Riemann予想のLean検証から学ぶエンジニアリング
約1,700万行のLeanによるリーマン予想の証明が、複数の独立したチェッカーを通過。証明支援系が現場のエンジニアに教えることを解説する。

最近リリースされたソフトウェア工学の中で最も大胆なものは、フレームワークでもデータベースでもAIエージェントでもありません。それは証明です。Levent Alpögeが、リーマン予想のLean検証を約1,700万行のライブラリとして公開しました。そして一日足らずのうちに、分散したボランティアのチームがそれをコンパイルし、最終定理をMathlibの正準な記述と照合し、輸出された証明を複数の独立したカーネルで再検証しました。そのうち2つは、偽の証明を受理しないことを機械検証された論証で保証しています。
ここで私の逆張り的な主張を述べます。まず擁護し、その後一部を取り下げます。これは今の10年間でプログラミング言語分野で最も重要な出来事であり、数論との関係はほとんどありません。リーマン予想はほぼ本題ではないのです。重要なのは、研究レベルの規模で動く実例が手に入ったことです。ソフトウェアエンジニアがずっと周りをぐるぐる回りながら、腹を括って取り組んでこなかった問いがあります。人間が誰もレビューできないほど巨大な成果物を、それでも厳密に検証し、見知らぬ人々が自分の職業上の評判を賭けてもよいと思えるものにするには、どうすればよいのか、という問いです。
1,700万行のLean検証が実際に意味すること
Leanは、Nicolaas de Bruijnが1960年代後半にAutomathで体系化したアイデアを土台にしています。Automathは、機械で検査可能な形で数学を記述する最初期のシステムの一つです。このアイデアは現在「de Bruijn基準」と呼ばれています。証明支援系は、独立した小さな検査プログラムだけで検証できる証明オブジェクトを生成すべきだ、という考え方です。システムの賢い部分、つまりelaborator、tacticエンジン、人間向けの証明スクリプトを形式的なオブジェクトに変換する自動化は、明確に信頼されていません。これはコンパイラであり、どのコンパイラと同じくバグを含んでいてもかまわないのです。信頼はカーネルにあります。カーネルは、完全に展開された証明項を論理の規則に照らして型検査する小さなプログラムです。
このアーキテクチャこそが、1,700万行という成果物を意味のあるものにしています。あの証明を読んだ人はいません。読めるはずもありません。主要なオペレーティングシステムのコンポーネント数個分に相当する規模で、大部分は機械が生成し、機械の都合に合わせて形作られています。それでも検証のワークフローは、良いビルドシステムがコンパイル済みバイナリを扱うように扱っています。何十人もの人がライブラリを独立にコンパイルし、生の証明エクスポートファイルをバイト単位で同一に再現しました。これは密閉された決定的なビルドが、内容アドレス可能な成果物を生み出したということです。本当に面白いのはここからです。チェッカーが消費するのはソースではなく、この成果物だからです。
読めない証明でも、信頼できる証明にはなり得る。この逆転こそが、話の核心のすべてです。
ソフトウェアの人間は、この逆転をしばらく噛みしめるべきです。私たちの標準的な品質保証は、人間が差分を開いて眉をひそめることです。それはレビュアー1人あたり週に数千行が限界で、そこを超えると眉をひそめること自体が儀式になってしまいます。Leanコミュニティの答えは、信頼をスタックの下へ移すことです。小さなカーネルを信頼し、そのカーネルを独立に再実装した多様なチェッカーの集合を信頼し、その上に何百万行あろうと、それを読むべき散文ではなく検査すべきデータとして扱います。これは数学のトリックではありません。エンジニアリング上の姿勢なのです。
ステートメント問題:正しい定理を証明する
コミュニティが最初に確認したのは証明ではなく、ステートメントでした。外部の人が一貫して過小評価しがちな部分であり、形式化プロジェクトが静かに頓挫する場所でもあります。証明支援系は、完璧に厳密な形で間違ったことを証明することを喜んで許します。論理は、あなたが意図したことなど気にしないからです。典型的な例は、出力が順序づけられていると仕様に書きながら、入力の並べ替えであることを書き忘れた検証済みソートルーチンです。空リストは見事に整列しています。証明は通ります。関数はゴミです。
