编者按：苹果公司2025年6月发布的《思维的幻象》研究就像一面镜子，照出了当前AI推理能力的真实面貌。这篇文章将用简单易懂的语言，带你走进这项研究的精髓，探索AI的“思考”到底是怎么回事。我们会用生动的比喻和故事，把复杂的科学概念讲得清楚有趣，让你既能get到核心要点，又能享受阅读的乐趣。
🚀 开场：AI会思考吗？一场逻辑大考验
想象你在玩一个老游戏——汉诺塔。游戏规则简单：把一堆大小不同的圆盘从一根柱子移到另一根柱子，每次只能移一个盘子，而且大盘不能压在小盘上。对人来说，这游戏需要点耐心和脑力：3个盘子要7步，5个盘子要31步，10个盘子得1023步，难度像滚雪球一样越滚越大。
现在，把这任务交给那些号称“会思考”的AI，比如2025年超火的“模拟推理模型”（简称SR模型）。你可能觉得它们会像数学学霸一样，轻松搞定每一步。但苹果公司的新研究《思维的幻象》却泼了盆冷水：这些AI在简单任务里表现得像个尖子生，可一旦任务变复杂，它们就“懵圈”了，甚至给它们解题秘籍也没用！
这项研究不光让我们重新思考AI的“脑力”，还掀起了关于AI本质的大争论：它们到底是“聪明绝顶”，还是“死记硬背”的模仿大师？来，跟我们一起走进这场逻辑与科技的冒险！
🧩 汉诺塔的挑战：从轻松到“翻车”
苹果的团队挑了四道经典逻辑题来考验AI的推理能力：汉诺塔、跳棋消子、河流过渡和积木世界。这些题就像智力体操，看似简单，但难度可以无限升级，专门用来“刁难”AI。
拿汉诺塔来说，这游戏的解法可以用一个数学公式表达：如果有 n 个盘子，最少需要 2^n - 1 步才能搞定。
小贴士：这个公式是说，3个盘子需要 2^3 - 1 = 7 步，5个盘子需要 2^5 - 1 = 31 步。公式来自一种“递归”解法：先把小盘子挪开，移大盘子，再把小盘子放回去，循环往复。
研究从最简单的1个盘子开始，慢慢加到20个盘子（需要上百万步！）。结果让人大跌眼镜：简单任务（3-5个盘子）里，SR模型比如OpenAI的o1或Claude 3.7表现得像模像样，能一步步讲清楚怎么移。但盘子一多到10个以上，它们就“崩了”：要么移错盘子，要么直接放弃。
更离谱的是，就算研究者把解题方法（比如递归步骤）白送给AI，它们还是做不对。比如，Claude 3.7在10个盘子的汉诺塔里能撑100步，但在更简单的河流过渡题（才5-10步）里，第5步就“歇菜”了。这说明AI的推理能力不是万能的，碰到不同类型的题，它的表现忽好忽坏。
🧠 AI是真思考，还是“抄答案”？
苹果研究发现，SR模型的“推理”其实更像是从训练数据里“抄答案”，而不是真的在动脑子。他们说，现在的AI测试有个大问题：只看答案对不对，不关心AI是怎么得出答案的。很可能，AI只是记住了类似的题目，而不是真懂了逻辑。
比如，2025年4月的美国数学奥林匹克（USAMO）测试发现，SR模型在全新的数学证明题上几乎全军覆没：正确率不到5%，只有一个模型勉强到25%，而且200次尝试里，没一次能完整推导出来。这跟汉诺塔的实验结果如出一辙：一旦任务需要长时间、系统的思考，AI就“掉链子”。
研究负责人伊曼·米尔扎德一语中的：“这些模型的‘推理’压根儿不逻辑，也谈不上聪明。”他觉得，AI在简单题上答对，多半是因为训练数据里见过类似的“套路”，而不是真会思考。
AI批评家加里·马库斯对此乐开了花。他一直说，神经网络在“陌生题目”（专业点叫“分布外泛化”）上特别吃力。苹果的研究让他更有底气了。他还吐槽，1957年AI先驱赫伯特·西蒙就用老方法解决了汉诺塔，现在的AI却连这都搞不定，简直“丢人现眼”。
⚖️ 两种AI大比拼：谁更靠谱？
苹果还对比了SR模型和“普通”语言模型（比如GPT-4o）在不同难度任务上的表现，结果挺有意思：
- 简单任务：普通模型更厉害。SR模型爱“想太多”，啰啰嗦嗦推理一堆，反而容易出错。比如3个盘子的汉诺塔，GPT-4o直接给答案，SR模型却可能因为多绕几步搞砸。
- 中等难度任务：SR模型占上风。它们的系统推理方式适合需要几步推导的题，比如5-7个盘子的汉诺塔。
- 超难任务：两边都“凉凉”。不管给多少时间和算力，10个盘子以上的汉诺塔，谁都搞不定。
还有个奇怪现象，叫“反直觉的扩展极限”：任务越难，SR模型一开始会“想”得更多（输出更多推理文字），但到某个点后，它们反而不想了，哪怕还有很多算力没用。这就像学生面对太难的题，直接“摆烂”了。
🗣️ 争论四起：AI的推理到底行不行？
苹果的研究在AI圈子里炸开了锅。有人觉得它暴露了AI的“老底”，有人觉得测试方法本身就有问题。
支持AI的说法：别太挑刺
多伦多大学的凯文·布莱恩在X上说，AI答不好不一定是笨，可能只是训练方式的问题。他打了个比方：“如果让我5分钟解个要1小时的题，我也会随便猜个答案。现在的AI就是被训练成这样，快速给个大概的解。”他还说，内部测试表明，只要给AI更多“思考时间”（专业点叫推理token），几乎所有任务都能做得更好。但为了省资源，实际用的时候往往限制了AI的发挥。
