一、神经组合优化
2015 年 Pointer Network 开创了用深度学习直接求解组合优化问题的范式；此后注意力机制、图神经网络被广泛用于 TSP、VRP、背包等经典问题的近似求解。其核心思想是：与其手写规则，不如让模型从大量实例中学习「好的解长什么样」，推理时一次前向传播给出解，毫秒级响应。
但纯神经方法有个著名的软肋：泛化鸿沟——在 100 个城市的实例上训练的模型，遇到 150 个城市性能就显著退化；跨分布（需求模式变化）时更是如此。于是近年主流转向「神经启发式」（neural heuristics）：用学习来增强传统搜索——学习构造初始解、学习选择分支变量、学习调整启发式算法的超参数。学习负责「经验」，搜索负责「可靠」，二者互补。
一个务实的判断：神经方法今天是求解器的加速器与配件，而不是替代品。把它用在传统方法最慢的地方（大规模邻域搜索的初始化、参数调优），收益最确定。
二、大模型作为「建模师」
大语言模型给运筹优化带来的最直接改变，不在求解而在建模。业务问题到数学模型之间的翻译——决定变量怎么设、目标函数写什么、约束怎么列——历来是最依赖专家经验、也最贵的环节。现在 LLM 可以从自然语言描述生成线性规划/混合整数规划的建模代码（Pyomo、Gurobi、OR-Tools），NL4Opt 等评测显示在标准题型上已相当可用。
更有意思的用法是「LLM 代理工作流」：让模型扮演建模师、求解器操作员和结果解释员三个角色，循环迭代——生成模型 → 求解 → 读报错与日志 → 修正模型。对工程师来说，这压缩的是从需求到首个可运行原型的周期；对非技术客户，它让「用一句话描述问题，拿回一个方案草案」成为可能。
边界同样清晰：LLM 会漏约束、会写出语义通顺但数学错误的模型，也会在数值问题上「自信地编」。因此当前可靠的形态是人机协同——模型起草，人审核约束与假设，求解器验证。
三、AI for Science：算法发现算法
第三条线更前沿：用 AI 去发现新的算法与结构，而非仅仅求解已知问题。DeepMind 的 AlphaDev 通过强化学习在排序等基础算法上发现了比教科书更优的实现；FunSearch 用大模型生成候选程序、以自动评估为奖励，发现了 cap set 问题的新上界；AlphaGeometry 以合成数据训练的系统在国际数学奥林匹克几何题上达到金牌水平。
对组合优化而言，这条线的启示在于搜索空间的再定义：当「解」的搜索被「求解策略的搜索」取代，AI 不再只是解一道题，而是在学习一类题的最佳求解方式。目前这条线在理论问题上成果多于工业问题，但方向值得跟踪。
四、硬件前沿：量子退火与 GPU 并行
量子退火（D-Wave 路线）与 QAOA 等量子近似优化算法，天然契合二次无约束二值优化（QUBO）形式的问题——很多组合优化问题可以编码为 QUBO。客观地说，当前量子硬件的比特数、连接性与噪声水平距离实用仍有明显差距，多数对比研究显示其性价比尚不及经典启发式；但「把问题编码为 Ising/QUBO 模型」这套方法论本身已经反哺了经典算法。
更立竿见影的是 GPU 大规模并行：批量求解（同一问题族的数千实例并行）、大规模邻域搜索的内循环并行化、以及 GPU 加速的线性代数内核进入分支定界，都已进入主流求解器的路线图。对工业界这意味着：过去「一个晚上跑一个实例」的调参实验，现在可以「一个晚上跑一万个实例」——这会改变算法研究的节奏，也会改变「什么规模的问题值得优化」的经济账。
五、冷静看：边界在哪里
写前沿，更要写边界。几条冷静的笔记：
- 数据不是免费的。学习方法需要成规模的优质实例与标注（或可行解），工业问题的真实数据往往拿不到、拿到也不敢用。仿真数据与真实分布的差异，是落地时最容易被低估的成本。
- 可靠性是硬门槛。业务决策要可审计、可复现、有界可证（或至少有界可验）。黑盒模型的解在 demo 里惊艳、在审计里出局，是常见剧本。
- 规模与结构的错配。许多学习方法在「教科书中等规模」上表现好，但工业实例动辄百万变量、强约束耦合、目标函数带噪声——结构与评测集差异巨大。
- 混合范式是当前最优解：经典精确/启发式方法提供底线的正确性，学习方法提供速度与经验，大模型提供建模与交互的带宽。三者的接口设计（何时调用谁、如何互相验证）才是系统工程的要害。
结语：工程视角的落地节奏
