苹果炮轰推理模型全是假思考！4个游戏戳破神话，o3/DeepSeek高难度全崩溃

127 0 0

文章摘要

苹果最新发布的大模型研究论文在AI领域引发广泛讨论，其核心观点直指当前推理模型的根本局限性。研究团队通过精心设计的四类可控谜题环境（汉诺塔、跳棋交换、过河问题和积木世界），系统评估了包括Claude 3.7和DeepSeek在内的主流推理模型表现。实验结果显示，所有模型在超过特定复杂度阈值后都会出现完全的性能崩溃，即使提供完整解决算法或充足计算资源也无法突破这一限制。

研究发现了三个关键现象区间：在低复杂度任务中，标准语言模型反而比具备”思考”机制的推理模型更高效准确；中等复杂度时，思考机制开始显现优势；而当复杂度继续提升，所有模型都会突然失效。更反常的是”推理努力反向缩放”现象——模型在接近崩溃临界点时会主动减少思考量，而非耗尽全部计算资源。对Claude 3.7的内部推理轨迹分析显示，模型在简单问题上存在”过度思考”，而在高复杂度任务中则完全无法生成正确解决方案。

研究特别指出模型表现与训练数据分布的高度相关性。例如在需要31步的汉诺塔任务中表现优异，却在仅需11步的过河问题上失败，暗示模型可能更多依赖模式记忆而非真正理解。当研究人员直接提供完整算法时，模型仍无法突破原有性能瓶颈，这强烈表明当前推理模型在符号操作和逻辑验证方面存在本质缺陷。

论文同时揭示了苹果在AI领域的战略困境。虽然呼吁建立更科学的推理评估体系，但公司内部的大模型研发进展明显落后于竞争对手。公开资料显示，其AI功能多次推迟发布，核心产品如新版Siri甚至无法按计划亮相。组织层面的原因包括决策滞后、资源投入不足，以及高管团队对AI研发模式的不适应。历史经验表明苹果往往选择后发制人策略，但在快速迭代的AI领域，这种策略能否再次奏效尚待观察。

该研究最终提出，仅通过最终答案评估推理能力具有误导性，需要建立包含中间步骤质量分析的评估框架。突破长程依赖和复杂规划瓶颈的新型推理机制，被认为是未来研究的重点方向。论文的发表既是对当前AI局限性的客观揭示，也反映了科技巨头在技术路线竞争中的复杂博弈。