- 发布日期
GPT-5.6和Fable联手解决了一道悬了25年的数学难题
- 作者
- 姓名
- 荷鲁斯快报
- 社交账号
微软研究院首席研究员Dimitris Papailiopoulos与人工智能模型GPT-5.6和Fable 5合作，解决了一道悬置25年的数学难题。他们证明了一个多项式时间算法能够精确命中MIMO检测中的最大似然阈值，相关证明过程耗时整整七天。
MIMO检测是无线通信领域的经典问题。发送端将N个比特经N×N信道发出，接收端需从被噪声扰乱的信道中还原原始比特。理论上，最大似然检测可通过穷举所有2^N种组合获得最优解，但复杂度随N指数爆炸。因此，设计无需穷举的快速算法成为学界长期目标。
这项挑战由来已久。2001年，Hassibi和Vikalo基于球形译码提出多项式时间解法，但2005年Jaldén和Ottersten证明该方法期望复杂度仍为指数级。此后，半正定松弛、比特翻转、近似消息传递等方法相继失败，最接近的结果只能达到信噪比4logN，是理论阈值2logN的两倍。
新证明的算法仅有两步。第一步为LMMSE取整，利用线性最小均方误差估计给出连续猜测，再按符号取整，猜错比特比例趋于零。第二步为贪心逐位翻转，从初猜出发反复翻转使代价函数下降最大的比特。论文证明，当信噪比等于2logN时，该算法以O(N^3)次运算精确恢复全部比特；信噪比低于阈值时，最大似然检测本身也会失败。
Papailiopoulos透露，GPT-5.6和Fable 5曾分别提出不同思路。GPT采用近似消息传递路径，Fable则给出“符号LMMSE加贪心翻转”方案。他选择后者，并让GPT修补证明漏洞。之后他要求两个模型互相简化论证，坚持保留2logN门槛。一周后，他得到了可逐行手算核对的完整证明。
这项成果填平了统计可恢复性与算法可恢复性之间的鸿沟。MIMO检测在实践中长期依赖启发式方法，如今获得了严格的理论保证。论文的证明技巧，也可能为其他涉及随机结构的NP-hard问题提供参考。
值得一提的，Dimitris在2009年读博时曾尝试用MCMC方法解决同一问题，但未成功。17年后，这一难题被他与AI联合攻克。这再次显示，大模型参与数学研究已从辅助验证走向核心证明，未来或将成为科学发现的重要引擎。
