引言
“机器能思考吗？” 1950年，艾伦·图灵在其经典论文《计算机器与智能》中提出了这一发人深省的问题。七十多年后，苹果公司的一篇名为《思考的错觉》的论文再次将这个问题推向了风口浪尖。论文通过实验证明，当前最先进的推理模型（LRM）仍然无法真正实现“推理”，即在复杂环境中无法泛化解决问题。然而，这篇论文的研究方法和结论却引发了广泛的争议。著名的人工智能学者Gary Marcus更是直言不讳地指出了该研究的七大缺陷。在这篇文章中，我们将深入探讨苹果这篇论文的核心观点、外界的批评意见以及背后更深层次的思考。
苹果论文的核心观点
推理模型的局限性
苹果的研究团队在《思考的错觉》一文中，详细探讨了当前最先进的推理模型（LRM）是否具备真正的推理能力。研究发现，尽管这些模型在一些简单任务上表现优异，但在面对复杂的、需要跨环境泛化的问题时，其准确度迅速下降，甚至崩溃至零。
论文中提到了几个典型的实验案例，例如在数学题题干中加入无关内容，结果发现大模型更容易答错。研究团队认为，这表明当前的推理模型并不具备真正的推理能力，而只是在大量数据训练下形成的某种“模式识别”。
具体实验与数据支持
为了验证这一观点，苹果研究团队选择了几个具有代表性的LRM，包括o3-mini、DeepSeek-R1和Claude-3.7-Sonnet-Thinking，进行了一系列实验。实验结果显示，这些模型在处理复杂问题时，准确度显著下降，甚至在某些情况下完全无法给出正确答案。
例如，在一道涉及多步骤推理的数学题中，模型在未加入无关内容的情况下，准确度为80%；而一旦加入无关内容，准确度骤降至20%。这一实验结果被研究团队视为推理模型无法泛化解决问题的直接证据。
外界的批评与质疑
Gary Marcus的七点批评
著名的人工智能学者Gary Marcus一向对大型语言模型（LLM）持批评态度，这次也不例外。他在其个人博客上发表了一篇长达数千字的文章，总结了对苹果《思考的错觉》一文的七点批评意见。
-
研究方法不合理：Marcus认为，通过在数学题题干中加入无关内容来测试模型的推理能力并不合理。这种方法更像是在测试模型的抗干扰能力，而非其真正的推理能力。
-
人类处理复杂问题的困难：Marcus指出，人类在处理复杂问题和记忆需求方面同样存在困难，因此不能单纯以模型在复杂环境中的表现来否定其推理能力。
-
更大的模型可能表现更好：Marcus认为，苹果的研究结论可能过于草率，更大的模型或许能够在复杂环境中表现得更好。他建议进行更多实验，以验证这一假设。
-
输出token的限制：当前的LRM在输出token数量上存在限制，这可能影响其在复杂问题上的表现。Marcus认为，这一问题可以通过技术手段加以解决。
-
实习生撰写论文的问题：Marcus对论文由一名实习生撰写表示担忧，认为这可能影响研究的严谨性和可靠性。
-
代码解决难题的可能性：Marcus指出，这些系统或许可以通过编写代码来解决一些复杂的推理问题，而非单纯依赖训练数据。
-
对LLM的偏见：Marcus认为，苹果的研究团队对LLM存在偏见，这可能影响其研究的客观性和中立性。
其他专家的观点
除了Gary Marcus，还有不少专家对苹果的论文提出了质疑。一位读者在社交媒体上表示：“给数学题题干加无关内容，发现大模型更容易答错，而质疑大模型不会推理，这种做法并不十分合理。”他认为，这种实验设计更像是在测试模型的抗干扰能力，而非其真正的推理能力。
另一位专家则指出，苹果的研究忽略了LRM在其他领域的优异表现，例如自然语言处理和图像识别。他认为，单纯以推理能力来评价LRM的价值，未免有失偏颇。
推理模型的未来展望
技术改进的方向
尽管苹果的《思考的错觉》一文引发了广泛争议，但不可否认的是，当前的推理模型确实存在一些局限性。为了提升其推理能力，技术改进是必不可少的。以下
Views: 0