自动机制设计 · 计算经济学
本条为初评草案（AI 辅助编目 · 评于 2026-07）：T 阶为三问初评（撬动面 × 停滞度 × 临界性），双评过 σ 门并红蓝复核后才升"已建档"。查不到的字段留空不编。点亮者会进入亮星候选流程，其贡献与星阶按 HCF 独立重评，不从暗星自动继承。
人类的制度（税制、拍卖、投票规则、补贴结构）至今基本是手工艺品：靠少数天才经济学家的直觉加几十年试错，而设计空间其实大到人脑根本搜不完。自动机制设计的思路是把'设计一个激励相容的制度'变成可计算的优化问题，让算法/AI 在巨大的机制空间里搜索——就像芯片设计从手绘版图进化到 EDA 工具。频谱拍卖的成功已经证明'精心设计的机制值几百亿美元'，而 AI 经济学模拟（如学习最优税制）展示了下一步。攻破这颗暗星意味着制度创新的速度从'一代人一次'提升到'可迭代可验证'，这是对文明底层操作系统的升级能力本身的升级。
卡在模拟到现实的鸿沟：算法在模拟环境里搜出的'最优机制'依赖对人类行为的建模假设，而真人会学习、会博弈、会钻任何模型没料到的空子；同时真实制度改革的试错成本极高（一次错误税改伤及千万人），没有安全的'制度沙盒'做验证；最后是可解释性——民主社会难以接受一个说不清道理的算法产出的税制，正当性问题与技术问题同样坚硬。
Tuomas Sandholm（CMU，自动机制设计奠基）、Salesforce AI Economist 项目（强化学习搜索税制）、算法博弈论学界（ACM EC 会议社区）
读算法博弈论 + 强化学习/多智能体系统，这是标准的博士方向（CMU、斯坦福、牛津等都有强组），也可进大厂的经济学与市场设计团队（广告拍卖是现成的真实练兵场）。切入子问题：多智能体模拟中'策略性人类行为'的建模鲁棒性——即算法搜出的机制在行为假设被打破时还能保住多少性能，这是跨越模拟—现实鸿沟的第一块砖。
谁在攻这颗暗星 · 攻关者名录9 人
这不是终点站——今天在这颗暗星上攻坚的人，就是明天点亮它、登上星光榜的候选。名录含科研、创业与第三方三类关键角色，初评待核实，欢迎补充与纠正。
去哪家 · 机构与公司名录3 家 · 其中初创/成长期 1
给求职者和投资人的信息增量——不只是听过的大机构，更多是正在攻这颗暗星的初创与新公司（联网实搜、初创优先排序，初评待核实）。