Lean 形式化验证的正确性边界:从定理陈述到内核安全
近期,随着人工智能在数学领域的应用日益深入,关于“定理正确性”的讨论焦点逐渐转向了 Lean 证明助手。尽管 Lean 代码通过编译通常被视为定理正确的有力证据,但若代码由 AI 生成,则需经过一系列严格的测试与审查。本文旨在解析这一过程,并指出在当前许多案例(如 OpenAI 发布的定理集合)中,部分关键验证步骤尚未系统完成。

背景:OpenAI 论文发布与 Lean 代码现状
上月,OpenAI 发布了 722 篇数学论文,其中约 45% 包含相关的 Lean 代码。由于标志错误,三份非清洁文件已被撤回。针对这些包含 Lean 代码的论文是否绝对正确,业界存在不同观点:一方认为 Lean 的严格性保证了结果的可信度,另一方则担忧潜在的系统性问题。要评估一个 Lean 存储库的正确性,尤其是当其为 AI 生成时,必须回答以下四个核心问题。
问题一:Lean 中的定理陈述是否与论文中的非正式陈述一致?
Lean 存储库通常包含一个标题定理声明,这是一段定义数学命题(而非证明)的代码。区分“陈述”与“证明”至关重要。例如,以下代码看似定义了费马大定理:
import Mathlibdef FermatsLastTheorem : Prop := ∀ a b c n : ℕ, n ≥ 3 → a^n + b^n ≠ c^n
然而,这是一个错误的命题。因为在 Lean 的自然数类型 ℕ 中包含 0,取 a=b=c=0 且 n=3 即可构成反例。虽然该声明能成功编译,但任何试图证明它的尝试都会失败。这凸显了人类专家在识别此类细微差别时的价值。
对于带有 Lean 代码的 PDF 文档,首要任务是核对代码中的定理陈述是否与正文一致。对于简单的情况,具备 Lean 知识的数学家可以轻易识别上述错误。但在复杂场景中,理解正规化的定理陈述可能需要阅读数千行代码。
目前的挑战在于可用库的局限性。例如,DeepMind 的 Formal Conjectures 存储库中关于 Hodge 猜想的简单形式化,其陈述依赖于 Mathlib 之上的 10,000 多行代码,因为 Mathlib 尚未定义所需的循环类映射等概念。另一个例子是 Axiom 公布的有限单群分类形式的验证。在其生成的 Tau Ceti 系统中,证明文件导入了超过 25 万行 Lean 代码(涉及 900 多个文件),其中约 5600 行代码至关重要,包含了所有相关定义。目前尚无人工专家仔细检查过 Tau Ceti 中零星群体定义的准确性,因此无法确切断言这是分类定理的正确陈述。
值得注意的是,在 OpenAI 定理集中包含 Lean 代码的 290 篇论文里,约有 38 篇的 Lean 代码甚至没有声明或证明论文的主要定理。OpenAI 并未声称代码证明了主定理,仅表示代码与论文相关。有时代码仅证明中间结果,或在形式化不完整时上线。以第 194 号论文为例,其声称解决了交换代数中自 1960 年以来的 Lech 多重性猜想,但相关 Lean 代码中的标题定理经检查发现对应的是论文的结论 5.4,虽为重要成就,却非标题所述的主结果。
问题二:代码能否成功编译?
确认代码旨在证明的定理后,下一步是验证代码的可编译性。Anthropic 在利用 Lean 形式化证明费马大定理时,曾要求外部专家审查其生成的 1300 万行代码。审查者将代码下载至沙箱环境(以防恶意行为),并在获得一台配备 96 核 CPU 和 500 GB RAM 的机器访问权限后,完成了编译验证。
对于规模较小的代码库,本地编译更为可行。例如,OpenAI 针对纳维-斯托克斯方程问题的解决方案包含 640K 行代码,可在普通笔记本电脑上顺利编译。
需要强调的是,除非经过沙箱隔离,否则不应在本地机器上直接运行随机的 Lean 代码。Mathlib 库由人类专家策划和检查,运行相对安全;而未经审查的 AI 生成代码则存在未知风险。
问题三:代码是否真正证明了所述的定理?
即使确信理解了定理陈述,仍需排除证明过程中的潜在欺诈或错误。理想的定理陈述应位于导入极少 Mathlib 依赖的文件中,但证明本身可能涉及数百万行代码。如何确保这庞大的证明文件中没有隐藏的技巧?例如,是否存在重新定义运算(如将 $x^n$ 定义为常数 37)从而虚假地满足不等式的情况,或者是否在证明中引入了新的公理?
解决这一信任问题的工具是 Lake Verifier。该工具能够检查可信文件中声明的定理与通过不可信导入所证明的定理是否完全一致,并确保证明过程仅使用了标准的数学公理,从而防止通过篡改定义或添加公理来伪造证明。
问题四:代码是否利用了 Lean 官方内核的漏洞?
理论上,Lean.s 内核可能存在稳定性漏洞。此前曾发现过一个漏洞,在公开后四小时内被修复。后续对 OpenAI Lean 代码库的审查也发现了更多漏洞,均在公开宣布前得到修复。尽管内核可能存在未发现的缺陷,但这并不必然影响验证结果的可信度。
原因在于,Lean 现在拥有多个由用户创建、使用不同语言编写的独立内核。若要绝对排除恶意黑客行为,可使用 Lake Verifier 进行交叉验证。任何利用 Lean 官方内核中未发现漏洞的恶意代码,很难同时绕过多个独立内核的检查。例如,Lean 内核领域的网页显示,OpenAI 关于纳维-斯托克斯问题的解决方案不仅通过了官方内核,也被其他多个内核接受。
局限性与结论
即便 Lean 代码通过了编译及上述所有测试,极大程度上证明了定理的形式化正确性,这并不意味着对应的 PDF 文档中的自然语言证明也是正确的。例如,在纳维-斯托克斯方程的相关工作中,PDF 证明与 Lean 证明之间存在差异,导致 PDF 证明的有效性存疑。一些专家正尝试利用 AI 将 Lean 证明翻译回英语以便人工审阅论证逻辑。
综上所述,“定理在 Lean 中被检查”确实赋予了其正确性意义,但这并非唯一的判断标准。除了代码编译外,还需完成定理陈述的一致性校验、防篡改验证以及多内核交叉检查。前沿 AI 模型有能力协助完成这些工作,但这取决于证明中 Lean 代码的量级,且计算成本可能较高。目前,在许多已发布的案例中,这些系统性测试仍未全部完成。





