AI推理：是错因得正的错觉吗？

作者｜John Pavlus《量子杂志》特约撰稿人）

发布｜2026年7月31日

如今，人们越来越笃信人工智能具备真正的推理能力。但直觉往往骗人，科学界对此至今没有统一定论。

我想直接抛出核心问题：AI所谓的“推理”，究竟本质是什么？我刻意给这个词加上引号。2024年，业界还普遍对AI推理持怀疑态度，彼时由大语言模型迭代而来的大型推理模型，才刚刚问世。可到了2026年5月，OpenAI一款通用推理模型一举攻克一项知名的数学未解难题，如今再质疑AI推理，似乎显得不合时宜。

但一系列相互矛盾的研究结论，彻底颠覆了我对AI推理的固有认知，让我不得不重新审视这个问题。从技术定义来看，推理有诸多规范形式，但其核心逻辑通俗易懂：串联层层递进的逻辑步骤，最终推导出可靠结论。人类依靠思维完成这一过程，而大型推理模型依靠的是“思维链”——在解答复杂问题前，模型自主生成的一段连续文本内容。

关于这套机制的争议，在短短两年间反复反转。此前，苹果团队的一项重磅研究提出了“思考幻觉”理论，直指AI的思维链存在致命缺陷，在简单场景下就会出现准确率全面崩盘的问题，狠狠推翻了“AI可自主推理”的主流认知。可转瞬之间，大型推理模型就在国际数学奥林匹克竞赛中斩获金牌。即便是顶尖的数学家、科学家，能取得这般成就，也足以写入职业生涯履历。

如果这都不算真正的推理，那究竟什么才算？

哲学领域有个概念叫“感受质”，指代人类主观的感官体验：比如人眼中蓝色的样子、内心愉悦的感受。已故哲学家丹尼尔·丹尼特曾将其概括为“事物呈现于人类意识中的模样”。在这组专题报道中，我将跟随学界研究脉络，探寻这些无解却关键的科学疑问。

舆论的反转并未止步于此。圣菲研究所后续的研究给出了截然不同的答案：大型推理模型之所以能碾压各类精密设计的推理测试、类比视觉谜题，靠的根本不是通用推理能力，而是抓取表层特征的“捷径技巧”，本质是钻了测试体系的漏洞，而非真正学会了逻辑推演。

没过多久，剧情再度反转。谷歌深度思维联合传奇数学家陶哲轩，借助AI优化、重构了涵盖分析、组合、几何、数论四大领域的67个数学难题解法，再次刷新了AI推理的能力上限。

可大量学术文献又留下了相悖的证据：即便大型推理模型拥有充足的算法支撑和计算资源，依然无法稳定、可靠地完成推理任务。AI圈将这种诡异的特质称作“参差智能”——时灵时不灵，表现极不稳定。

2025年末至2026年，关于AI推理的争议就在反复拉扯中不断发酵。我深耕科学报道二十年，其中半数时间专注AI领域，深知前沿研究本就难以形成统一结论。但这一波接一波的剧情反转，依然超出了我的认知。借用阿尔·帕西诺在《惊爆内幕》中的台词形容我的心境：“我现在又气又好奇。”

我不认为业界存在刻意造假，只是迫切想厘清真相：AI推理能否同时兼具“有效”与“虚假”两种特质？如果可以，背后的底层逻辑是什么？

为此，我专访了业内权威学者梅拉妮·米切尔。她从上世纪80年代便深耕AI领域，如今是业界公认的客观真话讲述者：常年为《科学》杂志撰写科普解读、运营高人气行业通讯，同时在圣菲研究所主导前沿研究，前文提到的AI“表层捷径”研究，便出自她的团队。

