微軟研究院首席研究員Dimitris Papailiopoulos在社交平台宣佈，他與AI模型GPT-5.6和Claude Fable 5合作，證明了一個多項式時間演算法，能在訊雜比達到2logN時精確恢復MIMO檢測中的全部位元，達到最大似然閾值。這一成果解決了無線通訊領域一個懸而未決25年的數學難題，而該問題正是Papailiopoulos在2009年讀博期間研究過但未成功的課題。

MIMO檢測是無線通訊中的經典問題，接收端需從被噪聲干擾的訊號中還原發送端發出的原始位元。理論上，最大似然檢測通過窮舉所有可能的位元組合可保證正確，但計算量隨位元數指數增長。1989年，Sergio Verdú證明該問題在最壞情況下是NP-hard的，但實際通道是隨機的，因此存在一條精確分界線：當訊雜比達到2logN時，恢復機率趨近於1，低於此線則最大似然檢測本身也會失敗，這條線被稱為最大似然閾值。

2001年，Babak Hassibi和Haris Vikalo提出球形譯碼演算法，聲稱期望複雜度為多項式時間，但2005年Joakim Jaldén和Björn Ottersten證明其期望複雜度實為指數級，因為球半徑需隨問題規模增大，導致候選數指數增長。此後，學界嘗試半正定鬆弛、位元翻轉區域性搜尋、AMP、統計物理方法等，最接近的結果是2020年的box relaxation方法，能在訊雜比達到4logN時精確恢復，但複雜度仍是理論門檻的兩倍。

Papailiopoulos與兩個AI模型合作，證明了一個僅兩步的簡單演算法：第一步使用LMMSE（線性最小均方誤差估計）給出連續猜測，再按符號取整；第二步進行貪心逐位翻轉，每輪翻轉使代價函式下降最多的位元。論文證明，該演算法能在訊雜比等於2logN時精確恢復全部位元，且複雜度為O(N³)，其中貪心搜尋步驟的複雜度為O(NlogN)。

合作過程並非一帆風順。Papailiopoulos讓GPT-5.6和Fable 5分別提出證明思路，GPT-5.6採用AMP演算法，而Fable 5提出“符號LMMSE加貪心逐位翻轉”的路徑，這是一個業內實際使用但從未被嚴格證明的演算法。Papailiopoulos選擇了Fable的路徑，並讓GPT檢查和修補漏洞。GPT修復後，證明變得複雜難懂，充滿矩陣分析工具，Papailiopoulos隨後讓兩個模型互相簡化論證，同時確保保留2logN這一關鍵門檻。他還嘗試使用Lean工具進行自動驗證，但由於不熟悉Lean，無法檢查翻譯是否正確。最終，Papailiopoulos表示已從頭到尾驗證了整套論證過程。

Papailiopoulos目前是微軟研究院首席研究員，同時擔任威斯康星大學麥迪遜分校電子與計算機工程系副教授。2009年，他在博士一年級時與導師Alex Dimakis合作，嘗試用MCMC方法解決MIMO檢測問題，但未成功。17年後，同一道題被AI模型證明，他自己也參與了這一突破。這一成果不僅解決了理論問題，也可能對無線通訊的實際應用產生深遠影響，因為該演算法是業界已在使用的簡單方法，現在有了嚴格的數學保證。