この作業の証明書は、見過ごしやすい事実の上に立っています。RiemannHypothesisというステートメントは、すでにMathlibにありました。そこでは、解析的整数論とLeanの符号化の慣習の両方を実際に理解している人々によって精査されていたのです。ゼロ点がどこにあり得るか、自明なゼロ点をどう除外するか、関数が何の上で定義されているか、などです。その後コミュニティは、Mathlibのみをインポートしてその正確なステートメントだけを切り出すファイルを追加し、comparatorとcon-leche --compareという2つの独立したツールを使って、Alpögeのライブラリが証明している定理がまさにそのステートメントであることを確認しました。近似ではなく、緩めた仮定がこっそり落とされた定義上のそっくりさんでもありません。以前も書きましたが、仕様と実装のギャップにこそバグが潜んでいるのであり、形式数学はその事実がブログ記事のネタにとどまらず、専用ツールを伴うチェック項目になる場所です。
業界の基準から見ると、この規律がどれほど珍しいか注目してください。自分たちのシステムがやることが、契約書に書かれたことと一致していることだけを証明する専用ツールを作ったチームを、最後に見たのはいつでしょうか。私たちは契約をサンプリングするテストを書き、契約をほのめかす型シグネチャを書きます。Leanコミュニティは、それを特定するコンパレータを作りました。この件から1つだけ持ち帰るなら、これを持ち帰ってください。機械が証明を検査したことを喜ぶ前に、機械が自分の主張を検査しているかを確認することです。

カーネルへの信頼とチェッカー・エコシステム
Leanの公式カーネルは小さいですが、「小さい」だけではセキュリティの論拠になりません。それは再実装への招待状です。今回の検証は、その招待状を大いに活用しました。エクスポートされた証明は、Leanのカーネルだけでなく、con-lecheとcon-ron、さらに異なるプログラミング言語で書かれた複数のサードパーティ製チェッカーによって検査されました。いずれも同じ不活性なエクスポートファイルを読み込んでいます。この不活性という語が重要です。チェッカーは証明のソースにあるコードを一切実行しないため、1,700万行のどこかに仮に悪意あるスニペットが隠れていても、それが動作する実行環境が存在しません。文書を読むことと、添付ファイルを実行することの違いです。
特筆すべき2つの重量級チェッカーがあります。con-lecheとcon-ronにはそれぞれ、集合論に対して偽の証明を受理しないという形式的証明が付いています。これは、よくある無限後退を断ち切るものです。Leanのカーネルにも理論上は健全性のバグがあり得るので、別のカーネルでも確認する。そのカーネルにもバグがあり得る。しかし、チェッカーの正しさの論証自体が、別の基礎に対して機械検証されているなら、攻撃面は「複数の実装、複数の言語、複数の基礎体系をすべて同時に生き延びるバグ」にまで縮小します。不可能ではありません。計画に入れるべきものでもありません。Rustのborrow checkerですら健全性の穴を出荷してしまったことを書いたことがあるので、「カーネルを信頼する」という言葉は軽々しく使いません。答えは、信頼できる単一のコンポーネントを持つことではありませんでした。多様なチェッカーの集団と、共有可能で持ち運べる証明フォーマットを持つことです。航空電子工学が数十年実践してきたN版プログラミングを、ついに真理そのものに適用したようなものです。
import Mathlib
-- The statement, maintained and vetted in Mathlib, that the
-- new library proves. Anybody can inspect what the words mean.
#check RiemannHypothesis
-- A trivial kernel-checked proof. The kernel reduces 2 + 2 to 4
-- and accepts rfl; no tactic code runs at check time.
theorem two_add_two : 2 + 2 = 4 := rfl
-- Ask the kernel what this proof's trust base actually is:
#print axioms two_add_two
-- reports that the proof depends on no axioms at all
-- Had someone snuck in `sorry` (Lean's escape hatch) or a custom
-- axiom, this is where it shows up: as `sorryAx` or worse, in
-- the dependency list of the final theorem.
