2025年6月初，蘋果公司發布了一項引發廣泛關注的研究，題為《思維的幻象：從問題複雜度視角理解推理模型的優勢與局限》。研究指出，當前被稱為“模擬推理模型（Simulated Reasoning Models, SR）”的AI系統——如OpenAI的o1與o3、DeepSeek-R1，以及Claude 3.7 Sonnet Thinking——在面對需要系統性思維的全新問題時，其輸出更像是對訓練數據中模式的匹配，而非真正的邏輯推理。

研究團隊由Parshin Shojaee與Iman Mirzadeh領銜，成員還包括Keivan Alizadeh、Maxwell Horton、Samy Bengio 和 Mehrdad Farajtabar。他們將這些“大型推理模型（Large Reasoning Models, LRMs）”置於四種經典邏輯難題中進行測試：

• 漢諾塔（Tower of Hanoi）

• 跳棋消子（Checkers Jumping）

• 河流過渡（River Crossing）

• 積木世界（Blocks World）

這些問題從極易（如一片圓盤的漢諾塔）逐步升級到極難（如20片圓盤的漢諾塔，需超過百萬步移動）。

研究發現，儘管這些模型在中等複雜度任務中表現尚可，但一旦問題複雜度上升，其表現會急劇下降甚至崩潰。即使研究人員在提示中提供了解題算法，模型也無法穩定執行邏輯步驟。這與2025年4月美國數學奧林匹克（USAMO）的一項研究結果一致：這些模型在面對全新數學證明題時得分極低，幾乎沒有模型能完成完整的邏輯推導。

這項研究不僅挑戰了“AI是否真的在思考”的觀念，也為未來構建真正具備推理能力的AI模型提供了重要參考。

研究人員指出：“當前的評估主要集中在既定的數學和編程基準上，強調的是最終答案的準確性。”換句話說，如今的測試更關注模型是否給出了正確答案，而不是它是否通過真正的推理過程得出該答案——很可能只是從訓練數據中模式匹配而來。

最終，這項研究的結果與美國數學奧林匹克（USAMO）在2025年4月發布的研究高度一致：這些AI模型在面對全新的數學證明題時，表現極差，大多數模型的正確率低於5%，只有一個模型達到了25%，而在近200次嘗試中，沒有一次成功完成完整的證明。

兩項研究都記錄了一個關鍵現象：當問題需要持續、系統性的推理時，模型的性能會嚴重下降。這表明，儘管這些AI系統在熟悉任務中表現出色，但在真正需要“思考”的新問題面前，它們仍然顯得力不從心。

知名AI懷疑論者加里·馬庫斯（Gary Marcus）長期以來一直主張：神經網絡在處理“分布外問題”（out-of-distribution generalization）時存在嚴重困難。在蘋果公司最新發布的研究中，他稱這些結果對大型語言模型（LLMs）來說是“相當毀滅性的”。

馬庫斯指出，即使研究人員為模型提供了解決漢諾塔問題（Tower of Hanoi）的明確算法，模型的表現依然沒有改善。他寫道：“LLMs 連漢諾塔都無法可靠解決，實在令人尷尬。”他還提到，早在1957年，AI先驅赫伯特·西蒙（Herb Simon）就已經成功解決了這個問題，而如今網絡上也有大量現成的算法可供參考。

研究共同負責人伊曼·米爾扎德（Iman Mirzadeh）進一步指出，這一現象表明這些模型的“推理過程並不真正具備邏輯性和智能性”。

這項研究為馬庫斯多年來的批評提供了新的實證支持，也再次引發了關於AI是否真正“思考”的深層討論。

知名AI懷疑論者加里·馬庫斯（Gary Marcus）長期以來一直主張：神經網絡在處理“分布外問題”（out-of-distribution generalization）時存在嚴重困難。在蘋果公司最新發布的研究中，他稱這些結果對大型語言模型（LLMs）來說是“相當毀滅性的”。

馬庫斯指出，即使研究人員為模型提供了解決漢諾塔問題（Tower of Hanoi）的明確算法，模型的表現依然沒有改善。他寫道：“LLMs 連漢諾塔都無法可靠解決，實在令人尷尬。”他還提到，早在1957年，AI先驅赫伯特·西蒙（Herb Simon）就已經成功解決了這個問題，而如今網絡上也有大量現成的算法可供參考。

研究共同負責人伊曼·米爾扎德（Iman Mirzadeh）進一步指出，這一現象表明這些模型的“推理過程並不真正具備邏輯性和智能性”。

蘋果團隊的研究揭示了一個令人深思的現象：模擬推理模型（Simulated Reasoning Models, SR）在面對不同難度的任務時，其表現與“標準”語言模型（如 GPT-4o）存在顯著差異。

