DeepMind这轮验证盯的是 Signal 协议实际运行的代码，不只停留在设计层面。按 DeepMind 公告的说法，后量子握手、三重棘轮协议、前向保密这些安全属性都被纳入了范围，最终落到 ARM 机器码层面。
事实还原
AlphaProof Code 框架由多个 LLM 代理组成。研究人员的做法是先与模型协作，把安全目标转写成形式化的数学规范，再由 Gemini Carbon 驱动的代理产出证明。大部分证明由 Lean 语言自动检查，只有 1% 代码交人工复核。整个流程四周跑完，传统专家团队则往往要以年计。研究方还在隔离版本中重现了两个已修复的旧bug，系统对它们都生成了机器可检查的证明，说明它能区分正确代码和有缺陷代码。
机制拆解
这套代理式框架把形式化验证拆成人类专家与 AI 代理协作的模式：专家管规范制定和最终复核，代理自己完成从规范到 Lean 定理的翻译和证明生成。验证直接针对编译后的代码，证明的是设备上实际运行时仍满足前向保密等属性。Lean 的自动检查机制保证代理输出的正确性，只在需要人类判断的地方介入。验证深度由此首次延伸到机器码级，设计与实现之间的差距被补上。
产业影响
密码学协议支撑着在线银行、网页浏览等数字通信，一个缺陷就可能波及大量用户。过去的验证大多停在设计层面，实际代码实现的验证因复杂度高而少见。AlphaProof Code 这次给 Signal 这类广泛部署的协议提供了机器级保证，形式化验证产物也开放给社区使用。医疗设备固件、电网软件等关键系统的验证可以借鉴这条路，在应对 AI 驱动的网络威胁时多一分信心。
战略判断（分析）
已有事实显示，AlphaProof Code 把验证周期压到四周，AI 代理处理大规模 Lean 证明的效率优势由此显现。类似框架若扩展到其他协议，过去动辄多年的人工验证模式可能被重塑，不过 1% 的人工复核环节仍有持续存在的必要。Signal 的成功案例给行业提供了一个参照：形式化验证能从设计层深入实现层，安全保证的交付方式或许会因此改变。长远看，这类技术与自动化防御结合，关键基础设施的数学级防护能力可能得到提升，但适用范围仍受证明规范制定难度的限制。