その最後の仕組みこそ、多くのシステムに欠けている監査証跡です。#print axiomsは、証明が実際にどの仮定に依存しているかを、事後的にカーネルへ問い合わせます。Leanにおけるどんなごまかし(sorry、ユーザー宣言の公理、unsafeの誤用)も、そのリストに痕跡を残します。もしあなたのビルドが「何を仮定したのか?」に同じ精度で答えられたらどうでしょう。このサービスはクロックが単調だと仮定している、こちらはTLS 1.3を仮定している、あちらはキューが少なくとも一度配送することを仮定している。私たちのシステムの多くは、まさにこうした仮定を抱えています。それらを要求に応じて列挙できるものは、ほとんどありません。
Mathlib規模の依存関係管理
コミュニティの記述の一行は、純粋な依存関係管理の詩です。コードベースはMathlibにのみ直接依存する。ベンダリングされたフォークも、標準ライブラリの私的なブランチも、ツリー外に保留されたパッチもありません。1,700万行の研究数学が、単一の共有された、継続的に統合される上流の上に載っているのです。これが成り立つのは、Mathlibがパッケージリポジトリというより、CI付きの標準化団体のように機能しているからです。厳しいレビュー、コントリビューターが毎回宇宙全体を再ビルドしなくて済む共有キャッシュ、そして定義を上流にマージすることが、コミュニティへの好意ではなくデフォルトである文化があります。
そして、ステートメントが先、証明が後という順序こそ、エンジニアリングチームが逆にしがちな部分です。リーマン予想の定義は、証明が届く前に、共有ライブラリでマージされ、レビューされ、堅牢化されていました。1,700万行のペイロードが到着したとき、それが何を主張しているかについて議論の余地はありませんでした。主張はすでにインフラだったのです。多くの大規模コードベースが巨大なコントリビューションを取り込む様子と比べてみてください。インターフェースはそのコントリビューション自体によって定義され、レビューは時間に追われて行われ、契約がずれていることに誰かが気づく頃には、他の3チームがずれたバージョンに依存しています。Mathlibの規律、つまり語彙を公開の場で正準化し、その上に作業を積み上げさせることは、健全なプラットフォームチームが内部APIに対して行うべきことそのものです。違いは、彼らが実際にそれをやっていることです。

逆張りの主張が崩れる場所
さて、ここからは取り下げの話です。この主張は、誠実にストレステストされるに値します。独立したチェッカーは、レトリックが示唆するほど独立ではありません。メタ理論を共有し、いくつかは設計の系譜も同じで、チェッカーの作者同士も互いに話します。プログラミング言語が違うことは、論理の多様性ではないのです。すり抜けの前例もあります。かつて、コラッツ予想の捏造された反証が、これらの独立チェッカーの1つを通過し、誰かが気づくまでに至りました。信頼性の論証を正直に定式化すると、慎重な観察者が示したものになります。この証明が誤りであるためには、1つのバグが、チェッカーの内部無矛盾性の証明と、この特定の証明の両方に影響し、かつすべての実装にわたって起きる必要がある、ということです。ほとんどゼロに近い。しかし「ほとんどゼロ」は確率であり、コミュニティのステートメントは「完全な確信」と言っています。これは確率ではなく、社会学です。
公開された4つの基準が触れていない、人間が支えている壁もあります。どうやらこの証明は、Alpögeが舵を取りつつ、AIによる大きな支援を受けて作られたようです。問題を分解し、行き止まりを見分け、どの補題が怪しいかを嗅ぎ分ける。その人間の専門性は、実際の認識論的な仕事をしています。ところが、書かれた証明書はそれにまったく依拠していないことになっており、それが私は気になります。LLMによる予想生成と機械的な証明検査の分担については以前も書きました。今回はその分担が最大の賭け金で現れたものです。機械が前例のない規模で提案し、機械が前例のない規模で検査し、まれな人間が接合点に座って全体を読める形にしていた。その人間を公式の物語から取り除くと、物語はすっきりしますが、真実からは遠ざかります。
