近日，Apple 机器学习研究团队发布了一篇名为《思考的幻觉（The Illusion of Thinking）》的论文。
这篇 53 页的技术报告并非普通评测，而是一记质疑当下主流 LLM 推理能力的重锤。
研究者们指出，OpenAI 的“o”系列、Google 的 Gemini 2.5、以及 DeepSeek-R 等所谓“推理型大模型”，本质上并没有从训练数据中学习到可泛化的第一性原理。
他们用了四个经典问题来证明这一观点：汉诺塔（Tower of Hanoi）、积木世界（Blocks World）、过河问题（River Crossing）和跳棋（Checkers Jumping）。
图注：四类经典问题的示意图。
这些任务的特点是，可以通过增加步骤和限制条件，让难度指数级飙升，极其考验模型的长链条逻辑规划能力。
苹果的要求也很苛刻：不仅要给出正确答案，还得用“思维链”的方式，把解题的每一步都写出来。
结果呢？
正如苹果所料，随着谜题越来越难，所有顶尖推理模型的准确率都直线下滑。在最复杂的任务面前，性能直接崩盘，准确率归零。
图注：在所有谜题环境和不同难度级别下，思维模型（Claude 3.7 Sonnet with thinking、DeepSeek-R1）与其非思维对应模型（Claude 3.7 Sonnet、DeepSeek-V3）在准确率方面的对比。
更有意思的，是苹果研究员发现的一个现象：模型用于“思考”的篇幅（也就是输出的token数量）也开始缩水。
作者将此视为模型主动减少推理尝试的迹象。
也就是说：推理，是幻象。
这篇论文在X（推特）上被疯狂转发，很多人上来就直接宣判：“苹果已经证明了，像Claude、DeepSeek这类模型根本不会推理，它们只是记性特别好的复读机罢了！”
反转来了：“思考幻觉”本身的幻觉
争议的火苗很快被一篇名为《The Illusion of The Illusion of Thinking》的反驳论文点燃，作者是一位名叫Alex Lawsen的独立研究员——以及，他的合作伙伴：大语言模型Claude Opus 4。
是的，一篇论文，合著者是AI。
他们认为，苹果所谓的“推理崩溃”，根本不是AI能力的上限到了，而是实验设计本身存在致命缺陷。
槽点一：混淆了“推理失败”和“作文本不够长”
这是最核心的一个反驳点。
批评者指出，像汉诺塔这类问题，解决步骤是随着盘子数量指数级增长的。比如，要解开15个盘子的汉诺塔，需要输出超过32000个步骤。
而大模型的上下文窗口和单次输出Token都是有上限的。
模型很可能在内部已经得出了正确的算法和策略，但因为输出篇幅的限制，导致答案被截断，结果被苹果的评估脚本直接判了零分。
也就是说，这不是逻辑的极限，这是Token的极限。
槽点二：“考卷”本身就有问题
这是对苹果研究严谨性的最后一击。反驳论文指出，不仅仅是评估方法有问题，苹果用来测试的“考卷”本身，都存在设计缺陷。
论文作者发现，在苹果使用的基准测试中，一些“过河问题”的题目，根据其给出的限制条件，在数学上是 根本无解的 。
一个无解的题，AI当然给不出“正确答案”。
但最离谱的是，苹果的评估系统，依然对模型在这些无解题上的输出进行了评分，并以此作为模型“失败”的证据。
槽点三：换个“考法”，AI原地复活
他们做了一个简单的实验：他们不再要求模型一步一步地写出汉诺塔的完整解法，而是让模型直接输出一个能解决这个问题的“程序代码”（比如一个Lua函数）。
结果如何？
模型在之前被判定为“彻底失败”的、更复杂的任务上，轻松给出了正确的程序。
这个反转极具说服力。它证明了AI不是不懂解题的逻辑，它只是无法遵循那种“默写全文”式的、极其冗长又低效的输出要求。
AI 的脑子里已经有了算法，但你非要它把每一步计算都口述出来。
此外，还有其他研究者在推特（X）指出了第四个槽点：缺乏人类基准的“单方面宣布”
即，苹果在整个实验中，从未将模型的表现与人类在相同任务下的表现进行对比。
别说AI了，就是一个正常人，在没有任何纸笔辅助的情况下，去心算一个需要几百步规划的逻辑谜题，大脑一样会“宕机”。
没有这个最基本的参照系，怎么能断言AI的“性能衰减”是一种根本性的“思考缺陷”，而不是所有智能体（包括人类）面对超限复杂任务时的正常表现呢？
本文来自微信公众号“大数据文摘”，36氪经授权发布。