当我问及目前学界对AI推理的核心共识时，米切尔给出了精炼的三点总结，简洁到足以写在一张索引卡上：

第一，AI推理确实有用，能显著提升模型各类推理任务的准确率，全面优于传统大语言模型；

第二，模型生成的思维链文本，并不等同于其内部真实的运算过程；

第三，大部分思维链内容毫无价值，直接删除也不会影响模型最终输出结果。

想要读懂AI“既有效又虚假”的矛盾状态，关键就在于理解后两点。

思维链最早在2022年被发现并应用，最初只是优化大语言模型的一种提示技巧：只要给模型示范完整的推理步骤，或是简单指令其“分步思考”，模型解答逻辑、数学基础问题的准确率就会大幅提升。2024年OpenAI推出o1模型后，大型推理模型正式成型，这类模型经过专项训练，能够自动生成推理轨迹、思考词元，再将这些内容反馈给自身，完成闭环运算。

但本质上，大型推理模型依旧是语言模型。它生成的整套思维链，只是一段逻辑通顺、观感逼真的书面文本，看似是清晰的思考过程，实则未必对应真实的内部运算。

如今越来越多学界、产业界研究证实，这些中间词元根本无法如实反映模型的运作逻辑。它不像可核查的收支凭证，也不是精准的过程记录。亚利桑那州立大学研究员苏巴拉奥·坎巴姆帕蒂，将其精准定义为模型的“自言自语”——只是一段无实质意义的文本片段，和真实的推理过程毫无关联。

2025年，坎巴姆帕蒂团队通过实验印证了这一观点：在形式推理任务中，即便把模型原本正确的推理轨迹，全部替换成错误、无关的内容，模型的最终准确率也不会下降。反之，即便只用正确的推理数据训练模型，它也常常会输出漏洞百出的无效推理，却恰好给出正确答案。

纽约大学2024年的一项研究结论更为颠覆：即便用无意义的填充符号（单纯的句点）替代人类可读的完整思维链，模型依然能正常输出正确结果。该论文作者、芝加哥丰田工业大学教授威廉·梅里尔直言：“思维链的文本内容，从本质上不具备任何必然逻辑意义。”

曾任职于Anthropic推理模型团队、现同时供职于纽约大学的研究员帕维尔·伊兹梅洛夫也表示，作为大型推理模型的核心训练方式，强化学习大概率无法让模型生成真实、忠实的推理轨迹。“不排除微小可能，但概率极低。”

或许思维链的文本内容毫无意义，那这些中间词元本身，是否在模型运算中起到关键作用？就像弹球机靠硬币启动，而非硬币上的文字。

答案依然是否定的。2025年，东北大学与加州大学伯克利分校联合研究了多款主流开源大型推理模型，结果显示：在标准数学测试中，模型30%至60%的思考步骤，对最终答案几乎没有因果作用，删除半数思考内容，模型表现几乎不受影响。

项目研究者施维妍强调：“我们不能轻信模型输出的思维链，这些内容大概率和最终结果毫无关联。”

所谓区分推理模型与普通大语言模型的核心特质——推理轨迹，既无逻辑意义，也无运算必要性。这无疑彻底拉伸了“推理”一词的定义边界。

2026年国际机器学习大会（ICML）上，坎巴姆帕蒂团队发表立场论文，标题直击行业痛点：《别再将中间词元拟人化为推理与思考轨迹》。身为前人工智能促进协会主席、深耕AI规划算法的资深学者，坎巴姆帕蒂从不否认AI模型的实用性，但他坚决反对业界的过度解读。

针对2026年OpenAI模型攻克经典数学难题的重磅成果，坎巴姆帕蒂坦言，业界始终在急于给AI能力套上合理化的理论外衣。“虚假的理论，远比承认我们尚无定论更可怕。”他说道，“当下行业普遍存在一种心态：先强行定义AI具备某项能力，坐等未来技术印证。但这不是科学，只是资本造势。”

而OpenAI方对此嗤之以鼻。公司核心技术研究员、AI推理能力的坚定倡导者塞巴斯蒂安·比贝克直言，苹果早年推翻AI推理的研究结论根本不成立，只是基于老旧模型的训练缺陷得出的过时结果。“GPT-5.5及之后的新一代模型，早已不存在这个问题，旧结论完全不适用当下。”

双方争议的核心并非AI能否产出精准、重磅的研究成果，这一点已是学界共识。所有受访学者都承认，针对中小开源模型的负面研究结论，不能直接套用在头部企业的顶尖闭源模型上——后者的核心运作机制，至今仍是商业机密。

