2025年6月12日消息，人工智能看似风光无限，大语言模型对答如流，宛如人类思维。但苹果公司《思考的幻觉》研究，却如一颗重磅炸弹，在人工智能学界激起千层浪。研究团队创建解谜环境，测试大型推理模型在不同难度任务中的表现。 结果令人大跌眼镜，标准模型在低复杂度任务中表现出色，高复杂度任务下模型则集体“瘫痪”，还出现反直觉的“规模效应”，暴露了模型在精确计算和推理逻辑上的局限。专家看法不一。IBM阿什·米尼亚斯指出大语言模型只是模式匹配，当前处于弱人工智能阶段。但也有人质疑苹果动机，如科技撰稿人克里斯·史密斯认为苹果是“吃不到葡萄说葡萄酸”，毕竟苹果在人工智能领域落后。此外，苹果论文强调行业需更可靠的基准测试，其研究方法虽有创新，但也存在局限性。更有趣的是，人工智能的局限竟与人类认知偏见相似，我们常把雄辩当智慧。那么，在评估人工智能和人类时，如何才能真正区分“表现”与“能力”呢？
