DeepMind用AI验证Signal代码：4周完成过去数年的活

从设计到代码：安全验证此前留下的空白

做软件安全的人有个老难题：图纸画得再漂亮，也很少有人去查最终盖起来的房子是不是真按图纸施工。

Signal这类端到端加密协议尤其怕这一点。它护着数十亿用户的私密对话，安全性靠的是一堆复杂的密码学原语。几十年来，安全专家把大量精力花在对Signal协议设计做形式化分析上，也就是用数学方法证明协议逻辑没漏洞。可这仅仅是第一步。

从抽象设计落到具体代码，转换环节往往才是风险藏身之处。编译器优化、内存管理出错、哪怕一点点逻辑偏差，都能让理论上完美的协议在实际跑起来时千疮百孔。历史上，几乎没有哪个大规模部署的生产级加密协议，对其真正运行的二进制代码做过完整的形式化验证。原因不只是活太多，更在于面对数百万行代码，传统人工验证的成本高得没人扛得住。

2026年11月，Google DeepMind研究团队公布了一项叫AlphaProof Code的成果，想把这个僵局撬开。他们用这套新的AI代理框架，对Signal协议的核心代码做了深度形式化验证。查的不是设计文档，而是实际运行的代码。结果显示，AI辅助的团队只花了四周，就干完了过去专家要数年才能完成的量。

AlphaProof Code的运作方式

AlphaProof Code不是全自动的黑盒工具，它是一个由多个大型语言模型（LLM）协作的代理框架。干活流程照着一个高效的人类研究团队来：人类专家定战略、做最后把关，AI代理去跑那些繁琐的证明任务。

整个流程分成几个关键阶段。

头一步是规格说明的转化。研究人员跟多种模型配合，把Signal协议的安全目标转成正式的数学规范。这一步很要命，初始定义一旦出错，后面证明做得再漂亮也白搭。所以每个转化步骤都由人类专家挨个审查。

接着进入核心证明阶段。由Gemini Carbon驱动的AI代理接手，开始生成Lean代码。Lean是一门基于依赖类型理论的函数式编程语言，专门用来写机器可检查的数学证明。这一过程中，AI代理生成了超过六百万行的Lean代码。这些不是应用程序代码，而是从数学上证明Signal实现代码正确性的“元代码”。

最后是审计与修正。AI代理会对自己生成的证明做自我审计，把置信度偏低、需要人类介入的部分标出来。让人意外的是，这部分代码只占整个代码库的1%。其余99%的证明逻辑由Lean编译器自动检查，人类专家只需把精力集中在那1%的关键疑点上。这么一分工，效率抬得很高，顶级安全专家的判断力也用在了刀刃上。

为检验系统是否管用，研究团队还做了个对照实验。他们在隔离版本的Signal代码里重新放回了两个已知且已修复的真实漏洞。AlphaProof Code把这些错误都找了出来，并生成机器可检查的证明，显示带漏洞的版本满足不了安全规范。这说明该系统不光能证明代码“正确”，也能敏鋭地抓到代码“错误”。

这次验证为何不一般

无论深度还是广度，这次验证在业内都是头一回。

过去的形式化验证，通常只盯协议的某个小模块，或者干脆停在伪代码层面。AlphaProof Code验证的是Signal协议的实际实现代码，涵盖处理消息加密、密钥交换以及前向保密性的那些核心逻辑。它还证明了代码能实现关键安全属性，比如设备被暂时攻破时，历史消息和未来消息的安全性依然保得住（即后向保密和前向保密）。

Signal首席技术官Ehren Kret对此评价道：“以前形式化验证的范围不得不限制在较小的代码部分，而Google DeepMind的方法实现了显著的扩展。使用AI代理将实时代码转化为有效的Lean定理是一个重大突破。”

Kret指出，AI驱动的网络威胁一天比一天多，对Signal协议实现做严格验证，让他们对代码的隐私保证更有底气。这份底气不是靠盲目信任，而是靠数学上的确定性。

时间账上，四周的验证周期跟传统方法差得很远。按老路子，拉起一支形式化方法专家队伍，去验证这种规模的代码库，可能要耗数年，花费也高。AlphaProof Code把这道门槛压下去一大截，让关键基础设施代码的深度验证变得可行。

形式化验证往后会走到哪

Signal协议只是个开头。AlphaProof Code趟出的这条技术路径，有望用到更多对安全要求极高的地方。

想想医疗设备固件、电网控制软件或者航空电子系统。这些系统里任何一个小bug都可能捅出大祸。眼下，这些领域的软件测试主要靠模糊测试（Fuzzing）和渗透测试，方法虽有效，本质上是“试错”找漏洞，给不了“无漏洞”的数学保证。

形式化验证不一样。它给的是一种绝对保证：证明一旦通过，代码在数学上就符合规范。当然，前提是规范本身没写错，硬件底层也没出故障。

DeepMind研究人员表示，把AlphaProof Code跟自动防御代理（如CodeMender）结合起来，能搭出更强的软件开发生命周期。CodeMender管检测和修复代码里的安全漏洞，AlphaProof Code负责在修复后提供数学层面的验证。这套“攻击-防御-验证”的闭环，或许是对付未来自动化网络攻击的有效手段。

不过难题还在。首先，写出正确的形式化规范本身就要求极高的专业水平。AI能帮忙转化，但替代不了人对业务逻辑和安全需求的深入理解。其次，Lean这类证明辅助工具学起来曲线很陡，AI虽然卸掉了编码负担，要读懂和审查证明，仍然得有专业背景。

算力同样是一道门槛。六百万行证明代码的生成，背后需要庞大的计算资源支撑。模型效率往上走、硬件成本往下降，这个瓶颈会慢慢松开；可短期之内，小项目想用上这套方法，恐怕仍受限制。

开源与社区层面的连带效应

DeepMind把这次验证涉及的形式化验证工件全部开放了源码。别的研究机构和企业因此能直接复用这些规范与方法，拿去套用到其他协议乃至别的软件系统上也不成问题。

开放源码还有一层作用，就是帮行业把标准立起来。一旦更多关键软件走上形式化验证的路，“没经过数学验证的代码不能进关键基础设施”这种说法，就有可能变成行业里的普遍共识。真到那一步，软件开发流程也得跟着改：过去是先写代码再测试，之后会变成设计与验证同步推进。

对开发者来说，这不是丢饭碗，而是换角色。以后的安全工程师，未必还是那个专门找漏洞的人，更可能是盯着AI代理干活、并负责定规范的人。他们得会用数学语言把安全需求讲清楚，也得能判断AI给出的证明站不站得住脚。

AlphaProof Code的登场，说明软件安全已经翻到了新的一页。它没有把人类专家挤走，反倒是给专家添了件超能力。眼下AI既能写代码，也能攻代码，靠数学证明撑起来的信任，才是最难撼动的那道防线。

这项研究还说明一件事：安全从来不是一劳永逸的状态，而是一个不断推进的过程。威胁模型在变，验证的门槛也跟着抬高。今天验的是Signal协议，明天要覆盖的，可能就是更复杂的分布式系统。不管怎样，从“相信代码”跨到“证明代码”，这一步已经给整个行业指了方向。