用Lean验证黎曼猜想:工程师的启示
一份1700万行的Lean证明通过了多个独立校验器的检验。证明助手能教给工程师哪些经验?

最有野心的软件工程成果,最近并不是某个框架、数据库或AI智能体,而是一份证明。Levent Alpöge发布了黎曼猜想的Lean验证,代码库约1700万行。不到一天,一群分布式志愿者就完成了编译,将最终定理与Mathlib中的标准表述做了比对,并用几个独立的内核重新检查了导出的证明。其中两个内核还附有机器可检验的论证,证明它们不可能接受错误的证明。
我的一个逆向观点是,我会先论证,再收回其中一部分:这是本十年编程语言领域最重要的事件,而它跟数论几乎没有关系。黎曼猜想几乎只是个旁枝。真正重要的是,我们现在有了一个达到真实研究规模的实例,展示了软件工程师一直在绕着走、却从未真正正面应对的问题:如何构建一个大到没有人能审阅的工件,同时又经过严格检验,让陌生人愿意拿自己的职业声誉为它担保?
一千七百万行Lean验证意味着什么
Lean的设计基于Nicolaas de Bruijn在20世纪60年代末提出的思路,他当时开发了Automath,这是最早的一批以机器可检验形式编码数学的系统之一。这一思路如今被称为de Bruijn准则:证明助手应当生成证明对象,让一个小而独立的检查程序能够单独完成验证。系统中那些庞大而精巧的部分,包括展开器、tactic引擎,以及把人类风格的证明脚本转换为形式化对象的自动化机制,明确地不被信任。它们是编译器,而像所有编译器一样,它们允许有bug。真正的信任落在内核上,这是一个小程序,负责依据逻辑规则对完全展开的证明项进行类型检查。
正是这种架构让一千七百万行的工件变得有意义。没有人读过那份证明,也没有人读得完。它的规模堪比一个主流操作系统的核心组件,而且大部分是机器生成、按机器结构组织的。但验证流程对待它的方式,就像优秀的构建系统对待编译产物:几十个人各自独立编译了这个库,并且复现出了完全相同的原始证明导出文件,逐字节一致。这是一个封闭、确定性的构建过程,产出了一个内容可寻址的工件。接下来有意思的部分才开始,因为校验器消费的是这个工件,而不是源码。
一份你读不懂的证明,依然可以是你能信任的证明。这种对普通代码审查的颠覆,正是整个故事的核心。
软件从业者应该停下来好好消化这种颠覆。我们的标准保障机制是:人拉出一个diff,皱着眉头看。这种方式大概每位审查者每周只能扛住几千行,再往后,皱眉就成了走过场。Lean社区的答案是把信任往下沉:信任一个小内核,信任对该内核多种独立再实现的多样性,并把上层的一切,不管有几百万行,都当作需要校验的数据,而不是需要审阅的文字。这不是什么数学技巧,而是一种工程立场。
语句问题:证明正确的定理
社区首先检查的不是证明,而是陈述。局外人总是低估这一点,而形式化项目往往就死在这里。证明助手会非常乐意让你严格证明一件错误的事,因为逻辑并不在乎你本意是什么。经典的玩具例子是一个经过验证的排序例程,其规范说输出是有序的,却忘了说明它是输入的一个排列。空列表自然是完美有序的,证明可以通过,而这个函数其实是垃圾。
因此,这项工作的证明可信度依赖一个很容易被略过的事实:RiemannHypothesis这个陈述早已存在于Mathlib中,并且经过了真正懂解析数论和Lean编码约定的人审阅,包括零点允许落在哪里、平凡零点如何被排除、函数究竟定义在什么域上。随后,社区又添加了一个文件,专门隔离出这一陈述,只导入Mathlib,并使用两个独立工具(comparator和con-leche --compare)确认Alpöge的库所证明的定理恰好就是这一陈述,而不是差之毫厘、悄悄放宽了假设的近似定义。我以前说过规范与实现之间的鸿沟正是bug藏身之处,而在形式化数学里,这个道理不再只是博客里的一句话,而变成了一个有专门工具支撑的检查项。
