苹果日前发表的一篇新研究报告 The Illusion of Thinking，对当前备受期待的 AI 推理模型泼下一盆冷水。 这份研究指出，当大型推理模型（Large Reasoning Models， LRM）面对愈加复杂的逻辑难题时，竟然会「彻底崩溃」，甚至选择中途放弃解题。
应对简单题目表现不及 LLM
根据这份研究，尽管 OpenAI o1 与 o3、DeepSeek R1、Claude 3.7 Sonnet Thinking 和 谷歌 Gemini Flash Thinking 等模型在中等难度题目中表现不错，但在简单题目的表现却比 LLM 更差。 一旦题目难度上升，这些模型竟然会完全「崩溃」，准确率降至零，并主动停止推理。
研究使用的测试题目，包括知名的Tower of Hanoi（河内塔）、跳棋、运河渡河问题（如狐狸、鸡与谷物的经典题型）与积木堆栈，这些都是人类在数学课上常见的经典逻辑游戏。 照理说，一旦掌握解法后，即使增加元素也只是重复应用逻辑。 但这些 LRM 模型却在进行到一定复杂度时完全崩解。
愈难愈不想「思考」
研究人员发现一个令人费解的现象：当题目难度增加，这些模型原本会投入更多思考资源（token），但一旦接近其极限门槛时，模型反而减少推理努力，甚至直接「放弃思考」。 即使研究人员提供了算法提示，让模型只需照步骤执行，准确率依然无明显改善。
研究如此指出：「所有推理模型在面对复杂度上升时，都呈现类似的表现模式：准确率逐步下降，并在达到模型特定的复杂门槛后完全崩溃（准确率为零）。」即使提升运算资源也无法突破这一限制。
「思考幻觉」背后
这份研究也为苹果过去相对保守的 AI 布局提供了一些线索。 尽管Apple Intelligence已于WWDC推出，但相较于谷歌、Samsung等对AI功能大量前置于装置中的积极策略，苹果明显采取不同方向。 这可能说明苹果为何在 LLM 与 LRM 热潮中始终维持距离——因为他们早已看见这些模型的思考极限。
这也呼应了研究中一段颇具哲思的总结：「AI 模型在数学与程序领域表现出色，但面对真正复杂问题时，它们展现出的，其实只是『思考的幻觉』。」
AGI 路漫漫
这项研究对于AGI乐观主义者而言可谓一记警钟，却也不代表AI无法推理。 正如 AI 专家Gary Marcus 在其网志指出：「普通人类在面对 8 层河内塔时也会失误。」这项研究虽未对比人类在同样问题上的表现，但至少点出目前模型的瓶颈与错觉。
Gary Marcus 进一步评论：「这份报告显示，无论你如何定义 AGI，LLM 目前仍无法取代传统的、经过良好定义的算法。」AI 不是万能的解答，但也不是全然无用，它只是还在学习，还没能做到真正思考。
