蘋果機器學(xué)習(xí)研究中心近日發(fā)布了一篇引人深思的研究論文，對當(dāng)前人工智能（AI）模型的思維能力與推理能力提出了質(zhì)疑。論文指出，現(xiàn)有的AI模型，盡管在某些任務(wù)上表現(xiàn)出色，但實際上主要依賴模式匹配與記憶，特別是在面對復(fù)雜任務(wù)時，這一局限性尤為明顯。

為了深入探討這一問題，蘋果的研究人員對當(dāng)前前沿的“大型推理模型”進行了全面評估，這些模型包括OpenAI的o3-mini、DeepSeek-R1、Anthropic的Claude 3.7 Sonnet Thinking，以及谷歌的Gemini Thinking等。這些模型被廣泛應(yīng)用于各種場景，尤其是在生成詳細(xì)“思考鏈”方面展現(xiàn)出了獨特的優(yōu)勢。

然而，研究卻發(fā)現(xiàn)，當(dāng)問題的復(fù)雜度超過某個臨界點時，這些模型的推理能力會急劇下降，甚至完全崩潰，準(zhǔn)確率降至零。更令人驚訝的是，在推理過程中，盡管算力充足，但模型用于“思考”的token數(shù)量卻隨著問題難度的增加而減少，這進一步揭示了現(xiàn)有推理方法的根本局限性。

論文《思考的幻象：通過問題復(fù)雜性的視角理解推理模型的優(yōu)勢與局限》由Parshin Shojaee等人撰寫，深入剖析了當(dāng)前AI模型在推理方面的不足。研究人員指出，目前對AI模型的評估主要集中在數(shù)學(xué)和編程基準(zhǔn)測試上，這種評估方式雖然可以反映模型的最終答案準(zhǔn)確性，但卻忽略了數(shù)據(jù)污染問題，也無法揭示模型內(nèi)部推理軌跡的結(jié)構(gòu)和質(zhì)量。

為了更深入地了解AI模型的推理過程，研究人員設(shè)計了一系列可控的解謎環(huán)境，這些環(huán)境允許精確操縱問題的復(fù)雜性，同時保持邏輯結(jié)構(gòu)的一致性。通過這種方式，研究人員不僅可以分析模型的最終答案，還可以深入探究模型的內(nèi)部推理軌跡，從而揭示模型是如何“思考”的。

研究團隊發(fā)現(xiàn)，模型的表現(xiàn)可以清晰地分為三個階段：在低復(fù)雜度任務(wù)中，傳統(tǒng)大模型（如Claude-3.7無思維版本）表現(xiàn)更佳；在中等復(fù)雜度任務(wù)中，具備思維機制的大型推理模型（LRMs）更占優(yōu)勢；然而，在高復(fù)雜度任務(wù)中，兩類模型均陷入完全失效狀態(tài)。

特別研究還發(fā)現(xiàn)LRMs在執(zhí)行精確計算方面存在明顯局限性，它們無法使用顯式算法進行推理，且在不同謎題之間的推理表現(xiàn)也呈現(xiàn)出不一致性。這一發(fā)現(xiàn)進一步強調(diào)了當(dāng)前AI模型在推理能力方面的不足。

研究還指出，當(dāng)前業(yè)界對LRMs的評估范式主要基于已建立的數(shù)學(xué)基準(zhǔn)，這種評估方式可能無法全面反映模型的真實能力。因此，研究人員呼吁需要更加細(xì)致的實驗設(shè)置來探索這些問題，以更深入地了解AI模型的推理能力和局限性。

論文的發(fā)布引起了業(yè)界的廣泛關(guān)注。研究人員表示，這些發(fā)現(xiàn)不僅揭示了現(xiàn)有LRMs的優(yōu)點和局限性，還引發(fā)了關(guān)于這些系統(tǒng)推理本質(zhì)的問題。這些問題對于AI系統(tǒng)的設(shè)計和部署具有重要意義，將推動相關(guān)領(lǐng)域的研究不斷向前發(fā)展。