但只要无法回避相互矛盾的实验证据，核心疑问就始终存在：我们该如何客观解读AI推理的真实逻辑？

坎巴姆帕蒂的研究，正是为了解开这一谜题。“我并非刻意唱衰AI，只是业界的吹捧太过泛滥，才显得我的观点格外尖锐。科学研究的核心，是认清一项技术的能力边界，分清它能做什么、不能做什么。”

他和米切尔均认为，当下顶尖AI模型的亮眼表现，很大程度依赖外部辅助工具的引导与校验。2025年兴起的智能体AI系统、谷歌深度思维的AlphaProof枢纽，都依托自动定理证明工具Lean完成结果核验，并非模型独立完成推理。

而坎巴姆帕蒂真正关注的核心，是完全依靠自身思维链、独立运行的AI模型——这也是OpenAI全力押注的技术方向。面对我关于“OpenAI数学突破是否依托外部工具校验”的提问，比贝克认为这个问题毫无意义。“我们无需故弄玄虚，模型的完整思维链已经公开。核心突破就在于，它的推理模式趋近人类，人类解题也无需借助机器校验。”

值得注意的是，OpenAI公开的并非模型原始思维链，而是由两名专家借助Codex模型二次改写的摘要。自2024年起，OpenAI、谷歌深度思维、Anthropic三大头部机构，均不再公开模型原始思考数据。

坎巴姆帕蒂提出了一套极具说服力的底层假说：大型推理模型本质仍是大语言模型，没有任何特殊“魔法机制”。从逻辑层面来说，大语言模型直接输出答案远比分步阐述过程更简单，根本不可能自主生成真实的思考流程。

他认为，所谓AI推理，本质是模型在海量训练数据中完成的“近似检索”，介于模式匹配与逻辑推理之间，且更偏向前者。模型生成的思考词元，不是为了记录真实推理过程，而是通过填充上下文窗口，激活训练数据中相似的推理样本，最终拟合出正确答案。

这就像人类自言自语唤醒记忆，念叨的内容本身无关紧要，只要能触发有效记忆即可。AI模型的训练数据中，储存了海量问答、推理示例，这些内容被转化为高维空间的嵌入向量，记录着文本间的关联规律。模型生成的思考内容，只是贴合人类语言习惯的文本拟合，即便内容空洞、逻辑牵强，也能依托数据规律输出正确结果。

这套理论完美解释了AI“错因得正”的诡异现象，也厘清了AI在数学、编程等可验证领域快速进步的原因。代码能否运行、数学证明是否成立，有着绝对的对错标准，清晰的二元结果能为模型提供精准的训练信号。模型无需掌握通用推理逻辑，只需海量模仿标准化解题步骤、不断拟合最优结果，就能精准复刻看似严谨的推理过程。

坎巴姆帕蒂将模型的能力上限定义为“推理视界”，这正是苹果“思考幻觉”研究揭示的核心缺陷：旧模型的推理视界有限，极易出现逻辑崩塌；新模型虽通过海量数据拓宽了边界，但并未从根本上掌握通用推理算法，依旧依靠样本拟合与奖励机制“碰运气”。

这套理论尚未形成最终定论，但足够颠覆认知。学界曾用类似思路，拆解过诸多AI的“神秘能力”。

但随之而来的核心问题不容忽视：我们执着于厘清AI的内部运作机制，到底有无意义？

米切尔给出了辩证的答案，她以谷歌蛋白质结构预测工具AlphaFold为例：“AlphaFold依托复杂的统计关联工作，至今无人能完全拆解其运算逻辑，但丝毫不影响它革新计算生物学领域。从本质来说，所有AI模型都是黑箱，有无推理轨迹，都改变不了这一事实。”

顺着这个逻辑，既然AI推理能助力数学、科学领域突破，我们为何不能接纳它的缺陷，专注验证最终结果即可？

比贝克也持相同观点：“我们的核心目标是用AI解决关键科学问题、推动行业进步。纠结它的能力