AI 数学证明之后,还需要怎样的理解与验证
AI 数学证明之后,还需要怎样的理解与验证
一段推导被机器接受、一篇论文被专家看懂,以及一个结论可以被后续研究安全使用,是三个相关却不同的里程碑。人工智能生成数学结果,使这三个环节之间的距离更加显眼。问题不只是机器能否找到正确答案,也包括我们怎样确认它回答的是原来的问题,怎样解释方法,以及怎样让其他人能够复查与继续工作。
本文按十月二十二日的来源选题,回看十月十九日关于准黎曼猜想的公开报道。它保留历史日期,不把当时的研究状态冒充今日结论。正文以独立分析为主,所有教学场景均为假设;不复制私人精读报告,也不尝试重建受保护论文的完整证明。
公开报道与时间边界
Quanta 的报道讨论 AI 产生的准黎曼猜想证明,强调较弱结论与完整黎曼猜想不同,也区分形式化版本和数学家正在消化的文字论证。报道中的专家关注正确性之外的可理解性与新旧工具组合。这里将其视为一份当时的研究进展记录,而非对所有后续状态的持续断言。
公开原文:https://www.quantamagazine.org/ai-proved-the-quasi-riemann-hypothesis-what-happens-now-20261019/
截至本篇补同步时,Lean 与 Mathlib 社区已经在十一月二十一日发布关于完整黎曼猜想形式化证明的联合核验声明。因此,下文讨论的是不同验证任务如何衔接,不再沿用十月报道中“完整问题仍未解决”的时间状态。
更新依据:https://leanprover-community.github.io/blog/posts/riemann-hypothesis/
编辑分析:先把结论写到足够精确
数学结果首先是一项明确陈述。涉及哪些对象,假设是什么,结论对所有对象成立还是只对某一类成立,这些都决定证明究竟解决了什么。自然语言中省略的条件,可能在形式化后成为关键前提。一个看起来只差几个字的命题,难度与含义都可能完全不同。
“更弱结果”也不意味着不重要。一个较宽的界、较小的适用范围或附加条件下的结论,可能足以推出许多有用后果。但它与更强命题之间仍有逻辑距离。传播时应该说明二者关系,而不能因为后果相似,就把较弱结论改写成完整问题已经解决。
精确性还体现在对象定义。程序中的同名函数、不同库里的结构或隐含类型参数,可能并不完全对应数学家在纸上使用的概念。形式化工作需要核对这种映射。证明系统能够严格处理给定定义,却不会凭空知道人们真正想证明的是哪一种日常表述。
因此,验证结果时的第一个问题不应是“运行有没有通过”,而应是“通过的究竟是哪一个陈述”。如果目标定义有偏差,再复杂的证明也可能只是在完美回答另一个问题。规格检查与推导检查应当由不同视角交叉完成。
编辑分析:寻找证明与检查证明,可以采用不同机制
找到一条复杂证明,可能需要大量探索、失败尝试和经验判断;检查一个已经明确给出的推理步骤,则可能简单得多。这种不对称让我们有机会把创造与验证分工:生成过程可以使用复杂启发式,最终结果则交给范围更小、规则更明确的检查机制。
不过,“容易检查”并不等于没有成本。大型形式化库可能需要依赖、编译资源与专门知识,陈述对应也需要人工理解。把验证过程说成按一下按钮就结束,会掩盖其中的工程与概念劳动。真正可靠的流程,应当让这些劳动被看见,并明确各环节证明了什么。
这种分工也不是对人类理解的否定。独立检查可以提高对正确性的信心,理解则帮助人发现可推广的方法、辨认限制与构造新的问题。一个结果可以先被确认,再逐渐被解释;也可以在解释过程中发现形式化目标或依赖需要进一步澄清。二者的关系应是互相补充。
