LLM发现人类没想到的算法：AI从解题工具变成了科学发现者

这周AI圈有一条被严重低估的消息：北京大学和香港大学联合提出了LegoNE框架，让大语言模型与自动证明系统协作，成功发现了三人近似纳什均衡的全新算法，将误差从0.6+δ降至0.5+δ。这不是"AI又刷了个榜"——这是人类数学家此前从未达到的水平。AI发现了一个人类从没想到的数学结果。

什么是纳什均衡，为什么三人版本这么难

先简单说一下背景。纳什均衡是博弈论的核心概念，简单理解就是：在一个博弈中，每个人都选择了最优策略，且没有人愿意单方面改变策略。两人零和博弈的纳什均衡早就被解决了，但三人博弈的近似纳什均衡一直是个难题。

难点在哪？两人博弈可以看作在二维平面上找交点，三人博弈的搜索空间是几何级数增长的。传统方法找三人近似均衡的误差一直在0.6以上——这个数字卡了学界很多年。北大和港大团队这次直接用LLM+自动证明系统的组合，把误差压到了0.5+δ，而且AI提出的算法结构是人类研究者之前从未考虑过的方向。

这说明什么？说明大模型不只是"记住了训练数据里的模式"，它在某种程度上能够探索人类知识体系之外的解空间。这对"AI只是随机鹦鹉"的论调是一次有力的回击。

LegoNE框架：LLM生成，证明系统验证

LegoNE框架的核心思路很巧妙。它让LLM生成候选算法，然后用自动证明系统（如Lean或Coq）验证这些算法的正确性。正确的保留、继续优化，错误的丢弃、重新生成。这就像一个永不停歇的"头脑风暴+同行评审"循环。

这套框架的精妙之处在于分工：LLM擅长生成创意性的候选方案，自动证明系统擅长严格验证。人类数学家做研究也是这个流程——先想一个思路，然后严格证明它。但人类受限于知识储备和思维定势，LLM没有这个包袱，它可以在更广阔的搜索空间里"乱想"，然后由证明系统来筛。

这比DeepMind之前的AlphaProof更进一步。AlphaProof是专门训练的强化学习系统，而LegoNE用的是通用大模型+现成的证明系统，不需要针对特定数学问题做额外训练。这意味着这套框架可以迁移到其他数学问题上——图论、数论、组合优化，理论上都能用。

从"解已知题"到"发现未知"的跃迁

过去两年AI在数学上的突破，大部分属于"解已知题"——IMO金牌、刷榜、做人类出好的题目。这些成就固然了不起，但本质上AI还是在人类设定好的框架里运行。LegoNE这次不一样：它发现了一个人类从未想到的算法结构。

这让我想起AlphaFold。AlphaFold刚出来的时候也有类似的声音——"不就是预测蛋白质结构吗"——但后来所有人都意识到，AI在蛋白质折叠上的突破，彻底改变了生物学研究的方式。LegoNE如果能在更多数学领域复制这个模式，"AI辅助理论科学研究"就不再是一句口号，而是新的科研范式。

当然也要说清楚：目前的突破还是"近似"纳什均衡，不是精确解。误差从0.6降到0.5是一个重要进步，但离"完美解决"还有距离。而且三人博弈只是纳什均衡理论中的一个子问题，距离AI独立解决重大数学猜想还有很长的路。

意味着什么

这件事真正的意义不在于三人纳什均衡本身，而在于它验证了一条路：通用大模型+自动证明系统可以成为理论科学研究的"共同发现者"。

数学研究的瓶颈从来不只是"脑力不够"，更是"搜索空间太大"。一个数学家穷其一生可能只能深入钻研几个子领域，但LLM可以同时探索数百个方向。LegoNE证明了一件事：AI不需要在每个方向上都比人类强，它只需要在搜索和生成上比人类快，然后让人类和证明系统来做最终的判断。

这才是AI for Science的正确打开方式。不是替代科学家，而是给科学家装上加速器。