思维的假象

苹果公司的一项研究发现，先进的“大型推理模型”（LRMs）在处理复杂难题时会彻底失败，这引发了一场关于人工智能是否能真正“推理”的激烈辩论。批评者认为，这些模型只是在进行更复杂的模式匹配，其表现揭示了根本性的局限性。而模型开发者则反驳称，问题在于苹果的测试方法有缺陷。与此同时，一些务实的观察者指出，无论这些模型能否解决理论难题，它们在现实世界中已经非常有用，而谷歌在国际数学奥林匹克竞赛中取得的成功，则为这场讨论增添了更多复杂性。

苹果研究：推理模型的“崩溃点”

苹果公司的研究人员设计了一系列可控的逻辑谜题，以精确测试大型推理模型（LRMs）在不同复杂度下的表现。他们发现，这些模型在处理简单问题时会“过度思考”，在中等难度问题上表现尚可，但一旦问题复杂度超过某个临界点，其准确率就会彻底崩溃。

通过在多种谜题上的大量实验，我们发现前沿的大型推理模型在超过一定复杂度后，会面临完全的准确率崩溃。

研究人员和一些评论者认为，这表明所谓的“推理”可能只是更高级的模式匹配。其行为模式可以概括为：

• 简单问题： 表现得比普通模型更繁琐，类似于“杀鸡用牛刀”。
• 中等问题： 表现优于标准的大语言模型（LLMs）。
• 复杂问题： 和标准模型一样，遭遇同样的失败。

争论：是模型缺陷还是测试方法问题？

AI 公司 Anthropic 迅速回应，认为苹果的结论主要源于其实验设计的局限性，而非模型存在根本性的推理缺陷。

我们证明，他们的发现主要反映了实验设计的局限性，而不是根本性的推理失败。

Anthropic 指出，当他们调整测试方法——比如要求模型提供解决问题的通用公式（生成函数），而不是详尽的每一步操作列表——模型在之前被报告为“完全失败”的任务上取得了很高的准确率。

这一反驳也引来了嘲讽，有人评论说，这相当于“为了通过推理测试，先把推理部分去掉了”。

两种观点：这是根本性障碍还是无关紧要？

这场辩论分裂出两种截然不同的观点，反映了对人工智能未来发展的不同看法。

• 观点一：这是“扩展不是答案”的明确信号

  学者加里·马库斯（Gary Marcus）认为，苹果的发现是一个里程碑事件，证明了单纯依靠增加模型规模和数据（即“扩展”）的路径是行不通的。他强调，当价值数十亿美元的 AI 无法解决一个孩子都能完成的谜题时，是时候反思当前的炒作了。

  如果像萨姆·奥特曼（Sam Altman）这样的人在出汗，那是因为他们应该如此。苹果的论文是又一个明确的信号，表明扩展不是答案。

• 观点二：“它们现在已经很有用”

  技术专家西蒙·威尔逊（Simon Willison）则持更为务实的态度。他认为，纠结于这些模型是否是通往通用人工智能（AGI）的正确道路没有意义。关键在于，只要了解其局限性，它们在今天就已经能发挥巨大作用。

  > 我不关心它们是否是“通往AGI的道路”。我只关心在了解了它们的局限性之后，它们在今天是否有用。

新的进展：数学领域的突破

就在这场争论进行的同时，谷歌宣布其 Gemini 模型在国际数学奥林匹克竞赛（IMO）中取得了金牌水平的表现。IMO 是全球最顶尖的青年数学竞赛，其题目需要极高的抽象和逻辑推理能力。

这一成就表明，尽管在某些类型的逻辑谜题上存在局限，但最先进的 AI 模型已经能够在其他高度复杂的领域中达到人类顶尖水平，使得关于其真实能力的评估变得更加复杂和微妙。