「太難了，我不想了啦」蘋果研究質疑AI推理模型能力，在複雜問題面前「準確率歸零」

地球一瞬，世界各地正發生這些大小事。

註：本文為單一事件快訊報導，非深度文章

在即將舉辦全球開發者大會（WWDC）前夕，蘋果公司提出一份研究報告，對目前最先進的AI推理模型能力提出質疑。研究指出，大型推理模型（LRMs）在面對高複雜度問題時，準確率會「完全崩潰」，甚至出現反常的思考退縮現象，顯示當前AI系統在推理與泛化能力上可能遭遇根本瓶頸。這份研究引發業界高度關注，有專家直言「任何認為LLMs就是實現AGI捷徑的人，都在自欺欺人。」警告當前AI技術發展可能已進入瓶頸。

蘋果研究：遇到難題就崩潰

就在全球科技公司熱烈競逐通用人工智慧（AGI）之際，蘋果公司（Apple Inc.）發布的一份研究報告卻給這場競賽潑了桶冷水。該研究顯示，即使是目前最先進的推理型AI模型，也在面對稍具挑戰性的複雜問題時「全面崩潰」，無法產出正確解答，甚至出現反常的思考行為。

這篇名為《思考的幻象》（The Illusion of Thinking）的研究指出，當所謂的大型推理模型（Large Reasoning Models, LRMs）被要求解決高複雜度問題時，其解題能力會迅速瓦解，準確率最終跌至零。更令人驚訝的是，研究團隊在某些情況下即使直接提供能正確解題的演算公式，模型仍未能得出正確答案。

根據衛報報導，本篇研究所測試的模型包括OpenAI的o3、Google的Gemini Thinking、Anthropic的Claude 3.7 Sonnet Thinking，以及DeepSeek-R1等市面上的知名AI系統。

根據研究觀察，當推理模型逼近其能力極限時，非但沒有增加邏輯推理的努力，反而出現「減少推理嘗試」的行為。這種看似反直覺的現象，代表模型在難題面前並不會自我調整或強化推理過程，反而像是「放棄思考」。

研究團隊認為，這顯示目前AI系統存在根本性的規模侷限，難以跨越從特定任務到更廣泛推理能力的門檻，也暴露了AI尚無法進行「可泛化的推理」（generalisable reasoning）。

不只看「答案對不對」，還看「AI是怎麼思考的」

研究團隊使用可控的邏輯拼圖環境（controllable puzzle environments）來測試模型推理極限：透過一系列邏輯推理拼圖（如河川過渡、漢諾塔塔），並將問題複雜度分級控制（低、中、高）。每個環境維持相同邏輯結構，但改變組合（如增加塔層、高度），精確操控「複合性」變數。設計的測試包括經典的邏輯謎題，如「渡河問題」與「河內塔問題」，這些需要模型進行多步推理與規劃。研究人員特別設計，讓題目區分成「簡單、中等、困難」三種難度。

很多人都只看AI最後答案對不對，但這篇研究不僅記錄最終答案是否正確，更完整蒐集模型產出的「中間推理過程」，也就是 token-by-token 的推理路徑，研究人員希望看到：

AI是怎麼一步一步思考的？它中間有沒有邏輯錯誤？它是繼續努力思考，還是中途放棄？

研究人員讓「有思考過程的AI」（LRM）和「一般AI」（LLM）一起解題，如果題目很簡單：一般AI解題速度比較快、更正確；在中等難度的題目中，LRM雖然仍能找到正確解法，但過程中經常先探索錯誤方向後才修正，研究說明這代表了其「思考過程」並不穩定，耗費大量資源卻效率不彰；而一旦複雜度再往上提升、增加變項或步驟數，LRM與LLM都出現準確率急劇下降、甚至完全答錯的情況。

研究人員發現，當題目越來越難的時候，這些AI模型接近其推理極限時，非但沒有加強分析，反而減少推理嘗試。有些AI剛開始會「寫一大堆思考過程」（就像人在紙上列很多步驟），但後來卻突然「不想寫了、放棄了」，就好像AI覺得「太難，我不想想了」。這就讓研究人員懷疑：這些AI的思考是不是只是『裝』出來的？它們可能只是「模仿人類思考的樣子」，但其實不是真的在運用邏輯。

研究報告中寫道：「當模型接近其準確率崩潰臨界點時，反直覺地開始減少推理努力，儘管問題難度正在上升。」這種異常的行為讓研究團隊深感擔憂。

專家直言：「認為LLMs就是實現AGI捷徑的人，都在自欺欺人。」

必須提醒的是，這場研究測試的「邏輯拼圖環境」是人為設計的，雖然有助於控制變數，但是否能完全代表真實世界的推理任務，還需其他研究驗證。且這份研究報告雖然來自 Apple有其份量與影響力，但仍尚未經過學界完整的審查程序（如 NeurIPS、ICLR、ACL 等）也還未發表於頂級會議或期刊（目前僅為 research paper，非 peer-reviewed）。但這份研究報告仍引起多方關注：

根據衛報報導，美國美國心理學家、認知科學家，同時也是AI專家——蓋瑞．馬庫斯（Gary Marcus）在其Substack通訊中評論這份研究為「相當致命」，並指出那些認為大型語言模型（LLMs）能夠直接帶來人類層級智慧的觀點，可能過於樂觀。他寫道：「任何認為LLMs就是實現AGI捷徑的人，都在自欺欺人。」

同樣地，英國薩里大學（University of Surrey）人工智慧研究所的安德魯．羅高伊斯基（Andrew Rogoyski）也指出，這份研究揭示業界可能陷入發展死胡同。他說：「這些模型雖然能處理中低複雜度問題，但一旦問題更難，它們就徹底『失控』，這顯示目前的AI技術路線可能已經碰到極限。」

衛報也就此份研究聯繫了Anthropic、Google和 DeepSeek詢問意見。ChatGPT的開發公司OpenAI拒絕回應。

蘋果的策略是什麼？

蘋果這篇論文的發布時間也耐人尋味——正值公司備受矚目的全球開發者大會（WWDC）前夕。

根據Futurism報導，儘管近年AI已成科技業核心戰場，蘋果卻一直被視為起步較晚、進展緩慢的玩家。其自家AI系統「Apple Intelligence」至今尚未在所有裝置上推出，但目前推出速度不如 Google、Microsoft 等競爭對手。因此，有分析認為 Apple 藉此研究論文，試圖降低市場對其 WWDC AI 發表的期待，轉而強調模型「推理能力的極限」。

但此篇報 告也提出另一種可能：蘋果可能正試圖重塑其AI戰略定位，從一味追趕轉為扮演「批判者」與「標準制定者」的角色。透過揭示現有AI模型的盲點，蘋果希望開啟一場關於AI能力與責任的深層討論——或許，我們不只是問「AI能做到什麼」，更要問「它真的理解了什麼」。

加入 DQ地球圖輯隊 LINE Notify ，一起看透全世界

延伸閱讀：
為什麼AI的回答總是喜歡拍馬屁？ChatGPT：你問得很好馬斯克預測通用人工智慧明年年底將問世　圖靈獎得主楊立昆：差得遠呢！

參考資料：
Advanced AI suffers ‘complete accuracy collapse’ in face of complex problems, study findsApple Researchers Just Released a Damning Paper That Pours Water on the Entire AI IndustryApple questions capabilities of AI reasoning models in new research paperThe Illusion of Thinking: Understanding the Strengths and Limitations of Reasoning Models via the Lens of Problem Complexity