跨语言大模型最新综述及技术交流群邀请

GPT-5.6和Fable 5联手，和研究者一起解决了一道悬置25年的无线通信数学难题——MIMO检测的最大似然阈值问题。

MIMO检测是无线通信领域的经典问题，简单来说就是接收端需要从被噪声搅乱的信号中，完整还原出发送端最初发出的信息。理论上最可靠的方法是最大似然检测，也就是穷举所有可能的比特组合，找到和接收信号最匹配的结果，但这种方法的计算量是指数级的，当比特数量稍大时就几乎无法完成。

1989年，有研究者证明这类问题在最坏情况下是NP-hard的，也就是说无论用什么算法，都存在某些输入会让计算量爆炸。不过现实中的无线信道都是随机产生的，不会专门为难算法，于是学界从2000年代初开始思考：如果信道是随机的，只要统计上存在恢复原始信号的可能，能不能找到一个不需要穷举的快速算法？

后续研究给出了一条精确的分界线：当信噪比达到2logN时，发送的比特能够被完全恢复的概率趋近于1，这条线被称为最大似然阈值。低于这个阈值，连最大似然检测本身都会出错。学界的核心问题就变成：能不能设计一个多项式时间的算法，刚好精准命中这个阈值？

2001年，有研究者提出球形译码算法，通过划定搜索范围压缩计算量，当时看起来有望实现多项式时间复杂度，但2005年就被证明在固定信噪比下，球形译码的期望复杂度依然是指数级的——因为要保证足够高的概率覆盖真实信号，搜索球的半径需要随着问题规模扩大，球内的候选数量依然会指数级增长。之后学界尝试了半正定松弛、比特翻转局部搜索、近似消息传递、统计物理方法等多种近似方案，但都没能严格证明可以精准匹配2logN的阈值，最好的结果也只能达到4logN的信噪比水平，距离理论门槛还差一倍。

直到近期，微软研究院首席研究员Dimitris Papailiopoulos和GPT-5.6、Claude Fable 5联手，终于填平了这条鸿沟。他们证明了一个仅需两步的简单算法，可以在信噪比等于2logN时精确恢复全部发送比特，而且整体复杂度仅为O(N³)，属于标准的多项式时间算法。这项研究还给出了双向的严谨证明：一方面确认该算法可以精准命中最大似然阈值，另一方面也证明，当信噪比略低于2logN时，连传统的最大似然检测都会开始失效，进一步验证了这个阈值的科学性。

Dimitris早在读博时就接触过这个问题，2009年他曾用马尔可夫链蒙特卡洛方法尝试解决，但没能成功。这次他邀请两个大模型来攻克这道难题，两个模型很快分别给出了证明思路：GPT-5.6采用了近似消息传递的路径，而Fable 5则选择了业内实际在用但从未被严格证明的「符号LMMSE加贪心逐位翻转」方案。Dimitris最终选择了Fable的路径，并让AI修补证明中的漏洞。不过最初的证明充满了复杂的矩阵分析，变量嵌套复杂，他很难直接看懂，于是让两个模型反复简化论证过程，唯一的底线是必须保住2logN这个核心阈值。整个打磨过程花了整整七天时间，他还拒绝了用Lean做形式化验证，因为自己并不熟悉这个工具，担心翻译过程出错。

这个算法的核心仅有两步。第一步是LMMSE取整：先通过线性最小均方误差估计得到连续取值的粗略信号猜测，再将每个坐标按正负号取整为+1或-1。论文证明，取整后的结果和真实发送比特之间的汉明距离仅为o(N)，也就是说随着问题规模扩大，猜错的比特占比会趋近于零。第二步是贪心逐位翻转：从第一步得到的猜测结果出发，每一轮检查所有比特位，找出翻转后能让代价函数（衡量当前猜测和接收信号匹配程度的指标，数值越小越匹配）下降最多的那一位，完成翻转后重复这个过程。

为了证明这个贪心算法可以找到正确结果，论文完成了两个关键论证：第一，在猜测起点周围的范围内，每一个还没完全猜对的点，都至少存在一位翻转可以让代价函数严格下降，而且下降幅度有不趋于零的下限，不会随着问题规模变大而消失，这意味着贪心搜索永远能找到前进的方向，不会卡在局部最优；第二，代价函数本身会随着猜错的比特数量增加而增大，这形成了一道天然的「护栏」，让搜索路径不会偏离真实信号的范围。结合这两点，每一步贪心翻转都能稳步降低代价，直到抵达真实发送的比特串，此时任何翻转都会让代价升高，算法就此停止。最终的算法复杂度被证明为O(NlogN)步，属于高效的多项式时间算法。Dimitris表示，这一整套论证过程他已经从头到尾亲手验证过，确保没有漏洞。

有意思的是，这次攻克的问题正是Dimitris读博时就尝试过的课题。2009年他还是博士生时，就曾用MCMC方法尝试解决MIMO检测问题，但没能成功。时隔17年，他终于借助AI的力量解开了这道困扰学界多年的难题。