近期，蘋果公司公布了一項關于人工智能（AI）的重要研究，揭示了大型推理模型（LRM）在面對復雜問題時的局限性，這一發現引發了業界的廣泛關注。
在這項研究中，蘋果科研人員測試了多款前沿的LRM，包括OpenAI的o1與o3、DeepSeek R1、Claude 3.7 Sonnet Thinking以及Google的Gemini Flash Thinking。他們通過一系列經典邏輯謎題來評估這些模型的推理能力，例如河內塔、跳棋問題、過河難題和方塊堆疊問題等。
研究結果顯示，盡管這些LRM在中等難度的謎題上表現優于傳統的大型語言模型（LLM），但在面對簡單問題時，它們的表現卻不盡如人意。更令人驚訝的是，當問題難度提升時，這些模型不僅無法有效應對，還會出現“完全崩潰”的現象，甚至在解題過程中提前“放棄”。
蘋果研究人員指出，盡管LRM在數學和編程任務中展現出了強大的能力，但在面對更加復雜的挑戰時，它們只是呈現出了一種“思考的假象”。這一發現無疑給那些期待通用人工智能（AGI）早日實現的人們潑了一盆冷水，同時也讓AI懷疑論者看到了希望的曙光。
在具體測試過程中，研究人員發現，隨著問題難度的增加，這些LRM模型的準確率逐漸下降，最終在各自的臨界點完全崩潰，準確率為零。例如，在河內塔問題中，當圓盤數量增加到第五個時，Claude 3.7 Sonnet + Thinking和DeepSeek R1就開始頻繁失敗。即使增加算力，也無法解決高復雜度的問題。
研究人員還發現，隨著問題難度的提升，這些模型在解題初期會投入更多的“思考token”（即推理努力），但接近臨界點時，反而會減少“思考”，即token使用量下降。這意味著，面對更難的問題，這些模型反而更快地放棄了努力。
盡管這一研究結果令人失望，但AI專家Gary Marcus在博客中指出，這并不意味著這些模型完全沒有推理能力。他指出，人類在類似的任務中也存在局限性，例如許多人在解決包含8個圓盤的河內塔問題時也會出錯。同時，他也強調，研究并未將這些AI模型的表現與人類進行直接對比。
總的來說，蘋果的研究揭示了大型語言模型在推理能力方面的局限性。盡管它們在編程、寫作等任務中表現出色，但在面對更加復雜的挑戰時，仍然需要傳統算法的支持。因此，我們應該將這項研究視為一項重要的參考數據，結合其他LLM研究來全面理解AI的發展現狀。
在AI研究領域，每次新的發現都會引發社會輿論的極端反應。有些人會徹底看衰AI，而有些人則會過度興奮地慶祝所謂的“突破”。然而，現實往往介于這兩個極端之間。AI的發展既非驚天動地，也非一無是處，而是在不斷進步和完善中。
