大模型首次自动推导经济学均衡解：港中深AI学会证明博弈论定理

求解博弈论模型的纳什均衡，长期以来都是经济学研究中的一个技术难题。香港中文大学（深圳）的一支跨国研究团队最近在 Cell 出版集团旗下期刊 Nexus 上发表的工作，展示了大语言模型（Large Language Model，LLM）在这个方向上的新可能：不仅能自动推导出闭式解，还能生成可由机器验证的数学证明。换句话说，AI 不再只是模拟计算，而是真正参与到了形式化的逻辑演绎这一理论构建的核心环节。

经济学家们长期面对的一个困境是，许多重要的博弈模型因为策略空间维度过高、存在跨期递归或者收益函数非凸不连续，根本无法用解析方法求解。过去的做法要么大幅简化假设，要么依赖数值模拟，但这两条路都有明显的局限性。简化会损失模型对现实的刻画能力，而数值结果往往缺乏理论上的透明度和可审计性。

PrimeNash 的设计思路是将均衡求解拆解为三个相互协作的模块。策略生成模块（Strategy Generation Module，SGM）负责产生候选均衡策略，策略评估模块（Strategy Evaluation Module，SEM）对候选策略打分并筛选，均衡证明模块（Equilibrium Proof Module，EPM）则执行严格的数学验证。这三个模块通过多轮迭代与反馈循环，最终收敛到一个既符合均衡条件、又有完整证明的解析解。

图 | PrimeNash 中模块交互的概览（来源：Nexus）

整个过程中，系统会调用符号计算工具处理复杂的代数运算，并利用思维链推理（Chain-of-Thought）增强逻辑推导的精度。更重要的是，它能够处理四大类博弈模型：静态与动态、完全信息与不完全信息，并且支持纳什均衡、贝叶斯纳什均衡以及子博弈完美均衡等多种解概念。论文在七个经典案例上进行了测试，所有静态博弈均获得成功求解，动态博弈的成功率也达到了 70%。

还有一个非常有说服力的应用场景是中国全国碳排放权交易体系的理论建模。这个市场涉及多个交易期、配额分配、跨期套利与合规约束，其战略互动的复杂性此前一直没有获得解析刻画。PrimeNash 首次推导出了这一市场的完整闭式解，揭示了企业最优跨期交易策略和碳价动态演化路径。模型预测合规期末碳价会出现显著上冲，这一理论结论与实际市场观察到的“履约期冲刺”现象在定性层面高度一致。

图 | 碳市场的动态均衡特征（来源：Nexus）

除了技术上的突破之外，这项研究的意义更在于它指向了一种新的研究范式。传统上，经济学家需要亲自推导每一步代数运算、手工验证均衡条件，这个过程既费时又容易出错。现在，研究者可以将注意力集中在问题的经济学本质、模型的假设与机制设计的逻辑上，而把繁重的符号推导交给自动化系统完成。论文数据显示，该框架能够将人工推导的工作量减少 80% 以上。

当然，任何新工具都有其边界。PrimeNash 目前还无法完全处理混合策略均衡和连续策略空间问题，且在某些极端复杂的动态博弈中，生成的表达式可能包含数百个项，即使形式上“闭式解”，其可解释性也会受到挑战。此外，由于 LLM 推理和符号计算管道可能无法满足隐函数定理的严格条件，部分结果仍需数值方法辅助——比如碳市场模型中的拉格朗日乘子就是通过数值求解的。

但这些限制并不妨碍我们看到一个更宏大的图景：当智能系统能够自主完成理论推导和证明时，经济学乃至更广泛的社会科学研究，正在进入一个人机协同驱动的新阶段。市场设计、气候政策、金融监管、平台经济等诸多领域，都将从中获益。那些过去因为数学复杂度而不得不被搁置的研究问题，现在有了重新审视的可能。

这项工作由香港中文大学（深圳）理工学院赵俊华教授、黄建伟教授和经管学院叶立新教授领导，合作方包括南洋理工大学、耶鲁大学、悉尼大学和美国西北大学。共同第一作者是南洋理工大学柳文轩博士、博士生周茜缘，悉尼大学博士生王馨蕾，以及香港中文大学（深圳）博士生程裕恒。美国西北大学 Randall Berry 教授和耶鲁大学 Leandros Tassiulas 教授也参与了研究。

图 | 相关论文（来源：Nexus）

论文已在 Nexus 期刊正式发表，相关代码已在 GitHub 开源。

参考资料：

论文链接：

代码链接：

运营/排版：何晨龙