我问了DeepSeek一个问题：一支由50名音乐家组成的管弦乐队用70分钟演奏了贝多芬的《第九交响曲》。那么，一支由100名音乐家组成的管弦乐队演奏同一曲目需要多长时间？
DeepSeek耗时113秒，我就在它频繁而快速的输出中看它一步一步怎么推理的，不看不知道，一看真的让人忍俊不禁。
正常的推理过程应该是这样，大前提，《第九交响曲》的演奏时间与乐队规模无关，小前提，50名音乐家的演奏时间是70分钟。
推理结果，100名音乐家的演奏时间也是70分钟。
但是DeepSeek足足输出了3539个字节，洋洋洒洒一大段，我认真了看了两遍，总结起来，DeepSeek做了三件事。
第一件事，理解这个问题，这个倒是理解很快，它确实很快抓住了答案的关键在于演奏时间与乐队长度有没有关系，我认为这点对题目的理解是完全没问题的。
但是往下走很搞笑了，或者说，根本不叫推理。
第二件事，尝试分析各种可能答案的合理成都。
DeepSeek往下走的过程，其实是在理解这个问题的前提下，不断地计算不同回答的合理程度，或者说叫做概率。
用大白话说，有没有可能，这个答案是最合理的。
它的第一个答案是最短给出的，其实也是正确答案，依赖这么一个前提，就是演奏时长与阅读规模无关，但是大模型显然并不理解什么是大前提，或者说它根本不懂逻辑学，只是把这个当成假设。
所以在输出第一个答案以后，它自己马上觉得可能不太对，进而选择了用数学建模。
数学建模的过程就有点搞笑了，其实是否认了基本的大前提，那就是演奏时间与乐队规模无关，而是把乐队人数与时常进行简单的乘法，乘完以后发现结论很荒谬，答案是35分钟，很可能不是问题的答案。
于是DeepSeek开始不断地自我提问，在这个过程中，它联想到两个问题。
其中一个问题是这样的：如果一位女士生一个孩子需要九个月，那么九位女士生一个孩子是否只需要一个月？
另一个问题是这样的：如果6只猫6分钟捉6只老鼠，那么100只猫捉100只老鼠需要多少分钟？根据工作速率，猫的捉鼠速率是每分钟1只老鼠，所以100只猫每分钟捉100只老鼠，因此捉100只老鼠需要1分钟。
之所以需要思考113秒，输出3539个字的思考过程，DeepSeek其实主要在是当数学问题还是逻辑问题之间进行摇摆，但是显然它并没有掌握逻辑推理的形式，所以虽然一开始就解析出了答案，但是它还是一直在犹豫，摇摆。
最后是第三件事，排除所有低可能性，筛选出一个最合理的
终于在不断自我拷问后，DeepSeek否决了把这道题当作数学题解析的思路，所以答案就只剩下了最初的70分钟。
但是，它还是无法理解《第九交响曲》的演奏时长与乐队规模无关是一个大前提。
苹果最新的研究成果结论说，以ChatGPT为代表的大模型无法完成逻辑推理，这个结论我认为是完全正确的。
我接下来想讨论的是，为什么大模型的推理，跟常规的逻辑推理完全不一样，仔细排除以后，我认为根源就出在Transformer的基础架构。
Transformer有很多很多的优点，尤其是在生成式的AI内容输出上，它看起来很像人工智能的未来，但我看到DeepSeek公开它的推理过程后，我觉得这个Transformer框架走到了它的瓶颈，不可能代表人工智能的未来。
它不能理解什么是逻辑？
逻辑推理的大前提，小前提，推理结论三个组合在一起，它也看不出来这个结构的关系，它确实可以理解逻辑三段论的每一段，但是加在一起就理解不了。
Transformer框架在加入多头注意力机制以后，确实在观察+提炼特征上已经达到了一个炉火纯青的地步，我们拿盲人摸象这个故事举例。
Transformer框架干的事情，就是请足够多的盲人，每个盲人仔细钻研大象身体的某个部位的详细特征，这样就构成了身体细节的基础知识。
这群盲人用盲文写下他们的观察特征。
它还需要一群哑巴，用耳朵听大象的声音，大象奔跑的声音，大象鼻子呼吸的声音，大象耳朵蒲扇的声音，这样就构成了声音的完整知识。
这群哑巴用文字描述他们听到的声音。
所以它还找来一群聋子，这些聋子有绘画能力，可以把大象的轮廓，还有各个身体部位的细节画出来，但是他们只会素描，不会涂色。
还需要另外一群瘸子，把这些轮廓涂上正确的颜色，形成关于大象颜色的知识。
每一部分的能力都有残缺，而且互相之间很难沟通和表达。
Transformer框架，负责把这不同的输出内容，整合成一个完整的关于大象的知识。在实际处理中，Transformer框架处理的对象是一段语句，但是原理大体如此。
这个框架的致命缺陷就在于，它的处理对象只能是一段独立的话，比如，我是共产主义接班人，这句话它当然完全能理解，但是它理解不了由形式逻辑关联起来的三段论。
共产主义接班人对祖国的未来很重要，我是共产主义的接班人，所以我对祖国的未来很重要，这三句话给大模型，它无法理解这是一段完整的句子，而是分开的三段。
尤其是第一句，在所有的逻辑推理里，建立一个稳固的大前提是最重要的，但是大模型只是把它当成一个假设，但逻辑推理里面不存在假设，大前提是立论基础，而不是可能性之一。
可解释性差只是大模型不具备逻辑推理能力的外在表现，你不遵循严格的形式逻辑，生成的内容当然缺乏说服力，而这个锅，只能由你最基础的Transformer框架去背了。