作为从业者，我们对前沿的态度是「积极跟踪、谨慎承诺、快速试验」。技术曲线会奖励早做准备的团队：把数据 pipeline 建好、把求解器接口标准化、把「学习组件可插拔」的架构留出来——这样无论哪条线先成熟，都能以最小代价接入。
组合优化是一门「老」学科，但正因为它足够老，新的方法论才有坚实的对照基准。热闹属于发布会，价值属于可复现的结果——这也是久章智能做每一件事的方式。
延伸阅读：值得收藏的站点与课程
站点与数学资料
- MathHelm ↗ —— 面向数学研究者的开放式论坛：人人可读，持机构邮箱认证的会员可发帖提问、讨论新论文并附加 PDF 与参考文献，支持 LaTeX 书写数学。近年关于 AI 与数学的讨论尤为活跃（Lean 形式化验证、OpenAI 的数学研究成果等都能在这里看到一线数学家的评议），是观察「AI for Math」前沿动向的一扇窗口。
- 陶哲轩（Terence Tao）的博客 ↗ —— 菲尔兹奖得主陶哲轩的长期写作阵地：研究速记、方法科普、对 AI 辅助数学证明（如 Lean、自动定理证明）的持续跟踪与亲自实践，兼具深度与可读性。
- 陶哲轩 UCLA 个人主页 ↗ —— 其论文、讲义、课程资料与科普文章的完整索引，适合按主题系统翻阅。
- 2026 计算共形几何课程（清华大学丘成桐数学科学中心）↗ —— 计算共形几何公开课存档：从黎曼面、调和映照到曲面配准与几何处理，是「用计算方法处理几何问题」的系统性学习材料，与三维建模、网格生成、物流网络的几何化表达都有思想上的呼应。
机器学习课程阶梯
按「入门 → 进阶 → 理论」排一条可逐级攀登的路线：
- 入门 · DeepLearning.AI ↗ —— 吴恩达（Andrew Ng）创办的 AI 教育平台，课程与实践社区并重，是多数从业者机器学习旅程的起点。
- 入门 · Machine Learning Specialization（Coursera / 吴恩达）↗ —— 经典《机器学习》课程的新版三部曲：监督学习、高级学习算法、无监督学习与推荐系统，数学要求友好、案例驱动。
- 进阶 · Deep Learning Specialization（Coursera / 吴恩达）↗ —— 深度学习五门课：从神经网络基础到 CNN、RNN、Transformer 与结构化机器学习项目。
- 进阶 · Practical Deep Learning for Coders（fast.ai）↗ —— 「自上而下」的实战路线：先做出东西再补理论，全部课程与笔记本免费开放，适合工程背景读者。
- 理论 · Stanford CS229：Machine Learning ↗ —— 斯坦福机器学习主课：从回归、泛化界到 EM、因子图，讲义与课程笔记公开，是打理论地基的标准教材级课程。
- 理论 · Stanford CS224n：NLP with Deep Learning ↗ —— 深度自然语言处理经典课程，从词向量到大规模语言模型，适合继续往 LLM 方向深入。
运筹优化课程阶梯
同样按阶梯排列——先会建模，再学算法，最后吃透凸优化这座「理论主峰」：
- 入门 · Operations Research (1): Models and Applications（Coursera / 新加坡国立大学）↗ —— 运筹学建模入门：线性/整数规划、网络模型的直觉与商业应用，适合零基础建立「什么是优化问题」的整体图景。
- 进阶 · MIT 6.251J：Introduction to Mathematical Programming ↗ —— MIT 开放式课程：线性规划、单纯形法、对偶、整数规划与网络流，讲义、作业与考试全部公开，是运筹优化的主干课。
- 理论 · Stanford EE364a：Convex Optimization I ↗ —— Boyd 教授的凸优化名课：凸集、凸函数、对偶理论与应用范例，配合其免费教材服用最佳。
- 理论 · 《Convex Optimization》（Boyd & Vandenberghe）免费全书 ↗ —— 凸优化领域标准教材，作者公开 PDF 与配套幻灯片；吃透此书，市面上多数求解器的文档都会变得亲切。
本文为久章智能技术团队的前沿观察随笔，仅代表撰写时点的认知；涉及第三方工作（AlphaDev、FunSearch、AlphaGeometry、NL4Opt 等）以公开发表信息为准。欢迎通过关于我们页面与我们交流。