留意一下,这种做法在业界标准里有多少不寻常。你上一次看到一个团队专门开发工具,其唯一任务是证明系统做的事情就是合约所说的事情,是什么时候?我们写测试去抽样合约,写类型签名去暗示它。Lean社区则构建了能识别它的比较器。如果你从整件事里只带走一种做法,那就带走这个:在庆祝机器验证了你的证明之前,先确认机器验证的是你的主张。

内核信任与校验器生态
Lean官方内核很小,但“小”本身并不构成安全论证,它更像是一个邀请:请来再实现一遍。这次验证对这一邀请用力很深。导出的证明不仅由Lean内核检查,还由con-leche和con-ron检查,外加几个用不同编程语言编写的第三方校验器,它们都消费同一个惰性导出文件。“惰性”这个词很关键:校验器从不执行证明源码中的任何代码,因此一千七百万行中即便藏有恶意片段,也没有运行时环境可供它作恶。这就像阅读一份文档和运行一个附件之间的区别。
两个重量级选手值得特别提一下,因为con-leche和con-ron各自都附带了一个形式化证明(基于集合论),证明它们不可能接受错误的证明。这就切断了通常的无穷回归:是的,Lean内核理论上可能有可靠性bug,所以用另一个内核再查一遍;是的,那个内核也可能有bug;但当校验器的正确性论证本身又在另一套基础之上被机器验证时,攻击面就收缩为:一个bug必须同时在多个实现、多种语言和多个基础系统中都存活下来。这并非不可能,也不是你会去专门防范的事情。我写过即便是Rust的借用检查器也曾出现过可靠性漏洞,所以我不会轻率地说“信任内核”。答案从来不是依赖某一个受信任的组件,而是一群多样化的校验器加上一个共享、可移植的证明格式。这是N版本编程,航空电子领域实践了几十年的思路,如今终于被用到了真理本身上。
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.
最后这一机制,是大多数系统所缺乏的审计追踪。#print axioms会在事后询问内核,证明究竟依赖哪些假设。Lean中的每一种作弊手段,包括sorry、用户声明的公理、误用的unsafe,都会在这份列表中留下痕迹。试想一下,如果你的构建也能以同样的精确度回答“你假设了什么?”:这个服务假设时钟是单调的,那个假设使用TLS 1.3,另一个假设队列至少投递一次。我们的大多数系统确实带着这些假设运行,但几乎没有一个能按需把它们列举出来。
Mathlib规模的依赖管理
社区陈述中有一句,堪称依赖管理的诗:代码库只直接依赖Mathlib。没有魔改的分支,没有标准库的私有分支,也没有游离于上游之外的补丁。一千七百万行研究级数学代码,全部架在一个共享、持续集成的上游之上。这之所以行得通,是因为Mathlib运作起来与其说像一个包仓库,不如说像一个带有CI的标准组织:严格的审查,共享缓存让贡献者无需在每次拉取时重新编译整个宇宙,并且形成了一种文化,即把自己的定义回馈上游是默认做法,而不是替社区做的一种人情。
而“先陈述,后证明”的顺序,正是工程团队常常做反的地方。黎曼猜想的定义在证明到来之前,就已经在共享库中合并、审阅并加固了。当那一千七百万行的成果落地时,对于它声称什么毫无争议,因为这一主张早已是基础设施。对比大多数大型代码库吸收大规模贡献的方式:接口由贡献本身来定义,审查在时间压力下匆匆完成,等有人注意到契约已经漂移时,另外三个团队早已依赖上了漂移后的版本。Mathlib的纪律,即先在公开场合固化词汇,再让工作基于其上展开,正是一个健康的平台团队对待内部API应有的做法。区别在于,他们真的这么做了。

逆向观点的局限
