自动机制设计 · 计算经济学

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。