繁忙港口裡，哪艘船應該先靠泊？拖船怎樣改道，才能避開突發擁堵？醫院床位、供應鏈車輛和電網資源，又該如何在不斷變化的條件下重新分配？
這類問題往往有海量可能組合。過去，為一個新場景定製高性能決策軟體，通常需要專家反覆設計、編碼和測試數月。如今，南洋理工大學（NTU）研究團隊開發的AI框架LACE，正在把這個過程縮短到約一小時。
它不只是讓AI「寫一段代碼」，而是讓AI自動設計、測試並疊代一整套相互配合的決策算法。
LACE是什麼？
LACE全稱為「由大型語言模型驅動、通過互補進化進行算法構建」（LLM-driven Algorithm Construction via Complementary Evolution）。它由NTU土木與環境工程學院Yan Ran助理教授和研究員Gong Huatian博士牽頭研發。
用戶可以用自然語言描述一個複雜的調度、路線規劃或資源分配問題。LACE隨後自動構建、評估並改進一組專門算法，形成針對該問題的「算法組合」。
相關論文於10月1日發表於《Nature Machine Intelligence》，題為《Large language models discover complementary heuristics for combinatorial optimization》。
為什麼不能直接讓大模型寫程序？
大型語言模型確實能夠生成代碼，但面對全新的現實優化問題，一次性生成完整求解器往往會失敗。原因是現實約束太多：路線必須可行、資源不能重複分配、時間窗口不能衝突，任何一條規則出錯，都可能讓結果無法使用。
LACE沒有把所有希望押在一次回答上，而是採用兩階段設計：
第一步：建立經過驗證的「問題合同」
系統明確輸入、輸出、可用工具和約束條件，把複雜問題拆成結構清晰的模塊，讓大模型把能力集中在高層算法推理上。
第二步：讓多個專長算法互補進化
LACE並不尋找一條包打天下的規則，而是持續生成、測試和篩選不同啟發式算法，讓它們各自擅長處理不同類型的情況，再組合成更穩定的解決方案。
測試結果：約一小時，計算費低於10美元
研究團隊用四個全新、結構複雜的貨櫃碼頭與拖船路線問題測試LACE。這些任務模擬現代港口可能面對的真實挑戰。
LACE取得的成績達到所有受測方法中最佳結果的97%至99%。包括Google FunSearch在內的五種現有LLM算法框架，在這些全新問題上均未能生成滿足約束的可行軟體。
按照論文實驗設置，LACE處理每個新問題約需一小時，計算費用低於10美元，約合12.70新元。相比之下，傳統定製軟體可能需要數月開發，並產生高昂的專業工程成本。
在36個經典組合優化基準問題上，論文報告LACE平均得分為0.945，高於最強現有LLM方法的0.870，也明顯高於直接提示大模型所得的0.571。這表明提升主要來自框架設計，而不只是底層模型本身。
它可能改變哪些行業？
LACE所處理的是「組合優化」問題：從數量龐大的可能方案中，找出滿足各種限制且效果儘可能好的選擇。這類問題廣泛存在於現實運營中。
港口與物流：安排船舶泊位、拖船路線、車輛配送和倉儲資源。
醫療系統：分配手術室、病床、醫護排班和緊急資源。
供應鏈：在需求、庫存與運輸條件變化時快速調整計劃。
能源管理：協調電網設備、發電資源與維護安排。
如果這類高性能算法能夠更快、更低成本地生成，小型研究團隊、區域物流中心、公共醫療機構和公用事業單位，也可能獲得過去只有大型組織才能負擔的優化能力。
「約一小時」不等於無需專家
值得注意的是，約一小時和低於10美元是研究團隊在指定實驗環境與測試問題中報告的結果，並不意味著任何行業軟體都能在一小時內直接上線。
現實部署仍需要準確描述業務規則、驗證數據質量、進行安全與合規測試，並由領域專家確認算法在異常情況下的表現。港口、醫院和電網等關鍵系統，更不能跳過人工監督與風險評估。
LACE真正突破的，是算法設計最耗時的探索環節。它把專家從大量試錯和重複編碼中釋放出來，讓人能夠把更多精力投入問題定義、結果驗證與責任判斷。
AI的下一步，不只是回答問題
大模型通常被視為內容生成或知識問答工具，而NTU團隊的研究展示了另一條路線：讓AI參與發現算法，建立可以執行、驗證和持續改進的解決方案。
Yan Ran助理教授指出，關鍵不一定是不斷打造更大的模型，而是設計更聰明的AI框架。LACE讓模型、工具、約束與多種算法形成協作系統，也讓「AI設計AI算法」向現實運營邁進一步。
