繁忙港口里，哪艘船应该先靠泊？拖船怎样改道，才能避开突发拥堵？医院床位、供应链车辆和电网资源，又该如何在不断变化的条件下重新分配？
这类问题往往有海量可能组合。过去，为一个新场景定制高性能决策软件，通常需要专家反复设计、编码和测试数月。如今，南洋理工大学（NTU）研究团队开发的AI框架LACE，正在把这个过程缩短到约一小时。
它不只是让AI“写一段代码”，而是让AI自动设计、测试并迭代一整套相互配合的决策算法。
LACE是什么？
LACE全称为“由大型语言模型驱动、通过互补进化进行算法构建”（LLM-driven Algorithm Construction via Complementary Evolution）。它由NTU土木与环境工程学院Yan Ran助理教授和研究员Gong Huatian博士牵头研发。
用户可以用自然语言描述一个复杂的调度、路线规划或资源分配问题。LACE随后自动构建、评估并改进一组专门算法，形成针对该问题的“算法组合”。
相关论文于10月1日发表于《Nature Machine Intelligence》，题为《Large language models discover complementary heuristics for combinatorial optimization》。
为什么不能直接让大模型写程序？
大型语言模型确实能够生成代码，但面对全新的现实优化问题，一次性生成完整求解器往往会失败。原因是现实约束太多：路线必须可行、资源不能重复分配、时间窗口不能冲突，任何一条规则出错，都可能让结果无法使用。
LACE没有把所有希望押在一次回答上，而是采用两阶段设计：
第一步：建立经过验证的“问题合同”
系统明确输入、输出、可用工具和约束条件，把复杂问题拆成结构清晰的模块，让大模型把能力集中在高层算法推理上。
第二步：让多个专长算法互补进化
LACE并不寻找一条包打天下的规则，而是持续生成、测试和筛选不同启发式算法，让它们各自擅长处理不同类型的情况，再组合成更稳定的解决方案。
测试结果：约一小时，计算费低于10美元
研究团队用四个全新、结构复杂的集装箱码头与拖船路线问题测试LACE。这些任务模拟现代港口可能面对的真实挑战。
LACE取得的成绩达到所有受测方法中最佳结果的97%至99%。包括Google FunSearch在内的五种现有LLM算法框架，在这些全新问题上均未能生成满足约束的可行软件。
按照论文实验设置，LACE处理每个新问题约需一小时，计算费用低于10美元，约合12.70新元。相比之下，传统定制软件可能需要数月开发，并产生高昂的专业工程成本。
在36个经典组合优化基准问题上，论文报告LACE平均得分为0.945，高于最强现有LLM方法的0.870，也明显高于直接提示大模型所得的0.571。这表明提升主要来自框架设计，而不只是底层模型本身。
它可能改变哪些行业？
LACE所处理的是“组合优化”问题：从数量庞大的可能方案中，找出满足各种限制且效果尽可能好的选择。这类问题广泛存在于现实运营中。
港口与物流：安排船舶泊位、拖船路线、车辆配送和仓储资源。
医疗系统：分配手术室、病床、医护排班和紧急资源。
供应链：在需求、库存与运输条件变化时快速调整计划。
能源管理：协调电网设备、发电资源与维护安排。
如果这类高性能算法能够更快、更低成本地生成，小型研究团队、区域物流中心、公共医疗机构和公用事业单位，也可能获得过去只有大型组织才能负担的优化能力。
“约一小时”不等于无需专家
值得注意的是，约一小时和低于10美元是研究团队在指定实验环境与测试问题中报告的结果，并不意味着任何行业软件都能在一小时内直接上线。
现实部署仍需要准确描述业务规则、验证数据质量、进行安全与合规测试，并由领域专家确认算法在异常情况下的表现。港口、医院和电网等关键系统，更不能跳过人工监督与风险评估。
LACE真正突破的，是算法设计最耗时的探索环节。它把专家从大量试错和重复编码中释放出来，让人能够把更多精力投入问题定义、结果验证与责任判断。
AI的下一步，不只是回答问题
大模型通常被视为内容生成或知识问答工具，而NTU团队的研究展示了另一条路线：让AI参与发现算法，建立可以执行、验证和持续改进的解决方案。
Yan Ran助理教授指出，关键不一定是不断打造更大的模型，而是设计更聪明的AI框架。LACE让模型、工具、约束与多种算法形成协作系统，也让“AI设计AI算法”向现实运营迈进一步。