对技术读者而言,可以把它理解为生成器与验收器的职责分离。生成器负责提出候选,验收器负责根据明确标准拒绝错误。它们若共享同一套未经检查的假设,就可能同时出错。因此,独立性不仅是换一个名字或进程,还包括输入、规则与信任基础的检查。
假设场景:证明通过,却没有回答想问的问题
设想一个教学任务,要求证明某种排序程序对任意合法输入都返回有序结果。这是独立构造的例子,不对应公开研究中的证明。如果形式化时误把合法输入定义为已经有序的列表,那么一个直接返回原输入的程序也可能满足被写下来的命题。检查器没有违反规则,问题出在规格。
另一种情况是,命题正确写出,却在前提里加入了未经注意的强假设。比如先假设程序的输出已经有序,再证明输出有序。形式系统可以清楚表达这条推论,但它没有提供原任务需要的独立保证。阅读最终定理时,必须把所有前提一起读,而不只看结论名称。
怎样降低这类风险?可以让另一位审查者只看原始问题与最终陈述,暂时不受证明路径影响;也可以构造小型边界案例,检查定义是否符合预期。示例无法替代一般证明,却很适合暴露概念映射错误。不同验证工具应承担各自擅长的任务。
这个例子不说明形式化不可靠,恰恰说明可靠性应分层讨论。检查器可以保证推导遵守规则,规格审查保证规则在回答正确问题,应用审查则保证结论被用于合适条件。把所有责任都压在内核上,反而容易忽略系统外的必要工作。
编辑分析:依赖关系决定证明的实际含义
任何复杂结论都建立在定义、基础公理和已有定理之上。验证一项结果,需要知道它使用了哪些依赖,以及这些依赖在当前环境中有什么地位。一个定理的名字或文件规模,都不能替代依赖审查。重要的是最终结论从什么前提出发得到。
这并不要求每次使用都从头重建全部数学。可信库与分层抽象的意义,正是让知识可以复用。但复用应有可追踪路径:依赖版本明确,假设能够列出,构建产物可以复现。信任不必等于亲自重复全部工作,却应当能够定位它建立在哪里。
软件环境还可能引入与数学推理不同的风险。构建脚本是否执行额外动作,工具链是否固定,导出的证明对象是否可以由独立检查器读取?这些属于验证工程问题,不应与某条数学推理是否成立混为一谈。缩小可信计算部分,有助于让疑问更具体。
同时,多个检查器通过也需要说明它们检查的是同一份对象。如果各自读取不同转换结果或采用不同目标陈述,简单统计通过次数没有太大意义。交叉验证应明确共享与独立的部分,让使用者知道多重检查究竟增加了哪一种信心。
编辑分析:为什么可理解性仍然是一项成果
正确性回答某个命题是否已经得到有效支持,可理解性则帮助人把结果纳入知识网络。人们需要知道哪些想法真正关键,哪些步骤只是技术安排,方法何时可以迁移,以及哪些看似自然的推广其实不成立。这些工作无法用一个通过标记完整表达。
一篇篇幅很长的机器生成证明,可能包含大量局部推导,却没有清楚的整体路线。压缩与解释不是简单删减文字,而是识别结构:核心引理之间如何连接,哪一步解决了原先的障碍,哪些条件防止反例出现。解释本身需要判断,也可能产生新的数学问题。
这与代码可维护性有相似之处,但不能完全等同。一个程序通过测试,仍需要清楚接口与结构才能长期维护;一个证明被检查,仍需要合适说明才能被研究者有效使用。类比说明了不同质量维度可以并存,并不意味着软件测试与数学证明具有相同保证强度。
因此,不应把解释工作视为机器产生成果之后的宣传附件。它可以决定知识是否真正可传播、能否被教学使用以及是否有助后续发现。形式化产物与面向人的阐释可以服务不同受众,二者应在陈述和依赖上保持一致,而不必采用完全相同的组织方式。
