近期，科技界围绕苹果公司一篇关于人工智能的论文展开了激烈讨论。这篇题为《思维的错觉》的论文，由苹果公司于6月6日发布，迅速引起了专家们的关注与争议。
论文中，苹果公司提出一个核心观点：即便是目前最顶尖的大型推理模型（LRMs），在面对复杂任务时也会遭遇崩溃。然而，这一结论随即遭到了Open Philanthropy研究员Alex Lawsen的有力反驳。Lawsen认为，苹果的结论更多地反映了实验设计的瑕疵，而非模型推理能力的固有缺陷。
争议的核心聚焦于苹果论文中的一个具体案例：即便是最先进的大型推理模型，在处理如汉诺塔问题这样的复杂递归算法任务时，也会彻底失败。汉诺塔问题是一个经典问题，要求将一系列大小不同的圆盘从一个柱子移动到另一个柱子，且需遵循特定规则。
针对这一观点，Alex Lawsen撰写了一篇题为《思维错觉的错觉》的反驳文章。他指出，苹果的研究混淆了输出限制和评估设置的问题，从而得出了误导性的结论。Lawsen详细列举了三大问题来挑战苹果的结论。
首先，Lawsen强调苹果忽略了模型的Token预算限制。在处理超过8个圆盘的汉诺塔问题时，一些模型如Anthropic的Claude Opus，已接近其输出极限，甚至因节省Token而停止输出。其次，苹果的过河测试中包含了一些无解谜题，模型因拒绝解答而被判定为失败，这显然是不公平的。最后，苹果的自动化评估脚本过于僵化，仅将完整步骤列表视为成功标准，未能区分推理失败与输出截断，导致部分策略性输出被误判。
为了证明自己的观点，Lawsen重新设计了汉诺塔测试，要求模型生成递归Lua函数来打印解法，而非逐一列出步骤。结果令人震惊：Claude、Gemini和OpenAI的o3模型均能正确生成15个圆盘问题的算法解法，远超苹果报告中“零成功”的复杂性界限。
Lawsen还指出，在去除人为输出限制后，LRMs展现出了处理高复杂任务的推理能力，至少在算法生成层面是如此。这表明，问题可能并不在于模型本身，而在于评估方式。这一发现无疑为人工智能领域带来了新的思考和启示。
为了更直观地展示其观点，Lawsen还提供了其他测试结果的对比图，进一步证明了其论点的合理性。
此次争议不仅揭示了人工智能研究中的复杂性和挑战，也再次强调了科学评估方法的重要性。随着人工智能技术的不断发展，如何更准确地评估模型的推理能力，将成为未来研究的重要方向。
