写在 AI 证明黎曼猜想以后

本文最后更新于 2026年11月22日

2026年11月20日,Levent Alpöge 以 Lean 库的形式发布了黎曼猜想的证明,代码约 1700 万行;次日,Lean 与 Mathlib 社区联合认证该证明通过核验。

一开始在X上刷到这条消息的时候,非常震惊,但是没过多久就平静下来了,因为最近见到了太多震惊事件。

这个故事里有很多角色,Levent Alpöge,Claude,黎曼猜想,Lean等。这篇文章不会展开讨论Claude是如何从transformer发展到今天的,不会讨论Levent Alpöge的过人之处,黎曼猜想的重要性等等,我们来讲讲故事背后的Lean。

纵观整个自然科学,许多学科都建立在数学之上,并结合实验验证。数学作为自然科学的基石,其正确性长期以来竟然一直由人类而非机器来保证。

仔细一想,这属实有点荒诞。作为计算机行业的从业者,我们一直接受的教育都是人是不可靠的,机器永远是对的。比如知乎上有一个问题是:有没有可能一个数学证明是错的,然而所有人都没注意到呢?,以及https://en.wikipedia.org/wiki/List_of_incomplete_proofs

菲尔兹奖得主 Voevodsky 曾经指出,大多数数学论文中证明的细节并没有经过仔细验证,可能存在漏洞。“A technical argument by a trusted author, which is hard to check and looks similar to arguments known to be correct, is hardly ever checked in detail.” 一个典型的例子是他自己和 Kapranov 在 1991 年的一项工作:1998 年 Carlos Simpson 构造出“反例”,而直到 2013 年他才确信自己是对的。因此,Voevodsky 设想利用计算机来验证数学证明的细节,他最后几年也致力于这方面的工作。

实际上,早在 1950 年代,研究者就开发了 Logic Theorist,尝试让计算机自己寻找逻辑定理的证明。是的,让机器做数学,几乎和人工智能本身一样古老。

但这显然很困难。如果机器暂时想不出证明,能不能先让它成为一个检查者?

1960 年代末的 Automath,以及后来发展的 LCF 等系统,就推动了这条路线。它们并不要求计算机先成为数学天才,而是研究如何准确地表达证明,以及如何可靠地检查推理。

Lean 就是在这些积累之上出现的。

2013 年,Leonardo de Moura 启动 Lean 项目。他后来回顾,最初的目标就是把自动证明与人参与的交互式证明结合起来:人可以给出思路,机器可以完成一部分推理,最后得到能够严格检查的证明。

但只有一个检查器还不够。要让数学家真正用起来,还需要把他们日常使用的定义、定理和证明写进去。否则,每研究一个新问题,都得先从基础知识开始做起。

这是一项漫长的工作。Mathlib 社区把越来越多的数学整理成可以重复使用的形式化代码;Lean 的开发者不断改善语言和工具,让写证明、开发自动化策略变得更方便;数学家们再通过具体项目,检验这些工具能不能处理真正的研究问题。

Scholze、Johan Commelin、陶哲轩等人,又通过具体项目,把它带进了前沿数学研究。

我觉得整个过程中最重要的是 Lean 社区的vision,以及他们为了这种想象做出的各种努力,从而在AI拥有可以证明黎曼猜想的能力之前就为他们搭建好了脚手架。

Kevin Buzzard 是把 Lean 推向数学界的重要人物,他在 2020 年的文章 《Proving theorems with computers》里提出了一个问题:数学中的突破,经常来自不同领域之间的联系。那么,有多少困住一个领域的问题,解题需要的想法其实已经出现在另一个领域,只是还没有人把它们联系起来?现代数学已经大到没有任何一个人能够全部掌握。既然如此,我们能不能把这些数学教给计算机,看看接下来会发生什么?

if one human had an understanding of all of modern pure mathematics simultaneously, how much further would they immediately be able to see? How many insights are there which are needed to unblock one field, but which have already been made in another? This question can of course be dismissed as a thought experiment. Perhaps it is the kind of thing which philosophers might muse over, but it is the year 2020 and pure mathematics is much too big for one human to comprehend.

However, it is the year 2020 and hence we have computer proof systems which are now in theory capable of understanding all of modern pure mathematics. So why is our community not teaching it to them? This is entirely within our grasp, and we have absolutely no idea what will happen when we do.

陶哲轩也很早就看到了 AI 与 Lean 结合的可能。在 2024 年的《Machine assisted proof》中,他提出,Lean 可以检查 AI 生成的推理,而 AI 又可以帮助完成形式化证明中繁琐的工作。两种工具恰好可以互相补上短板。他自己也参与其中,在 2023 年与合作者发起项目,把刚刚完成的 PFR 猜想证明写进 Lean。

今天从 AI 的视角回头看,我们更容易理解这些工作的价值了:Lean 为 LLM 在数学上的快速迭代提供了及时的反馈,尽管这并不是这个项目的初衷。有了形式化的命题、可以调用的数学库和能够检查证明的工具,模型就可以不断尝试,根据反馈修改自己的证明。

附录