根据您提供的信息，以下是我为您整理的新闻稿草稿：
标题：Chain of Thought（CoT）能否赋予模型无限推理能力？学界意见分歧
正文：
近日，人工智能领域围绕Chain of Thought（CoT）技术是否能赋予模型无限推理能力的问题引发了热烈讨论。知名学者田渊栋和Yann LeCun对此表示质疑，认为不能盲目地将理论上的可能性应用到所有场景中。
OpenAI发布的最新大模型o1成为AI界的焦点，其技术细节的保密使得外界难以深入了解其内部推理过程。在此背景下，研究者们开始探索类似研究成果，以期找到线索。
Google Brain推理团队创建者Denny Zhou今年5月发表的论文《Chain of Thought Empowers Transformers to Solve Inherently Serial Problems》引起了广泛关注。该论文作者阵容强大，包括斯隆奖得主马腾宇及其两位学生。论文中，作者们提出，只要允许Transformer模型生成足够多的中间推理tokens，它们就能解决任何问题，从而使得LLM的推理能力没有上限。
论文的核心观点是，引入CoT能够显著提升Transformer的表达能力，使其能处理更加复杂的问题。实验结果显示，加入CoT层的Transformer在解决模加法、排列组合、迭代平方和电路值问题等核心任务上表现优异。
然而，田渊栋和LeCun对此表示反对。他们认为，理论上两层神经网络可以拟合任何数据，但这并不意味着可以无限制地应用在所有场景中。他们警告，过度的乐观可能会导致对模型能力的误判。
在技术层面，论文作者们采用了电路复杂性来讨论Transformer的能力，并通过实验验证了CoT在提升Transformer串行计算能力方面的效果。实验结果表明，CoT模式下的Transformer在处理复杂问题时，准确率显著提高。
尽管如此，关于CoT是否能真正实现无限推理能力，学界仍有待进一步的研究和讨论。
请注意，以上新闻稿是基于您提供的信息编写的，可能需要根据实际情况进行调整和补充。
Views: 0