AI 推理能力之争：专家挑战苹果结论

IT 世家 6 月 14 科技媒体日新闻 9to5Mac 昨日（6 月 13 日本)发布博文，报道称苹果公司 6 月 6 日发布的 AI 研究论文《The Illusion of Thinking》引发争议，专家对评价方法提出质疑。

在文章中，苹果指出，即使是目前最先进的大规模推理模式（LRMs），同时，复杂的任务也会崩溃。但 Open Philanthropy 的研究员 Alex Lawsen 对此提出了详细的反驳，认为苹果的结论源于试验设计缺陷，而不是模型推理能力的根本局限性。

争论的焦点是苹果论文指出，即使是目前最先进的大规模推理模式也在处理汉诺塔问题。（Tower of Hanoi）等待复杂的任务之后，也会出现完全失败的情况。

IT 世家注:汉诺塔问题是一个经典的递归算法问题:上帝创造了三根柱子，并按顺序设置在第一根柱子上。 N 一个大小不一的圆盘(自下而上，圆盘由大到小，呈金字形)。

规定每次只能移动一个顶端的圆盘，并保证大圆盘在整个过程中不能放在小圆盘上。如果你想把所有的圆盘从第一根柱子移动到第三根柱子，试着给出解决方案。

Open Philanthropy 的研究员 Alex Lawsen 最近发表了反驳文章《The Illusion of the Illusion of Thinking》，认为苹果的研究结果更多地反映了实验设计的不足，而不是模型推理能力的真正局限性。在这篇文章中，他直言苹果的研究混淆了导出限制和评估设置问题，与实际推理失败无关。

Lawsen 对苹果的挑战提出了三个核心问题。第一，他指出苹果忽视了模型 Token 预算限定。在处理 8 上述河内塔问题时，如 Anthropic 的 Claude Opus 等待模型接近导出上限，甚至明确表示“为了节约 Token 而停止"。

第二，苹果 River Crossing(渡河)检测包括无解谜题，例如 6 上述角色组合无法满足的船舶容量限制，由于拒绝回答，模型被扣分。。

最终，苹果的自动评估脚本只基于完整的步骤目录。，未能区分推理失败和输出截断，导致部分战略导出被误判为失败。Lawsen 感觉，这种僵硬的评价方法是不公平的。

为了支持观点，Lawsen 河内塔检测重新设计，要求模型生成递归 Lua 用函数打印解法，而不是一一列出所有步骤。

结果令人吃惊：Claude、Gemini 和 OpenAI 的 o3 模型均能正确生成 15 解决问题的算法，远远超过苹果报告的“零成功”复杂界限。

Lawsen 得出结论：在清除人为导出限制之后，LRMs 至少在算法生成层面，表现出处理高复杂任务的推理能力。这说明问题可能不在于模型本身，而在于评价方法。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com