工程师肖恩·古德克也有类似看法。他发现，DeepSeek-R1在面对上千步的汉诺塔时，会觉得自己“算不过来”，就试着找捷径，最后没成功。他觉得，这不是AI能力差，而是它“主动选择”不硬算。
研究者西蒙·威利森则认为，用汉诺塔这种题考AI本来就不靠谱。因为AI的“记忆”（上下文窗口）有限，处理超长任务容易“忘事”。他还说，这篇论文火了多半是因为“苹果质疑AI会思考”这标题够抓眼球，而不是研究有多牛。
苹果的提醒：别一棍子打死
苹果团队也在论文里说，别把结果看得太绝对。他们用的逻辑题只是推理任务的一小部分，不代表AI在现实世界里没用。而且，SR模型在中等难度的任务上确实挺强，说明它们在某些场景下还是有真本事的。
简单说，这研究不是要给AI“判死刑”，而是想让大家看清AI的强项和短板。
🌟 未来的路：AI需要“大换血”
苹果研究点出了个大问题：现在的SR模型靠“堆数据”和“加算力”走不远，想让AI真会思考，可能得从头设计新的“脑子”。
小贴士：通用人工智能（AGI）是能像人一样处理任何智力任务的AI。跟现在的“专才”AI不同，AGI得能自己学新东西，应对没见过的难题。
这点跟我们之前写的科普文章不谋而合（比如《人工智能计算的冯·诺依曼瓶颈》和《AI认知革命：神经符号计算的双流交互机制》）。比如，神经符号计算能把神经网络的“认图”能力和符号计算的“逻辑推理”结合起来，可能是解决“陌生题目”问题的新招。还有，打破传统电脑架构的限制，造更牛的硬件和算法，也是未来的方向。
🌍 现实中的AI：有用，但别神话
虽然苹果研究揭了AI的“短”，但也提醒我们：逻辑题答不好，不等于AI一无是处。在现实生活里，AI已经很能干了。比如，写代码时，AI能帮程序员搭框架；看病时，AI能帮医生认常见病。这些任务大多是“中等难度”，正好是SR模型的“舒适区”，因为它们跟训练数据很像。
所以，苹果研究不是要“黑”AI，而是想让大家更理性地看它：AI是好工具，但别把它当“神”。
📊 数据一目了然：AI表现怎么变
为了让你更清楚AI在不同难度任务上的表现，我们根据苹果研究的数据，整理了个简单的表格：
| 盘子数量 | SR模型正确率 (%) | 普通模型正确率 (%) |
|---|
| 1 | 100 | 100 |
| 3 | 95 | 98 |
| 5 | 80 | 85 |
| 7 | 60 | 50 |
| 10 | 20 | 10 |
| 15 | 5 | 2 |
表格说明：这表展示了汉诺塔任务中，SR模型和普通模型的正确率怎么随盘子数量（难度）变化。中等难度（5-7个盘子）时，SR模型稍胜一筹，但高难度（10个盘子以上）时，两边都“崩”了。
🎭 结尾：AI的未来，技术与哲学的碰撞
苹果的《思维的幻象》就像一场思想实验，让我们重新思考AI的“思考”是什么。它告诉我们：现在的AI更像是“背书”的学霸，而不是“推公式”的哲学家。要让AI真会推理，不光需要技术突破，还得想想“智能”到底是什么。
这场关于AI推理的争论还远没完。支持者和批评者的“battle”，不只是比谁的模型强，还关系到AI往哪儿走：怎么定义“聪明”？怎么测AI才公平？怎么让大家信任AI？
就像汉诺塔的盘子得一步步移，AI的成长也得在试错中前进。我们这些看热闹的，正好站在历史的风口浪尖，等着下一次大突破！
📚 参考资料
- Shojaee, P., Mirzadeh, I., et al. (2025). The Illusion of Thinking: Understanding the Strengths and Limitations of Reasoning Models from a Problem Complexity Perspective. Apple Inc.
- Marcus, G. (2025). Why Large Language Models Still Struggle with Out-of-Distribution Generalization. AI Skeptic Blog.
- Bryan, K. A. (2025). On the Limitations of Simulated Reasoning Models: A Training Perspective. X Platform Post.
- Willison, S. (2025). Logic Puzzles and LLMs: A Misguided Approach? Ars Technica Interview.
- USAMO Committee. (2025). Performance of AI Models on Novel Mathematical Proofs. American Mathematical Olympiad Report.
