待验证｜MIMO草稿跟进遭专家降温

这一定理的适用范围可以写成一行：实值、未编码、N×N 独立高斯 MIMO，在 N→∞ 的渐近极限下讨论精确恢复。只要离开其中任一条件，草稿中的 ρ≥2log N 就不能自动沿用。过去 24小时 的增量来自领域专家，他们把流传中的宏大说法压回了定理本身。

当前 PDF 共 46页，作者在北京时间 8月9日02:23 重传到个人 GitHub，比本期严格窗口起点早约 5小时。截至核查时，精确题名尚未出现在 arXiv，稿件也没有同行评审或形式化证明。窗口内增量属于少源讨论：只有Andrea Montanari反对“重大通信理论突破”标题，以及David Tse强调“未编码系统”边界；尚无非X新鲜来源或官方确认支持定理成立。

整体证据仍处于低置信度。草稿足以核对公式、算法与作者声明，却不能替代独立逐行审稿；部分范围判断可获得中高置信，定理本身仍未被独立确认。对研究者和 AI 研究团队，这个案例的价值首先落在证据纪律：模型可以快速生成候选论证，公开结论仍要由人类缩小范围、查先行工作并承担验证责任。

先把定理放回它的模型

草稿研究的观测模型是：

y = √(ρ/N) Hx* + w

其中，H 是 N×N 的实矩阵，每个元素独立服从标准高斯分布；w 是标准高斯噪声；待恢复向量 x* 的每一维只能取 ±1。x* 被视为任意但固定的未编码二元发送向量，接收端已知 H、y 与 ρ。概率只对随机信道和噪声取值，所有对数采用自然对数。

“未编码”是这组条件里最容易被标题省略的一项。算法的目标是把一次发送的 N个比特全部恢复正确，即精确块恢复。编码通信允许在更多信道使用、冗余结构和码率之间重新分配可靠性，讨论的优化标尺不同。Tse 因而指出，2log N 只在这个未编码检测问题中有最优意义，不能把它写成一般通信系统的容量门槛。

另一个关键限定是“概率趋于一”。草稿上侧结论的含义是：当 N→∞，对所有满足 ρ≥2log N 的参数，算法失败概率趋于零。它没有保证每个有限 N、每个随机矩阵和每次噪声实现都成功，也没有给出工程系统在某个具体 N 上的失败率。中文解读若写成“达到该 SNR 就能恢复全部比特”，便把渐近概率命题误成了有限维确定性承诺。

公式或说法	草稿实际支持	必须保留的边界	不能据此推出
y = √(ρ/N) Hx + w*	平方实值高斯信道中的二元检测	H 为 N×N 独立高斯；x* 未编码且取 ±1	复值、相关信道、非平方阵或编码系统同样成立
ρ≥2log N	两阶段算法失败概率随 N→∞ 趋于零	自然对数；概率对 H 与 w；结论是渐近的	每个有限 N 都能无误恢复
ρ≤2log N-log log N-s_N	在指定 s_N 条件下，ML 也会以高概率失败	s_N→∞ 且 s_N=o(log N)	上下界已经给出完整有限阶相变
O(N³)	exact-real 单位成本模型下的算术操作上界	不含位复杂度、舍入误差和硬件代价	已证明实际实现具备立方时延或数值稳定性
“达到 ML 门槛”	上下侧在一阶常数 2 上相合	仍有 log log N+s_N 的低阶窗口	算法在全部 SNR 区间等同于穷举 ML

两阶段算法证明了什么

算法第一阶段使用 rounded LMMSE。它先求解带岭项的线性系统：

b = √(N/ρ)(HᵀH + (N/ρ)I)⁻¹Hᵀy，随后令 x_init = sign(b)。

草稿证明，在 ρ≥2log N 的范围内，这个初始化以高概率只留下亚线性的汉明错误数。论文使用的一个目标半径是 N/(log N)^(1/4) 的量级。这个阶段并没有直接得到全部正确的向量，而是把候选解带进局部搜索能够控制的邻域。

第二阶段采用最陡单比特下降。每次计算翻转各坐标后目标函数可以下降多少，选择增益最大的坐标；若最大增益小于 1/N 则停止。算法还设置最多 4N·max(1,⌈log₂N⌉) 次接受翻转，因此翻转数是 O(N log N)。

这里还有一处传播中常见的简化错误。证明论证的是：只要当前向量还不是真值，在所研究邻域内至少存在一个“当前错误位”可以提供足够的正增益，于是全体坐标中的最大增益也不会更差。实际贪心选择的最大增益坐标未必就是那个错误位，汉明距离也不必每一步单调下降。把算法描述成“每次都把一个错误比特翻回来”，比草稿给出的命题更强。

复杂度由第一阶段主导。形成 HᵀH 并求解稠密 LMMSE 系统需要 O(N³) 次算术操作；下降阶段至多接受 O(N log N) 次翻转，每次可用 Gram 矩阵的一列更新全部增益并扫描，合计 O(N²log N)。两部分相加后，作者把总体写为 O(N³)。

但“算术操作”不是“位操作”。草稿采用 unit-cost exact-real 模型，默认实数运算精确且单次成本固定，没有分析矩阵条件数如何放大舍入误差，也没有给出达到目标失败概率需要多少位精度。理论复杂度声明可以成立，同时离可部署算法仍隔着数值稳定性、内存、并行方式和有限精度误差界。

一阶相合不等于阈值完全闭合

草稿把上侧和下侧放在同一归一化下比较。上侧称算法在 ρ≥2log N 时实现精确块恢复；下侧称，如果 s_N→∞ 且 s_N=o(log N)，那么当 ρ≤2log N-log log N-s_N 时，真值以高概率甚至不是 ML 目标的最优解。二者共同固定了主导项的常数 2。

