苹果论文揭示LLM局限性，质疑其通往AGI的可行性

日前，苹果研究团队发布了一项新研究，对当前大语言模型（LLMs）的能力提出了质疑。研究指出，尽管LLMs引入了复杂的自我反思机制，但仍存在根本性限制，无法在超过一定复杂度阈值的问题中表现出可泛化的推理能力。研究发现，LLMs在不同复杂度问题中的表现存在明显分界：在低复杂度问题中标准LLMs表现优于逻辑推理模型（LRMs），在中等复杂度问题中LRMs占优，而在高复杂度问题中两者均表现失败。此外，LLMs在执行精确计算方面也有局限性，甚至在简单问题上也会出现“过度思考”的低效行为。纽约大学教授Gary Marcus认为，LLMs无法替代精心设计的传统算法，且通往通用人工智能（AGI）的道路并不现实。苹果的这项研究进一步证实了LLMs在结构性问题上的不可靠性，例如在解决汉诺塔问题时表现不佳，即使直接给出标准算法，模型也无法正确执行。这表明，尽管LLMs在某些领域有其用途，但它们并非通往真正智能的万能钥匙。