悬了25年的通信难题，一周被拿下
微软研究院首席研究员 Dimitris Papailiopoulos 与 GPT-5.6、Claude Fable 5 合作，证明了多项式时间算法能在最大似然阈值（信噪比 2logN）处精确恢复全部比特——这是从 2001 年以来学界一直没能啃下来的结果，整个过程只花了七天。
MIMO 检测难在哪
MIMO 检测是无线通信里的基础问题：发送端把 N 个比特经 N×N 信道发出，信道会把比特混在一起并叠加噪声，接收端要拿着被搅乱的信号，把原始 N 个比特一位不差地还原出来。最大似然检测理论上万无一失，但要穷举 2^N 种组合，指数级耗时。1989 年 Sergio Verdú 证明最坏情况是 NP-hard。
好在真实信道是随机产生的，学界画出一条精确分界线：信噪比达到 2logN 时恢复概率趋近 1，低于这条线连最大似然检测都会开始出错——这就是最大似然阈值。问题变成：能不能设计一个快算法，精确命中这条线？
二十年的近路与绝路
2001 年，Hassibi 和 Vikalo 以为球形译码的期望复杂度是多项式的；2005 年，Jaldén 和 Ottersten 证明任意固定信噪比下它仍然是指数级——要把信号包进"球"里，球半径就得随问题规模增大，搜索量跟着指数爆炸。此后半正定松弛、比特翻转局部搜索、AMP、统计物理方法轮番上阵，分析都很漂亮，但没有一种被证明能精确匹配 2logN。最好的严格结果来自 2020 年的 box relaxation，能做到 4logN 精确恢复——正好是理论门槛的两倍。25 年来，"统计上能恢复"和"用快算法能恢复"之间一直隔着这条鸿沟。
证明长什么样
这次被证明的算法只有两步。第一步是 LMMSE 取整：先用线性最小均方误差估计给出连续值猜测，再按正负号取整成 +1/−1，证明显示取整结果与真实比特的汉明距离只有 o(N)，即错误比例随 N 增大趋近于零。第二步是 贪心逐位翻转：每一轮找出翻转哪一位能让代价函数下降最多，翻它，重复。论文证明贪心不会卡死——每个还没猜对的点都至少有一位翻转能让代价严格下降，且下降幅度有非零下限；同时代价函数随汉明距离增大而增大，形成一道护栏，搜索路径无法翻越。两条合起来：只要没猜对就一定有路可走，而贪心唯一能停下的地方，就是真实发送的比特串。整算法 O(N³) 复杂度，而且是个双向结果——2logN 处精确恢复成立，略低于阈值连最大似然也会失败，阈值本身被坐实。
最值得看的：协作过程
这个故事的看点不是"AI 会做数学"，而是协作方式。两个模型给出了两条不同的证明路径：GPT-5.6 走 AMP——Papailiopoulos 一直没能吃透的一类工具；Fable 5 走"符号 LMMSE + 贪心逐位翻转"——业界实际在用、却从未被严格证明过的老算法。他选了 Fable 的路径，让 GPT-5.6 检查并修补漏洞，之后几天反复让两个模型互相简化对方的论证，唯一底线是保住 2logN 这个门槛。他还拒绝了 Lean 形式化验证，理由很实在：他不懂 Lean，无法检查翻译是否正确。最终拿到的是能逐行手算核对的证明。
三层信号
其一，AI 在研究中的价值不只是"发明新东西"，更是补上生产环境里已有算法的证明缺口——业界跑了几年的 LMMSE+贪心翻转，现在拿到了最优性证书，对 MIMO 接收机设计是直接相关的进展。其二，"AI 解决数学"的叙事低估了人的角色：人类定约束、在两个候选证明之间仲裁、坚持可读性。瓶颈从来不是生成证明，而是拿到一份人看得懂的证明。其三，这是一条 17 年的个人弧线——2009 年他读博一年级用 MCMC 试过这道题，失败；17 年后同一人带着两个模型，一周收官。
可以怎么用
做无线/信号处理的团队值得读这篇证明，拿自己的检测器跟两步算法对比基准；做研究的人可以复制这个工作流：生成多个独立证明 → 交叉审计 → 强制简化到人能逐行核对的程度。至于形式化验证，只有在你读得懂翻译时它才有用——可读性本身就是研究产出。