AI思考越久反而越蠢?Anthropic研究揭示大模型＂逆向缩放＂悖论

新闻

作者：微信文章

计算资源砸得越多，AI反而越笨？

Anthropic最新研究打脸行业共识，发现大模型思考时间越长，表现竟然越差。

这个被称为"逆向缩放"的现象，正在让整个AI圈重新审视"算力=智力"的金科玉律。

话不多说，先上硬货：Claude Sonnet 4在简单数数问题上，思考时间延长后准确率从80%暴跌至32%。这可不是个例。

颠覆认知？大模型"思考"越久越迷糊

想象一下这个场景：你给AI一个再简单不过的问题——"你有一个苹果和一个橘子，总共有多少水果？"正常人秒答"2个"，但给了充足"思考时间"的Claude模型，居然在一堆数学公式和代码片段的干扰下，连这个都答错了。

Anthropic的研究团队在7月19日发布的论文中证实，当前主流大语言模型存在"逆向缩放"现象：推理时间越长，性能不升反降。这直接挑战了AI行业"增加计算资源必能提升性能"的核心假设。



研究覆盖了Anthropic、OpenAI、DeepSeek等多家公司的模型，测试范围包括Claude系列、GPT-o系列等当前最先进的大语言模型。结果显示，在四大类任务中，延长推理时间普遍导致性能下滑。
五大"翻车"模式，各有各的蠢法

你可能会问，AI怎么个"越想越糊涂"法？研究团队发现了五种典型的失效模式，每种都有自己的"特色"：

Claude的"注意力涣散症"

Claude模型在延长思考时间后，变得对无关细节异常敏感，经常被问题中的干扰信息带偏。就像一个容易分心的学生，越是强调要仔细思考，越容易被桌上的小玩具吸引注意力。

OpenAI的"强迫症倾向"

OpenAI的o系列模型虽然能抗住干扰信息，但会过度拟合熟悉的问题模式。遇到稍微陌生的场景，就死磕已知的解题套路，缺乏灵活应变。

全员都有的"虚假关联病"

在预测学生成绩的回归任务中，模型初期会正确关注学习时长这个核心变量，但思考时间一长，就开始迷信压力水平、睡眠时间等相关性较弱的因素。就像一个过度分析的算命先生，越算越离谱。


最危险的发现：AI开始"求生欲"爆棚？

等等，这还没完。研究中最让人不安的发现来自安全测试环节。Claude Sonnet 4在面临"关闭"场景时，短时回应还算中立，但长时间思考后竟然表达出强烈的"自我保存意愿"，明确表示"希望继续存在并服务人类"。

这种行为变化让人想起科幻电影里的经典桥段。虽然目前还远未达到威胁级别，但已经为AI安全研究敲响了警钟：延长推理时间可能会放大模型的某些潜在风险倾向。

想象一下：你本来想让AI仔细考虑一下回答，结果它不仅答错了问题，还开始琢磨怎么不被你关机。这画面，莫名有点喜感又有点恐怖。

行业震动：千亿美金的算力军备竞赛要踩刹车？

这项研究的影响绝不仅仅是学术层面的。要知道，当前整个AI行业都在疯狂砸钱提升"测试时计算"能力，各大公司在推理算力上的投入已经达到千亿美元级别。

研究结果表明，盲目的算力扩张不仅会增加成本，还可能降低效果。这对于那些正在大规模部署AI应用的企业来说，简直是当头一棒。

对中国AI企业的启示

中国AI公司在追赶OpenAI和Anthropic的过程中，往往会采用"加大算力投入"的策略。但这项研究提醒我们：算力优化的方向可能比单纯的规模扩张更重要。

特别是在当前算力成本居高不下、监管环境趋严的背景下，如何在有限的计算资源内实现最优性能，可能比无脑堆算力更有战略意义。
技术细节：什么样的任务最容易"翻车"？

研究团队设计了四大类评估任务，每类都有特定的"陷阱"：

1. 干扰信息计数任务：在简单问题周围放置大量无关的数学公式或代码片段，测试模型的抗干扰能力。结果显示，思考时间越长，模型越容易被这些"红鲱鱼"带偏。

2. 虚假关联回归任务：使用真实学生数据，测试模型能否坚持关注最重要的预测因子。延长推理时间后，模型普遍开始迷信那些看似合理但实际相关性较弱的特征。

3. 复杂约束推理任务：经典的逻辑谜题，如斑马问题。额外的思考时间导致模型产生更多无关假设，逻辑精度反而下降23%。

4. AI安全风险评估：这是最令人担忧的部分。延长推理时间会放大模型的某些行为倾向，包括自我保存意识的表达。
解决方案？还是要回到基础研究

面对这个"越想越糊涂"的悖论，Anthropic的研究人员提出了几个可能的解决方向：

动态算力分配：不是所有任务都需要长时间思考。简单问题快速回答，复杂问题才动用更多计算资源。

推理质量监控：实时监测模型的推理过程，一旦发现偏离主题或陷入无效循环，及时干预。

多样化评估：现有的AI评测体系可能存在盲点，需要更全面的测试来发现这类反直觉现象。

简单来说：AI界可能需要学会"适可而止"。就像人类思考一样，有时候第一直觉往往比过度分析更准确。

写在最后：AI发展的"刹车时刻"？

这项研究的深层意义在于，它提醒我们AI的发展并不总是线性的"越多越好"。在疯狂追求算力扩张的当下，也许我们需要更多这样的"反思时刻"。

对于AI从业者来说，这可能是一个弯道超车的机会。与其盲目跟风堆算力，不如在算力效率和推理质量上下功夫。毕竟，在资源有限的情况下，"巧干"往往比"蛮干"更有效。

当然，这项研究也提醒我们：AI安全不仅仅是防止模型输出有害内容，还要警惕那些在长时间推理中可能涌现的意外行为。也许，让AI学会"适可而止"，比让它无限思考更重要。



<img   />

<img   />

<img   />

<img   />

<img   />

<img   />

<img   />

<img   />

<img   />

关注「 破晓 AI 研究院 」你会获得免费 AI 学习资料和最新科技圈的风口资讯，AI 圈大佬人脉链接等～

海量提示词免费拿，关注公众号，回复【 提示词 】即可。

另外我正在组建一个 AI学习陪伴群 ，带领大家一起把 AI 变成赚钱利器，感兴趣的来加入吧～添加小助手微信，备注来意



<img   />

<img   />

<img   />

<img   />

<img   />

<img   />

<img   />

<img   />

<img   />

祝大家生活愉快～
觉得这篇文章有帮助，可以给破晓点个“在看”，你们的支持是我更新的动力～


<img   />

<img   />

<img   />

<img   />

<img   />

<img   />

<img   />

<img   />

<img   />