观点｜苹果重磅研究揭示AI推理“幻觉”：大模型思考越多，反而越差，所谓“推理”只是“记忆重现”

在WWDC召开前夕，苹果低调发布了一项重量级AI研究，给当前火热的“推理大模型”（LRM）敲响了警钟。

photo by DALL·E3

研究团队将多个顶尖AI模型（包括Claude 3.7 Thinking、DeepSeek-R1、Gemini等）放入逻辑谜题实验室中，测试它们在“思考”能力上的真正表现。谜题包括汉诺塔、渡河、跳棋和积木世界等，复杂度可控、逻辑严密，是衡量模型推理力的“照妖镜”。

结果却出人意料：这些被寄予厚望的“思考型模型”，在面对简单任务时还能应付，但一旦复杂度提升，它们不仅准确率急剧下滑，甚至连基本的推理路径都生成不出来。

更讽刺的是——越难的问题，它们“思考”的token（推理过程中的文字标记）反而用得更少。这意味着：模型不是不会思考，而是根本“不想思考”了。

苹果总结了两种典型失败模式：

过度思考：简单问题上“瞎想”太多，反而犯错；

思维崩溃：复杂任务中直接卡死，不动脑了。

这背后的真相令人警醒：现在所谓的“思维链”、“自我反思”等技术，仍是统计学的幻术，而非真正的逻辑演绎。

这项研究的意义在于，它摧毁了一个AI界的“幻觉”：我们以为模型越拟人、越长文本，越能“模拟思考”，但实际它们只是训练数据的高级复读机。一旦任务跳出训练数据的舒适区，所有“聪明”就原形毕露。

这对整个行业是一次敲打。推理能力曾被认为是突破AGI的关键路径，各大厂商都在往这个方向下注。苹果的研究等于提醒我们：别再沉迷于模型生成的“思考假象”，而要回归理性，重新设计真正具备通用推理策略的系统。

最后一个值得注意的细节是：模型对训练数据依赖极高。出现频率高的“汉诺塔”表现好，而“渡河”这种稀有任务成绩惨淡——这也再次说明，现在的AI离“逻辑”与“理解”，还有很远的路。

photo by DALL·E3

本文写于2025年6月9日

连续日更的第435天，第460篇

⬆️关注我，一起在AI前沿探索⬆️