苹果炮轰AI推理模型:全是假思考

0 0

模型类型	推理能力（CoT/自我验证）	表现特点	示例模型	备注
推理模型（LRMs）	强，擅长多路径推理	中复杂度下表现最佳	Claude 3.7-Thinking、DeepSeek-R1、o3-mini	适合结构性任务，但对高复杂度任务无效
非推理模型（标准LLMs）	弱，模式匹配为主	简单任务表现出色	Claude 3.7、DeepSeek-V3	低复杂度时更高效，资源开销小

苹果最近测试了目前号称“深度思考”的AI，比如Claude和DeepSeek。表面看它们很聪明，但一旦问题稍微复杂一些，它们就“彻底崩溃”了。

研究发现，这些大语言模型（LLMs）不像人类那样越难越努力去思考。相反，它们在复杂问题上会直接“放弃”，即使还有大量计算资源没用上。

哪怕你把解决问题的算法原封不动地告诉它，它也能搞错。也就是说：执行 ≠ 理解。

这不是“缺乏创造力”的问题，而是连最基本的逻辑都不稳定。

更奇怪的是：当面对简单问题时，它们会“想太多”——明明已经找到正确答案，却还去探索一些错误答案，最后把自己绕晕。

而遇到真正难题时，它们反而“想得更少”，早早放弃。

结果就是：在简单问题上浪费算力，在复杂问题上直接认输。

苹果的结论是：这些AI并不是真正在“推理”，它们本质上只是超大规模的“模式匹配器”。一旦你给它的问题超出了它受过训练的范围，它就会彻底“翻车”。

大模型当前的“推理能力”实质上是由语言模式建模驱动的，而非真正具备结构性逻辑推理能力。它们在结构性、组合性问题面前的崩溃，以及缺乏自我控制与反思机制，是它们与人类认知系统之间的根本差异。

从这一点可以说：**LRMs“像是在思考”，但并不真正“懂得思考”。**这就是“思维幻觉”。

复杂度阶段	对比模型表现差异	准确率变化（示例）	核心发现	结论摘要
低复杂度	非推理模型（标准LLMs）优于LRMs	河内塔 n=3：非推理模型≈98%，LRMs≈80%	LRMs“过度思考”，推理链冗长，效率反而降低	在简单任务中，复杂推理链非但无益，反而拖累表现，推荐使用轻量模型
中复杂度	LRMs表现优于标准LLMs	Claude 3.7-Thinking、DeepSeek-R1 在n=5任务中显著高于标准模型	LRMs能通过探索错误路径进行自我修正，提高容错能力	中等复杂度任务是推理模型展现优势的“甜蜜点”
高复杂度	两类模型均失败	河内塔 n=8、渡河问题 n=3 准确率≈0	模型资源不足以克服组合爆炸，推理token数反而下降	无论推理能力如何，现有架构均难以解决高度复杂任务，需范式转变