假设场景:一个需要同时交付程序与证明的项目
再设想一个独立的教学项目,要为某个有限状态控制程序提供形式化性质。团队交付源代码、规格和证明文件,自动构建全部通过。若使用者只得到最后一个绿色状态,他仍然不知道性质是否覆盖实际输入、运行时环境与部署配置。交付完整性需要跨越文件边界。
一种更清楚的交付方式,是把每项保证对应到具体对象。哪一版程序、哪些输入前提、哪一项性质、哪个检查器版本,以及哪些运行环境因素没有进入模型。这样,后续修改时可以判断旧证明是否仍适用,而不是误把过去的通过状态继承给新程序。
还需要区分理想模型与实际执行。若证明假设整数不会溢出,实际语言却使用有界整数,就必须处理映射;若假设操作原子完成,部署环境却允许并发中断,也需要另行论证。形式化的强度来自精确前提,不能通过忽略实现差异来扩大保证。
这个假设展示的不是额外手续,而是防止保证失去对象的必要工作。正确的陈述、有效的推导和准确的实现对应,分别解决不同错误类型。只有它们连接起来,形式化成果才容易被工程使用者理解,并在系统演进时继续保持意义。
编辑分析:验证成本会反过来影响研究选择
如果候选结果的产生速度大幅提高,稀缺资源可能转移到检查与理解。大量看似重要的结果同时出现,专家就需要选择先看什么。选择不应只由标题声量决定,还可以考虑陈述清晰度、独立验证难度、潜在应用和公开材料完整性。
这并非要求所有结果都立刻变得简短。某些真实证明本来就复杂。但生成者可以降低不必要负担,例如提供明确版本、结论列表、依赖说明与可复现入口。把整理工作全部转嫁给审查者,会让正确结果也难以被有效吸收。
研究共同体还需要避免用论文数量代替知识增长。新增文档与新增可靠结论不是同一件事,同一结论的不同版本也可能有不同质量。合理评价应区分候选、已经检查的结果、已经理解的方法和已经产生后续用途的工作,而非把它们混在一个产出数字中。
验证劳动也应获得适当认可。发现规格偏差、复现构建、澄清关键引理或写出可读解释,都可能显著提高结果的公共价值。若只有最初宣布结论的人得到关注,就可能削弱后续必要工作的激励。可靠知识的形成通常需要多种贡献。
编辑分析:既有工具的新组合,也可能具有创造性
讨论 AI 是否创造新知识时,人们容易把“新”限定为发明完全陌生的概念。事实上,新的连接、恰当对象的选择或对已有工具适用性的重新判断,也可能带来重要进展。但具体成果属于哪一种创新,需要仔细分析,而不是由生成者身份决定。
同样,使用既有定理不等于只是机械拼接。寻找能让多个结果衔接的结构,本身可能需要创造性的判断。反过来,堆积复杂术语也不代表具有新思想。评价应围绕实际推理结构、此前障碍以及结果带来的新能力,而不是围绕人类或机器的抽象优越性。
这也提醒我们谨慎使用拟人语言。一个模型尝试了某条路线,不足以说明它具有与数学家相同的信念、直觉或理解。可以描述系统产生了什么候选、使用什么反馈、哪些步骤经过检查,而不必为了让故事生动就添加不可验证的心理过程。
工程研究同样适用这一点。一个工具找到了有效配置,可以是一项有用结果;是否解释了机制、是否能够推广、是否优于恰当基线,则需要其他证据。把这些问题分开,既能认真对待机器帮助带来的进展,也能避免在证据之前宣布全面替代。
编辑分析:历史报道需要保留当时视野
科学新闻的语句常常依赖写作日期。“尚未形式化”“专家正在检查”“更强问题仍开放”,都可能在后续发生变化。历史补同步应保留来源日期,同时清楚说明哪些状态已经更新。否则,一个当时准确的总结会在今天传播成错误现状。
