通过对 Claude、DeepSeek 等一系列顶尖模型的详尽测试，苹果得到了几个令人震惊的发现：

3.1 发现一："思考"并非总是更好

在对比"思考模型"（如 DeepSeek-R1）和其对应的"非思考"标准版（如 DeepSeek-V3）时，研究人员发现了三个截然不同的性能区间：

（1）低难度区：对于简单问题，标准模型反而更准确、更高效。思考模型的"深度思考"显得多余且浪费。

（2）中等难度区：随着问题变难，思考模型生成长思维链的优势开始体现，性能超越标准模型。

（3）高难度区：当问题复杂度超过一个临界点，两种模型双双"崩溃"，准确率断崖式下跌至零。

这表明，所谓的"思考"机制，只是帮你解决了一些中等难度的问题，它并不能从根本上提升模型的能力上限。

3.2 发现二：反直觉的"努力退化"

这是整篇论文最核心、最令人困惑的发现。研究显示，当问题变得越来越难，接近模型的"崩溃点"时，模型用于思考的计算量（即生成的思考 Token 数量）非但没有因问题变难而增加，反而开始显著减少！

这就像一个学生面对一道极难的数学题，他非但没有绞尽脑汁去尝试，反而在草稿纸上写了几笔就直接"躺平"放弃了。

这个现象揭示了，模型的失败并非因为计算资源不够（Token 限制还没到），而是其内部架构似乎存在一个根本性的"缩放限制"。当模型"预感到"问题过于困难无法解决时，它会主动"放弃思考"。

3.3 发现三："抄作业"都不会

为了进一步验证模型的瓶颈，研究人员做了一个堪称"杀手级"的实验。

在汉诺塔任务中，他们在提示（Prompt）里，直接把完美的、一步不错的解题算法"喂"给了模型，要求模型别再自己想了，仅仅是"照着算法抄作业"就行。

结果令人大跌眼镜：模型的表现没有任何改善，依然在相同的复杂度点上崩溃。

这个结果极具说服力。它表明，模型的瓶颈不仅在于"规划"和"寻找"解决方案，更在于它连最基础的、符号化的逻辑步骤执行与验证能力都极其脆弱。 它甚至无法可靠地扮演一台"计算机"的角色。

3.4 发现四：严重"偏科"，能力极不均衡

研究还发现，Claude 3.7 模型能正确解决需要上百步才能完成的汉诺塔问题，但在一个仅需11步的过河问题上却早早失败。

这强烈暗示，模型的所谓"推理能力"，很可能严重依赖于训练数据中的常见模式（汉诺塔是教科书和网络上的经典问题，资料极多），而非一种通用的、可泛化的逻辑能力。它只是对它"熟悉"的模式表现得很好。

四、争议与反思：苹果说得对吗？

苹果的这篇"暴论"论文，自然也引来了大量的质疑和批评。

（1）实验设计有漏洞？很多批评者指出，模型之所以在高难度下"放弃思考"，可能是因为它们预测到完整的答案会超出 Token 输出长度限制，所以干脆提前停止，这是一种合理的"节能"行为，而非能力崩溃。

（2）"酸葡萄"心理？不少人认为，苹果自己在大模型上进展缓慢，现在反过来否定整个行业的前进方向，有"酸葡萄"之嫌。

（3）人类就能做到吗？更有网友玩梗道："在证明 AI 只是模式匹配机器之前，我们得先证明人类的推理不是更高级的模式匹配。"

这些批评不无道理。苹果的实验设计确实可能存在一些可以商榷的地方。但是，我们不能因此就全盘否定这篇论文的价值。

它用一种严谨、可控的方式，向整个 AI 社区提出了一个至关重要的问题：我们现有的评估体系，是否正在制造一种"能力幻觉"，让我们高估了 AI 的真实水平？

总结：一盆冷水，但或许是良药

综合来看，苹果的这项研究，更像是一剂及时的"清醒剂"。

它告诉我们，当前这些看似无所不能的"推理"模型，其核心很可能依然是一种极其复杂的、基于海量数据的模式匹配。它们在熟悉的模式内表现惊人，但一旦遇到真正需要从第一性原理出发、进行严密逻辑推演的复杂问题时，其能力的脆弱性就会暴露无遗。

这并不意味着大模型没有用，恰恰相反，它们在绝大多数场景下都极其有用。但这篇论文提醒我们，不能将"模式匹配"的成功，轻易地等同于"通用推理能力"的实现。

未来，AI 的发展亟待一场评估范式的革新。我们必须超越那些可能被"污染"的基准测试，设计出更多像苹果这样的"压力测试"，去深入探索 AI 的能力边界和失败模式，才能真正推动 AI 从"模仿思考"走向"真正思考"。

看到这里了还不给博主点一个：
⛳️ 点赞☀️收藏 ⭐️ 关注！
💛 💙 💜 ❤️ 💚💓 💗 💕 💞 💘 💖
再次感谢大家的支持！
你们的点赞就是博主更新最大的动力！