在簡單任務中（例如僅有幾片圓盤的漢諾塔），標準模型反而表現更好，因為SR模型傾向於“過度思考”，生成冗長的推理鏈條，反而導致錯誤答案；   在中等難度任務中，SR模型的系統性推理方式展現出優勢；   但在真正複雜的任務中（如10片以上圓盤的漢諾塔），兩類模型都徹底失敗，即使給予充足的時間和資源，也無法完成解題。

研究還提出了一個令人意外的現象，稱為“反直覺的擴展極限（counterintuitive scaling limit）”：隨着問題複雜度上升，SR模型一開始會增加“思考”內容（即生成更多推理token），但超過某個閾值後，反而減少推理努力，即使計算資源仍然充足。

更令人困惑的是，模型的失敗方式並不一致。例如，Claude 3.7 Sonnet在漢諾塔中能連續完成100步正確操作，卻在更簡單的河流過渡問題中僅走了5步就失敗。這表明模型的失敗可能與任務類型有關，而不僅僅是計算能力或複雜度的問題。

觀點分歧正在浮現。儘管蘋果的研究指出當前AI模型在複雜推理任務中存在根本性局限，但並非所有研究者都認同這一結論。

多倫多大學經濟學家凱文·A·布萊恩（Kevin A. Bryan）在社交平台X上表示，這些局限可能並非源於模型本身的能力不足，而是出於訓練策略的刻意限制。

他寫道：“如果你讓我在五分鐘內解決一個需要我用一小時紙筆推演的問題，我大概率會給出一個近似解或啟發式答案。這正是當前具備‘思考能力’的基礎模型在強化學習（RL）中被訓練去做的事。”

布萊恩進一步指出，雖然蘋果研究強調模型在複雜任務中的“崩潰”，但實際上，行業內部的基準測試顯示：只要允許模型使用更多推理token，其性能幾乎在所有任務領域都會提升。然而，為了避免模型在簡單問題上“過度思考”，實際部署時往往人為限制了推理長度和計算資源。

軟件工程師肖恩·古德克（Sean Goedecke）在其博客中對蘋果的研究提出了類似批評。他指出，當面對需要超過1000步操作的漢諾塔問題時，DeepSeek-R1模型“立即判斷‘手動生成所有這些步驟是不可能的’，因為這需要跟蹤上千次移動”。於是模型開始“兜圈子”試圖尋找捷徑，最終失敗。古德克認為，這種行為更像是模型主動選擇不嘗試，而不是能力不足。

其他研究者也質疑：用邏輯謎題來評估大型語言模型（LLMs）是否合理。獨立AI研究者西蒙·威利森（Simon Willison）在接受《Ars Technica》採訪時表示，用漢諾塔來測試LLMs“本身就不是一個明智的應用方式”，無論是否涉及推理。他進一步指出，模型的失敗可能只是因為上下文窗口（context window）限制，即模型可處理的文本長度不夠，而非真正的推理能力缺陷。

威利森還認為，這篇論文之所以引發廣泛關注，更多是因為“蘋果質疑AI是否會思考”這個吸睛標題，而非其研究內容本身的深度。他將其稱為“可能被誇大的研究”。

這些觀點提醒我們，在評估AI推理能力時，測試方法本身的設計與假設同樣值得反思。

蘋果研究團隊本身也在論文的“局限性”部分中提出了重要提醒：不要對研究結果過度外推。他們指出，所使用的邏輯謎題環境僅代表推理任務中的狹小一隅，並不能全面反映現實世界中多樣化、知識密集型的推理問題。

此外，研究也承認，推理模型在“中等複雜度”任務中確實展現出性能提升，並且在某些現實應用中依然具有實用價值。這表明，儘管當前模型在高複雜度任務上存在明顯瓶頸，但它們並非一無是處，而是在特定範圍內仍具備可觀的能力。

換句話說，這項研究更像是一面鏡子，反映出當前AI推理模型的邊界與潛力，而不是一紙“否定判決”。

影響仍在爭議之中

這兩項研究是否徹底摧毀了關於AI推理模型可信度的主張？未必如此。

更合理的解讀可能是：這些研究表明，當前模擬推理模型（SR models）所依賴的“擴展上下文推理技巧”，並非通往通用智能（AGI）的可行路徑。換句話說，若要實現更強大的推理能力，可能需要根本性的架構創新，而不僅僅是對現有方法的微調或堆疊。

正如西蒙·威利森（Simon Willison）所指出的，蘋果這項研究在AI社區引發了極大的震動。生成式AI本身就是一個高度爭議的話題，許多人在其通用性與智能性問題上持有極端立場：

• 一方面，支持者質疑蘋果研究的實驗設計與結論，認為其低估了模型的實際能力；

• 另一方面，批評者則將這項研究視為對大型語言模型（LLMs）可信度的“致命一擊”。

這場爭論不僅關乎模型性能，更觸及了AI未來發展方向、評估標準與社會信任等深層議題。它提醒我們：在通往真正“會思考”的AI之路上，技術突破之外，還需要哲學、倫理與工程實踐的共同演進。