但更新也不应把过去重写成早已知道结局的故事。十月的研究者面对的是当时的材料与不确定性,后来的进展并不让早先谨慎判断显得愚蠢。理解历史过程,需要同时保留当时证据和后续变化,而不是只留下最终成功的单线叙事。
对知识管理而言,可以把事件日期、总结日期与核验日期分开保存。读者看到一篇旧日期文章时,应能判断它是当时发布,还是后来按原选题补齐。内部来源证据可以私下保留,公开页面则只需要业务相关的日期、链接和必要说明,不必暴露私有会话标识。
这种做法也能减少重复发布。一个问题的新进展应与旧记录建立清楚关系,而不是把每一次状态变化都当作同一新闻重新生成。可追踪的版本与明确时间语境,是防止知识库逐渐充满互相矛盾条目的基础。
编辑分析:反论证与不能由证明解决的问题
一种反对意见认为,只要机器已经严格检查,人类是否理解并不影响结论的真。就给定系统与前提下的推导而言,这个提醒有其道理。但公共使用还需要确认陈述对应、环境和解释;理解也关系到结果如何被推广。不同问题应有不同回答,不必争夺唯一的重要性。
另一种反对意见担心,强调可理解性可能成为拒绝机器结果的任意门槛。这同样值得警惕。不能因为生成过程陌生,就对机器结果要求无法对称施加于人类的标准。更合理的是统一要求清楚陈述、足够验证与适当材料,并根据具体用途决定需要多深的解释。
还要承认形式化并不能直接解决所有数学实践问题。选择什么值得研究、怎样组织教学、某种方法为何优美,都不只涉及真假。严格检查为这些活动提供更稳固基础,却不会让价值判断消失。把可检查性当作唯一质量,可能反而缩小数学工作的丰富性。
最后,数学正确也不能自动转化成工程可用。一个存在性结论未必给出高效算法,一个渐近界未必对应实际规模,一个理想模型中的性质也未必涵盖现实故障。应用需要沿着前提逐项核对,而不是借助数学声望跳过实现与实验。
编辑分析:可以落实到开发流程的几条习惯
首先,把规格当作需要审查的产物。无论使用测试、静态分析还是形式化工具,都应确认目标陈述对应真实需求。其次,让验证结果绑定版本与对象,避免把旧证据继承给未经检查的新产物。再次,区分生成者自检与独立反馈,明确哪些假设仍然共享。
同时,为人类使用保留解释。一个简短的结构说明、关键条件与失败边界,往往能显著降低后续维护成本。解释不应夸大工具保证,也不应把暂时未理解的部分隐藏起来。知道自己依赖什么,是比盲目信任或全面拒绝更有用的状态。
当结果无法确认时,状态应保持明确。候选、编译通过、独立检查与公开可用可以分别记录,未知结果只做复核。可靠流程的目标不是让每个步骤尽快变成成功,而是让成功一词始终对应足够具体的证据。
复现时还应区分读取证明对象与执行来源代码。前者可以由范围很小的检查器完成,后者可能触发构建脚本和其他环境行为。合适的隔离与固定工具链,能够减少与数学内容无关的干扰。这是一项一般验证原则,不意味着任何特定公开库含有恶意内容。
保存证据时,可以同时记录目标陈述、依赖版本、构建日志与最终产物哈希。它们分别回答检查了什么、基于什么、怎样完成以及对象是否改变。单独保留一句“通过”,会让后续复查失去必要上下文;保留过多无关环境信息也没有必要,证据应围绕能够解释结论的最小集合组织。
结论
AI 数学结果带来的深刻变化,不只是生成速度,而是迫使我们更清楚地区分发现、证明、解释和应用。机器检查可以强化推导可靠性,人类理解可以揭示结构与用途,规格与依赖审查则把这些工作连接到真正的问题。任何一项都不应替其他项作出未经支持的承诺。
从历史上的准黎曼进展到后续形式化核验,最值得保留的工程习惯,是让陈述精确、验证独立、时间语境清楚、知识状态可追踪。这样,新的能力才能逐渐进入共同知识,而不只是形成一个短暂而响亮的标题。