Anthropic用11天完成Lean代码,数学家为何反而不安?
今年9月,Anthropic宣布,AI用11天把费马大定理的证明写成1300万行Lean代码。几天后,OpenAI又宣称用AI解决了纳维–斯托克斯难题。两项成果都附有通过Lean检查的代码。但数学家....
今年9月,
Anthropic对外宣布,AI在11天里完成了Lean代码。没过几天,OpenAI也声称用AI攻克了纳维–斯托克斯难题。两份成果都附上了通过Lean检查的代码。可数学家后来发现,OpenAI文字论文里的某些中间结论,跟Lean代码真正验证的内容对不上。
Lean常被看作数学的“机器审稿人”——代码过了检查,推导似乎就无懈可击。可它只对写进代码的命题负责:AI把论文转成代码时,条件有可能被悄悄改掉;Lean软件自身的漏洞,也可能被人钻空子。
2026年9月4日,英国帝国理工学院数学教授凯文·巴扎德(Kevin Buzzard)守在电脑前,在自己的博客上发了一篇文章,题目叫“Anthropic抢在了我的前头(Anthropic has beaten me to it)”。
巴扎德手里有一笔100万英镑、为期五年的科研经费,核心任务就是把
英国帝国理工学院数学教授凯文·巴扎德(Kevin Buzzard)| 图源:University of Southampton / Thomas Angus
促使他写下这个标题的,正是Anthropic刚公布的成果:他们调动了数十个
Claude
4天之后,OpenAI又扔出一枚更重的炸弹:约1万个AI智能体连续跑了88小时,产出约1300亿个输出词元(
突破一个接一个,数学界根本来不及反应。这些AI生成的证明动辄数百页,信息密度极高,顶尖的人类数学家读起来都像看天书。为了让人们放心,两家公司都把Lean形式化验证当成成果可靠性的重要凭据。
于是,一个原本待在数学与计算机科学交叉地带的小众工具,忽然被推到了责任重大的位置上。然而,当剑桥大学和
Lean的诞生
数学一向以严格闻名,可长期以来,数学知识是否可靠,靠的还是人与人之间的信任。
数学家写论文时用的证明方式,通常建立在一套共同的知识和约定之上。作者可以引用前人证过的定理,可以省掉同行熟悉的推导,也能用一句“显然可得”,跳过一个在他们看来不必解释的逻辑环节。
正是这种习惯,让数学论文能在有限的篇幅里装下极其复杂的思想。不然的话,哪怕证明一个相对简单的结论,也得从最基础的数学公理起步,写下漫长的推导。
可人类觉得显而易见的步骤,未必真的没有漏洞。
1998年,美国数学家托马斯·黑尔斯(Thomas Hales)宣布解决了著名的
这个问题要追溯到17世纪。它想回答的是:在三维空间里,同样大小的球体怎么摆,才能占据尽可能大的空间比例。
人们早就知道,水果摊上那种层层交错的橙子堆法已经相当紧密。
球体在三维空间中的紧密堆积方式,
黑尔斯拿出了证明,却碰上一个没想到的困难。
他的论证里有大量复杂计算,部分验证得靠计算机完成。负责审稿的数学家花了好几年检查,还是难以对全部细节建立足够信心,最后只给出“99%确定”证明正确的说法。
2003年,黑尔斯启动了
可计算机读不懂传统数学论文。它没法像人那样,看到一行公式就自动补上作者没写出来的步骤。研究人员必须把数学命题翻译成严格的形式化语言,把每个定义、前提和推导关系都准确表达出来。
这个过程,就叫“形式化”(Formalization)。
2014年,研究团队用大约50万行代码,把开普勒猜想的证明形式化检验做完了。
工程之所以这么庞大,原因也在这里:数学家既要有一套足够严格的逻辑系统,还得攒下大量能反复调用的数学定义和定理。更关键的是,传统论文里那些被省略的步骤,他们必须一步步自己补上。
2013年,计算机科学家莱昂纳多·德莫拉(Leonardo de Moura)发布了Lean。它属于一种被称为“交互式定理证明器”的工具,和普通计算程序有着根本区别。
普通程序跑成功,一般只说明计算机照着指令把某个操作做完了;而Lean里的证明通过检查,意味着在给定的公理、定义和前提之下,目标命题可以由合法的逻辑步骤推导出来。
为了保证这种严格性,Lean把最终检查收拢在一个相对小的逻辑核心里。找证明、生成代码这些事,外部程序可以帮忙,但推导最后仍要过核心这一关。证明不管出自人还是AI,都得遵守同一套形式化逻辑规则。
Lean在数学界慢慢流行开来。2017年起,全球的研究人员还共同搭建了Lean形式化证明系统及其开源数学库。
不过形式化一直是件费时的事。过去通常是人类先把数学证明做完,再挑一些重要成果去做形式化,图的是提高可靠性。
大模型把这个顺序调了过来。AI写代码越来越在行,于是它开始自己承担大量形式化工作,找证明的时候也直接用Lean判断推导能不能成立。
一份人类要整理好几年的证明,现在十几天就能变成上千万行代码。数学家惦记了很久的事——让越来越多数学知识拿到机器验证——Lean总算有了实现的可能。
可问题在于,数学家原本是想用Lean检查自己已经弄懂的证明;现在反过来了,AI生成的证明越做越大、结构越来越复杂,人反倒要靠着Lean,才能判断自己还没弄懂的东西可不可信。
这种变化之下,Lean的检查结果被赋予了超出技术层面的意义。
的含义。
代码全都过了,论文却对不上
今年9月,剑桥大学数学家安德斯·汉森(Anders Hansen)、法比安·奇尔切利(Fabian Circelli)和伦敦国王学院数学家亚历山大·巴斯图尼斯(Alexander Bastounis)开始着手检查。
Lean能确认形式化代码里的数学推导对不对,但它检查的对象,始终是代码里实际写下的那个命题。当AI同时产出一篇给人读的数学论文和一份给Lean查的证明代码,谁来担保两者讲的是同一件事?
