GPT-5.6和Fable联手，解决了一道悬了25年的数学难题
内容提要
微软研究院首席研究员Dimitris Papailiopoulos借助GPT-5.6和Claude Fable 5，解决了悬置25年的MIMO检测难题。他们证明一个两步算法（LMMSE取整加贪心逐位翻转）能在多项式时间内精确命中最大似然阈值，填补了理论鸿沟。该算法复杂度为O(N³)，贪心搜索仅需O(NlogN)步，且证明过程经作者逐行验证。
延伸解读
AI辅助证明的局限与人工验证
尽管GPT-5.6和Fable 5提供了证明思路并修补漏洞，但作者Dimitris仍花费七天逐行验证，且拒绝使用Lean形式化验证，因为他不懂Lean。这表明AI生成的证明仍需人类专家严格检查，AI目前更多是辅助工具，而非完全可信的证明者。
算法实用性与理论突破的差距
该算法由LMMSE取整和贪心逐位翻转两步组成，复杂度为O(N³)，贪心搜索仅需O(NlogN)步，且被证明在信噪比2logN时精确恢复。然而，这是理论上的最坏情况保证，实际应用中信道条件、噪声分布等可能影响性能，从理论到工程落地仍需进一步验证。
历史难题的解决路径
MIMO检测难题自2001年Hassibi和Vikalo提出球形译码的期望多项式复杂度后，2005年被Jaldén和Ottersten推翻，此后多种方法（半正定松弛、比特翻转、AMP等）均未达到最大似然阈值。此次突破的关键在于结合了两种AI模型的思路，并经过人类专家简化验证，最终证明了简单算法的有效性。
Q&A
GPT-5.6和Fable 5联手解决了什么数学难题？
它们帮助微软研究院首席研究员Dimitris Papailiopoulos证明了MIMO检测中一个多项式时间算法能精确命中最大似然阈值，解决了悬置25年的难题。
MIMO检测问题是什么？为什么它很难？
MIMO检测是无线通信中的基础问题，接收端需从被噪声干扰的信号中还原发送端发出的N个比特。理论上最大似然检测可保证正确，但需穷举2的N次方种组合，计算量指数级增长，且1989年已被证明最坏情况下是NP-hard的。
最大似然阈值是什么？为什么重要？
最大似然阈值是信噪比2logN，当信噪比达到该值时，发送比特能被完全恢复的概率趋近于1；低于该值，最大似然检测本身也会出错。它是区分能否精确恢复的分界线，也是算法设计的目标。
之前有哪些方法尝试解决MIMO检测问题？为什么都失败了？
之前的方法包括球形译码、半正定松弛、比特翻转局部搜索、AMP和统计物理方法。球形译码在2005年被证明期望复杂度是指数级的；其他方法虽能给出漂亮分析，但均未被证明能精确匹配2logN阈值，最接近的box relaxation也只能在4logN时精确恢复。
新证明的算法具体步骤是什么？复杂度如何？
算法分两步：第一步LMMSE取整，得到与真实比特串汉明距离为o(N)的初始猜测；第二步贪心逐位翻转，每轮翻转使代价函数下降最多的位，直到无法改进。总复杂度为O(N³)，其中贪心搜索仅需O(NlogN)步。
为什么贪心搜索能保证找到正确答案而不是陷入局部最优？
论文证明了两点：一是在猜测起点周围范围内，每个未猜对的点都存在至少一位翻转使代价严格下降，且下降幅度有非零下限；二是代价函数随汉明距离增大而增大，形成护栏防止搜索跑出范围。因此只要未猜对，算法总能找到改进步骤，最终只能停在真实比特串上。
Dimitris Papailiopoulos与这道难题有何渊源？
他早在2009年读博时就尝试用MCMC方法解决MIMO检测问题，但未成功。17年后，他借助AI证明了这个难题，算是亲手解开了当年卡住自己的问题。