機械検証されたソフトウェアのためのエンジニアリング上の教訓
- 信頼するコンピューティングベースは小さく、退屈なままに保つ。信頼しなければならないコードは1行ごとに負債であり、単にチェックするだけのコードはデータである。
- 不活性で持ち運び可能な形式にエクスポートする。検証は、予期せぬことを実行しうる生きたプロセスではなく、文書に対して行うべきである。
- 論証だけでなく、主張を検証する。コンパレータを作る。成果物が契約と一致することを証明してから、証明を祝う。
- チェッカーを本当に多様化する。異なる言語は助けになる。異なる基礎体系はさらに助けになる。互いの宿題を写し合う2つより、整合性の証明を持つ1つのチェッカーのほうが価値がある。
- ビルドを再現可能にし、成果物を内容アドレス可能にする。「何十人もが同じエクスポートファイルを再現した」は、どのリリースパイプラインも目指すべき一文である。
- 大きなコントリビューションが入る前に、共有語彙を上流で正準化する。まず定義、次に英雄的行為。
- 仮定を機械的に列挙する。あなたのシステムが「何に依存しているのか」に答えられないなら、何を出荷したのか分かっていない。
リストの下にあるのは、1つの考えです。テストは空間をサンプリングし、証明は空間を使い切る。そして、その中間の面白い領域、つまりプロパティベーステスト、モデル検査、記号実行は、業界がゆっくりと、渋々と、前者の陣営から後者へ這い寄っている場所です。CRUDアプリを形式化しろと言っている人はいません。しかし「機械検証されるべきもの」の境界は動き続けています。暗号プリミティブ、コンセンサスプロトコル、スマートコントラクト、フライトソフトウェア、カーネルのeBPFベリファイアなどです。それぞれのコミュニティは、高額なインシデントの直後に、「本当にLeanのやり方でやるべきだ」という瞬間を経験してきました。リーマン検証は、ツール、文化、チェッカーのエコシステムが、本当に巨大なものの重みを支えられることを示す実例です。言い訳の棚は空っぽです。
100年の挑戦
言語の研究者として、この成果を古い賭けの支払いとして見ずにはいられません。ヒルベルトは1900年にリーマン予想を自身の問題リストに載せました。de Bruijnは1967年にAutomathを始めました。Robin Milnerは1970年代に、証明タクティクを書くためのメタ言語としてMLを作りました。OCamlやHaskellを経て、Rustの型システムへと続くMLの家系全体が、機械検証された証明のためのツールに由来しています。1990年代のQEDマニフェストは、なぜ数学全体がまだ形式化されていないのかを問いましたが、ほとんどは肩をすくめられただけでした。その後、四色定理がCoqに入り、Feit–Thompson定理が続き、Liquid Tensor Experimentが、古典だけでなく現代の研究数学もカーネルとの接触に耐えられることを証明しました。それぞれ、誰かに「ただの見世物」と呼ばれました。そしてそれぞれが、コミュニティを鍛え、次の挑戦が立つことになるライブラリを固めたのです。
それで、私の冒頭の主張は正しいのか。部分的には正しいです。数学者たちは定理を手に入れ、朝までには、より良い問いを投げかけていました。つまり、証明は何を教えるのか。それは、1,700万行のチェック済みの行が自動的にはしてくれないことです。エンジニアたちは、もっと稀なものを手に入れました。最大限の精査を経た設計図です。人間には誰も読めないほど巨大な成果物を構築し、それでもコミュニティの名前を賭けられるという青写真です。次に設計レビューで、本物の検証はスケールしない、と誰かに言われたら、どのビルドログを見せればよいか、あなたには正確に分かるはずです。