三位数学家借助ChatGPT,把OpenAI的自然语言论文和Lean代码做了比对,再逐处核查可能有出入的地方。
整个研究持续了约三个星期,他们对部分内容做了深入核对。光是详细检查的那两页材料里,就找出了两处明确的数学差异。
其中一处落在论文的第8.6号引理上。
研究人员利用ChatGPT比对OpenAI的数学论文与Lean代码,发现同一项数学估计在两个版本中,分别需要控制原始函数直到m+4阶和m+5阶导数的大小。 | 图源:论文 Navier-Stokes Lost in Translation
这条引理牵涉对一个函数光滑程度的刻画。数学上通常用“有多少阶连续导数”来衡量光滑程度,而这条引理给的是一个定量估计:要控制解的前m阶导数(m可以是任意非负整数),得用到F的多少阶导数。
OpenAI 那篇论文写的是 m+4 阶,可 Lean 代码里证出来的条件是 m+5 阶。
差这一阶,命题就换了。阶数要得越高,前提越紧,结论越弱——m+4 的版本对 F 的光滑性要求低一些,照样能给出控制;m+5 的版本把门槛抬了一级。研究人员还发现,两个版本的差别与它们各自采用的写法有关。
到头来,Lean 证的是一个条件更严、数学上更弱的结论。它把自己的活干完了。问题是,AI 把论文翻成形式化代码时,本来要证的命题已经变了样,而机器检查只认代码里那个命题,管不了它是不是论文的原意。
打个比方:论文说一辆车 100 马力就能爬上陡坡,Lean 验证的却是一辆 150 马力的车爬上去了。两个说法也许都没错,可后者证不了前者。
10月6日,三位数学家公开了预印本论文,题目是《纳维–斯托克斯证明在翻译中迷失》(Navier-Stokes lost in translation)。
他们并没有断定 OpenAI 最终的数学结论一定错。纳维–斯托克斯问题牵扯的推导层层相扣,某个中间引理和形式化版本对不上,单凭这一点推翻不了整项研究。
可这些出入足以说明一件事:代码过了 Lean 的检查,并不等于配套的自然语言论文就自动拿到了完整的正确性保证。
设想一位数学家提出命题、写下证明,然后把命题交给 AI,让 AI 去找一份能通过 Lean 检查的证明。
这种情形下,AI 完全可以撇开原来的推导,另找新的数学路子。只要最后证的是同一个命题,活就算干成了。
但要是数学家想让 AI 把原论文整篇翻成 Lean 代码,任务就变了个样。
AI 得把原文的定义、前提、命题和论证关系原样留住。哪怕原证明有错,也不能自作主张改条件、换结论,去验证另一个命题。
汉森等人在论文里做了一个实验:给 AI 一道关于多项式的数学题,并在自然语言证明里故意把两个根的重数写错。
结果 AI 生成的 Lean 代码通过了检查——它自己把原始证明里的错误改掉了,另给出一份正确的数学推导。
如果任务是找正确证明,这能力值得肯定。可任务换成核查原始论文,AI 这么干反而把问题盖住了。
自动形式化比一般代码生成难得多,原因也在这里。
人写的数学语言里全是约定、缩写和没明说的前提。有时候作者自己都没察觉漏了某个重要条件。机器得先弄明白原文到底说了什么,才谈得上把它翻成严格的数学命题。
所以自动形式化要过两道关:一道是让推导通过 Lean 检查,另一道是保证被检查的数学内容忠实于原论文的含义。
头一道关,AI 正在快速拿下;后一道关,开始成为数学界的新难题。
当程序也能被欺骗
自然语言和形式化代码之间的差异,至少还留着一道防线:只要有人肯查,两个版本还能逐项比对。
但今年 7 月的一件事让数学家意识到,连负责验证逻辑的 Lean 程序本身,也可能出错。
7月25日,研究人员拉马纳·库马尔(Ramana Kumar)在网上公开了一份 AI 辅助生成的 Lean 代码,声称推翻了著名的
这个猜想又叫“3n+1猜想”,规则简单得难以想象。
从任意一个正整数起步:偶数就除以 2,奇数就乘 3 再加 1,得到的新数反复照做。比如从 6 出发,依次得到 3、10、5、16、8、4、2、1。
考拉兹猜想的数字轨迹。图源:La Vanguardia / Innovamat
这个猜想提出几十年,数学家验算了海量数字,能覆盖全部正整数的严格证明至今无人拿出。
库马尔的代码宣称找到了反例,猜想由此被推翻。这份代码还顺利通过了Lean的检查。
按形式化证明的通行标准,这该算一桩震动数学界的大发现。结果三天之后,研究人员基兰·戈皮纳坦(Kiran Gopinathan)察觉到了不对劲。
