苹果公司的最新论文指出：大模型的思考就像拿假身份证进网吧，灯一照就原形毕露。遇到高难度任务时，不管 ChatGPT、Claude 还是 DeepSeek，统统卡死。
国外网友嘲笑苹果：你弄不出AI，现在你来挖苦别人…
一分钟看懂论文核心
- 论文标题：《The Illusion of Thinking》（2025 年 6 月）
- 主笔阵容：Apple AI 研究院 + Samy Bengio（谷歌大脑联合创始人）。
- 关键发现：当前所谓“会推理”的大模型，其实都在“假装思考”。
- 现实意义：未来评价模型不能只看答对没，要检查它每一步究竟在干啥。
原来我天天用的推理模型，其实是一只记忆力超群的鹦鹉而已。
四道智力题，把大模型逼疯了
苹果没有用通用测试数据，而是亲自设计了四种经典的“智力题”作为测试，避免大模型已经学习过。
并且每道题目都可以精确调节难度，就像打游戏时能设难度级别一样：
- 汉诺塔（Tower of Hanoi）：考验多步规划与耐心
- 跳棋交换（Checker Jumping）：考察路径搜索与位置感知
- 过河问题（River Crossing）：需要逻辑约束与安全规则理解
- 积木世界（Blocks World）：考验空间变换与任务还原能力
苹果在这些任务中测试了 Claude 3.7 Sonnet、DeepSeek R1、o3-mini 等推理模型。结果出现了一种极其讽刺的现象：
- 低难度时：传统语言模型（没思考）表现更好！
- 中等复杂度：长链推理模型开始发力，“思考”帮了一点忙。
- 高复杂度时：不管思不思考，全军崩盘，准确率归零。
更魔幻的是：模型在“越难越该思考”的时刻，反而主动减少推理，像是突然佛系了…
我一度以为是内存出错，结果看实验数据才明白——这不是bug，这是它们的“默认逃避机制”。
模型并不理解：自己在做什么
论文中最惊人的实验是：研究者直接把解题步骤写在提示词里，告诉模型“怎么一步步做”。
结果呢？它们还是错。准确率并没有提高太多。
这就像告诉一个人“先走三步，再右转”，结果他原地打转三圈跳进水坑里。
Claude 3.7：会搬汉诺塔，却连河都过不了
这明显不是能力问题，而是训练偏差。因为互联网上汉诺塔教程满天飞，Claude见多了，而过河问题？冷门题材，没刷到自然不会。
- 在汉诺塔N=5（要走31步）中几乎完美，只在100步后出错；
- 但在过河问题N=3（仅需11步）中，前四步就崩了。
这点我特别有共鸣。有一次我用 Claude 解“灯泡三开关”逻辑题，它连题意都理解错，最后靠猜给了个答案，还信誓旦旦说对。
苹果这是“酸葡萄”行为吗？
不少网友质疑：苹果两年AI没啥建树，现在靠发论文来嘲讽同行？确实，苹果AI最近风评不佳：
- 去年发布的Apple Intelligence多项功能被砍
- Siri新版本连续跳票，被苹果内部戏称为“AI幽灵”
- 个性化表情Genmoji因发热严重被下架
但这篇论文其实并不“酸”。它不是在说“别家不行”，而是提出了一个新的行业共识：
✅ 只看结果对错，无法衡量AI是否真的“会推理”。
✅ 应该评估中间步骤的“合理性、节奏和逻辑连贯度”。
这一点，很可能会引导行业开发出新一代的AI评估体系。
竞争对手们在做什么？
苹果论文没直接点名 o3、Claude 4、Gemini 2.5 Pro，但我们从公开数据能看出一些趋势：
这些模型虽然比2023年的产品强太多，但在“长链逻辑”领域，也都未能彻底突破。
别说“像人类一样推理”，目前它们连“像小学生一样不走神”都做不到。
我作为 AI 内容创作者，别再幻想“AI 已经会思考了”
这篇论文给了我一个重锤：它们是在演我们——用token堆砌模式，假装懂你，其实啥也没内化，我们高估了它们的“理解力”。
苹果提出的建议其实蛮有建设性：
- 要构建过程导向型测试集，看模型每一步有没有绕弯路；
- 不能只测“对错”，要测“怎么对的”；
- 模型token预算不能越用越“佛”，应有动态思考分配机制。
这对未来AI系统尤其关键——比如无人驾驶、金融决策、医疗问诊，如果模型只是“套模板”，那可不是翻车，是砸锅！
你还相信 AI 会思考吗？
🤯 它们根本不懂，只是高仿装模作样
😐 不用懂，能干活就行
🔮 真正通用智能，很快就来了
原论文地址：https://ml-site.cdn-apple.com/papers/the-illusion-of-thinking.pdf