这就是“一阶门槛”的准确含义。两条线之间仍留有 log log N 加低阶项构成的过渡窗口。草稿没有证明该窗口内的完整相变位置，也没有给出有限 N 的无缝阈值曲线。因此，“达到最大似然的一阶门槛”可以保留；“与最大似然阈值完全相同”或“精确解决所有 SNR 情形”都应撤回。

先行工作也解释了为何 Montanari 会给出较克制的评价。2008年 的 LAS 工作已经分析过大系统 MIMO 中的 LMMSE 初始化与逐位局部搜索；2009年 的 Gibbs sampling 工作讨论相近平方高斯模型，并给出 ML 在 2ln N 上侧的可靠性尺度，但没有证明采样器在多项式时间混合；2020年 的 box relaxation 工作给出精确恢复相变分析，新草稿把其平方系统门槛换算到自己的归一化后比较为 4log N。

这些背景不等于新草稿没有贡献。可核的增量是：作者把标准 LMMSE、局部下降、随机矩阵浓缩与能量比较组合起来，试图为一个明确的两阶段算法建立 2log N 一阶保证和显式多项式复杂度。更稳妥的定位是“使用成熟工具组合得到的待复核新定理”，而不是一般通信理论的突破。

窗口内为何从“发布”改成“纠偏”

Git 历史给出了清楚的时间锚。当前版本在北京时间 8月9日02:23 完成重传，而本期核查窗口从约 07:14 开始，差约 4小时51分。所以，草稿及作者首发都在严格窗口之外；它们只能作为本次专家讨论的背景，不能写成过去 24小时 内新发布的论文。

窗口内，Montanari 先追问该问题与 Z2 synchronization 精确重建的相似性。作者回应称模型相似，但自己不知道此前有工作在这个 MIMO 模型和 SNR 缩放下给出多项式保证。随后 Montanari 把新意定位为相近领域成熟技巧可以触达的新定理，并明确表示“重大通信理论突破”的流传标题不准确。

北京时间 8月10日00:25，Tse 又补上系统范围的纠偏。他认可这个数学问题本身值得研究，同时强调它处理的是未编码 MIMO。编码后，可靠通信有不同的容量与码率关系，不能把未编码精确块恢复的 2log N 直接抬升为一般信息论极限。两条评论没有完成同行评审，却足以否定传播链中最宽泛的标题。

截至核查时，精确题名在 arXiv 尚无结果，作者只表示未来会上传。个人 GitHub PDF 可以被公开阅读和复核，但状态仍是未审稿草稿。题名、定理或证明在后续版本发生变化都不意外；当前报道应固定版本时间与提交历史，避免未来更新覆盖今天的判断依据。

AI做了候选证明，人类承担了四至五天的验证

作者对工作流的公开叙述显示，GPT-5.6 与 Claude Fable 5 最初各自给出不同算法路线。GPT 曾提出 AMP 变体及另一条作者未采用的路线；Fable 提出了作者偏好的“signed LMMSE 加贪心逐位翻转”。按照作者描述，GPT 随后判断 Fable 的原证明“大多错误但可挽救”，再根据指示进行修补。

候选证明约 30分钟 出现，但稿件没有在半小时后直接公开。作者称，自己又花了 4至5天 在两个模型之间反复迭代，要求简化论证、调整路线并逐行核验，最终编辑成文并对内容承担全部责任。这组时间不是独立复现实验，也不能证明模型每次都能以相同速度完成类似问题；它能证明的是，作者本人没有把模型输出视作无需审查的成品。

草稿也没有 Lean 等形式化证明作为额外验证层。作者的措辞是已尽自身能力核对，而不是机器检查通过或学界确认。AI 的作用可以准确写成“生成候选算法与证明、参与跨模型修补和初稿写作”；选题、路线取舍、先行文献判断、可读性改造、逐行检查与最终责任仍属于作者。

这一区分比“谁先想到哪个步骤”更重要。数学研究的公开证据链至少包含命题边界、完整证明、版本记录、先行工作、独立复核与错误修正。模型把候选产生时间压缩到分钟级，只改变了链条前端的速度；4至5天 的人工核验、尚未发生的同行评审以及未来可能出现的勘误，决定结论能否进入稳定知识。

下一步应等哪些证据

最直接的状态变化是 arXiv 固定版本。上传后需要比较题名、定理表述、算法停止条件、复杂度章节与当前 GitHub PDF 是否一致，并记录后续修订，而不是只把“已上 arXiv”当作正确性背书。

数学层面应优先等待独立逐行复核。上侧证明中的 LMMSE 初始误差界、局部下降邻域与量化增益是关键连接点；下侧则要检查距离为一的邻居比较和一致概率口径。任何勘误、反例或更短证明，都会比新的二次解读提供更强增量。

复杂度层面要看 exact-real 口径能否落到有限精度。需要回答求解岭系统所需的精度、Gram 矩阵更新的累积误差、停止阈值 1/N 对舍入的敏感度，以及总位复杂度是否仍为多项式。没有这些结果，O(N³) 只能留在算术模型中。

模型范围的扩展也必须逐项验证。复值信道、发送与接收天线数不同、相关高斯或非高斯矩阵、信道估计误差以及编码结构，都会改变证明对象。未来若有扩展，报道应给出新的公式、概率空间和门槛，而不是沿用当前的 2log N 标签。

最后，AI工作流需要可审计记录。若作者公开关键提示、失败候选、跨模型修补过程和人工修改比例，外界才能评估“30分钟 候选”与“4至5天 核验”各自包含什么。这个案例能否成为AI辅助数学的可靠证据，取决于证明是否成立，也取决于研究过程是否允许他人复查。