现在说说收回的部分,因为这个观点值得诚实的压力测试。那些独立的校验器并没有宣传中那么独立。它们共享同一套元理论,有几个还有相近的设计渊源,而且校验器的作者之间彼此交流。编程语言的多样性不等于逻辑基础的多样性。出错的先例也确实存在:曾经有一个伪造的考拉兹猜想反证,在被发现之前通过了其中一个独立校验器。对于这一可信度论证,一位细心的观察者给出了更审慎的表述:要让证明出错,必须有一个bug同时影响校验器内部的一致性证明和这份特定证明,并且跨越所有实现。这种可能性微乎其微。但“微乎其微”终究是概率,而社区的声明却说“完全确信”,这其实是一种社会学层面的判断。
还有一面人力的承重墙,是已经发布的四条标准没有提及的。据各方说法,这份证明是在大量AI辅助下完成的,由Alpöge掌舵:分解问题、识别死胡同、知道哪些引理闻起来不对劲。这种人类专业判断做了真实的认知工作,而写成官方说法的证书却完全没有依赖它,这让我很不舒服。我此前讨论过LLM生成猜想与机械化证明检查之间的分工,而这件事正是这一分工在最高风险下的体现:机器以前所未有的规模提出命题,机器以前所未有的规模进行检验,而一位罕见的人类则坐在交汇点上,让整件事变得可以理解。从官方叙事中抹去这个人,故事确实变得更干净了,但也更不真实了。
机器验证软件的工程经验
- 保持可信计算基(TCB)极小且乏味。每一行你必须信任的代码都是负担;你只需校验的代码则只是数据。
- 导出为惰性、可移植的格式。验证应当作用于一份文档,而不是一个可能执行意外操作的活进程。
- 验证主张,而不只是论证。构建比较器。在庆祝证明之前,先证明你的工件与合约一致。
- 认真地让校验器多样化。不同语言有帮助;不同的基础系统帮助更大;一个带有一致性证明的校验器,胜过两个互相抄作业的校验器。
- 让构建可复现,让工件可按内容寻址。“几十个人复现出了同一个导出文件”,这是任何发布流水线都应该追求的一句话。
- 在大型贡献落地之前,先把共享词汇固化到上游。先定义,后英雄主义。
- 机械地枚举你的假设。如果你的系统无法回答“你依赖什么?”,那你其实不知道自己交付了什么。
这份清单背后是一个想法:测试是对空间的抽样,证明则是对空间的穷举,而两者之间有趣的中间地带,包括属性测试、模型检查、符号执行,正是业界正在缓慢而不情愿地从前一阵营向后一阵营爬行的地方。没有人要求你去形式化你的CRUD应用。但“必须经过机器检验”的边界一直在移动:密码学原语、共识协议、智能合约、飞行软件、内核中的eBPF验证器。这些领域的社区都经历过各自的“我们真该用Lean的方式来做”时刻,通常都是在代价高昂的事故之后。黎曼猜想的验证表明,工具、文化和校验器生态确实能够承载真正庞大的东西。找借口的理由已经所剩无几了。
百年的尝试
作为一个关心编程语言的人,我忍不住把这件事看作一个古老赌注的兑现。希尔伯特在1900年把黎曼猜想列入了他的问题清单。de Bruijn于1967年启动了Automath。Robin Milner在20世纪70年代设计ML,其初衷正是作为编写证明tactic的元语言,整个ML语言家族,经由OCaml和Haskell一路延伸到Rust的类型系统,都源自机器化证明的工具。90年代的QED宣言追问,为什么全部数学还没有被形式化,得到的大多是耸耸肩。随后四色定理被放进了Coq,接着是Feit–Thompson定理,再然后是Liquid Tensor Experiment证明了现代研究数学,而不仅仅是经典数学,也能经受内核的检验。每一次都有人称之为噱头。每一次都锻炼了社区,并加固了下一次所依赖的库。
所以,我开头的论断对吗?部分正确。数学家们拿到了一个定理,而到了第二天早上,他们已经在问更好的问题:这份证明究竟教会了我们什么。这件事,一千七百万行经过检验的代码并不会自动做到。工程师们则得到了一件更稀罕的东西:一份蓝图,在最严苛的审视下经过验证,用于构建任何人类都无法通读的工件,并且依然愿意为之押上社区的名誉。下次设计评审会上有人告诉你真正的验证无法扩展,你就知道该把哪份构建日志甩到他面前了。