他把代码里的要害问题再往下化简,最后拼出一份证明,让Lean接受了“假”这个命题。随后他向开发团队报告了漏洞。
放到数学逻辑里看,这事性质很重。
正常的逻辑系统不该同时认下一个命题和它的否定。系统能证出互相矛盾的命题,按经典逻辑中的“
Lean团队很快锁定了问题源头。
Lean官方漏洞报告。图源:GitHub
漏洞出在Lean 4内核处理某类
日常写的Lean代码一般碰不到这个问题。可一旦用到底层
毛病在软件实现上,数学逻辑本身没出错。
Lean创建者德莫拉8月1日发了详细的事故报告。他特意点明,Lean的设计原本就不该指望外部工具或代码生成器永远守规矩。
真正把关的那层逻辑内核,必须挡得住任何不合规则的输入。
开发团队很快修好了漏洞,又拉上OpenAI的研究人员,用更强的AI模型主动去找别的毛病。这一找,又揪出一串能破坏逻辑可靠性的程序缺陷。
有的漏洞牵扯逻辑内核处理类型的方式,有的出在运行环境里。比如AI发现,可以利用对象
8月21日,Lean团队放出4.33.1版本,把这轮排查出来的问题一并修掉。软件的可靠性,正在变成数学可靠性的一部分。
数学知识开始以机器速度增长
10月16日,巴扎德和另外6位数学家、形式化证明专家联名发表《如何形式化全部数学》(How to Formalize All of Mathematics),商量怎么借助AI,把人类攒下的数学知识转成机器能验证的形式。
对Anthropic做出的1300万行Lean证明,巴扎德是认可的,可他仍旧埋头做自己的研究。在他看来,数学知识的价值还在于后人能不能读懂、改动、拿去用。一份没人看得懂的千万行证明,哪怕一字不错,也很难成为后来者接着往下走的起点。
陪伴Lean一路走来的老社区成员,面对这场变化还多了一层失落。
Mathlib
眼下科技巨头靠着庞大算力,几天就能产出数百万行证明。原本让数学更严谨可靠的工具,如今也装进了越来越多AI成果——人类难以理解,甚至没法确认它们有没有准确表达原意。
“如果Lean的未来,是每一次互动都必须通过自动形式化来完成,”巴嫩说,“那么对我个人而言,那将是一个非常乏味的未来。”
这种失落感背后,还藏着一个更深的疑问。
19世纪末,德国逻辑学家戈特洛布·弗雷格(Gottlob Frege)曾尝试用符号语言把数学推理严格表达出来;到了20世纪,计算机
机器能证明的定理越来越多,人类还能不能弄明白:它到底证了什么,又凭什么成立?
参考资料
[1] https://www.science.org/doi/10.1126/science.aen6353
[2] https://xenaproject.wordpress.com/2026/09/04/flt-anthropic-has-beaten-me-to-it/
[3] https://www.anthropic.com/research/formalizing-fermats-last-theorem
[4] https://openai.com/index/navier-stokes-solution/
[5] https://arxiv.org/abs/2610.08144
[6] https://www.kcl.ac.uk/news/openais-navier-stokes-proof-called-into-question
[7] https://arxiv.org/abs/1501.02155
[8] https://lean-lang.org/
[9] https://mathlib.org/
[10] https://leodemoura.github.io/blog/2026-8-1-postmortem-for-kernel-soundness-bug-14576/
[11] https://leodemoura.github.io/blog/2026-8-24-postmortem-for-the-kernel-soundness-bug-hunt/
[12] https://xenaproject.wordpress.com/2026/10/16/how-to-formalize-all-of-mathematics/
[13] https://plato.stanford.edu/entries/frege-logic/