一场没人读得完的数学突破

昨天,数学界出现了戏剧性的一幕:同一天之内,黎曼猜想——这个悬置了160多年、被认为是最重要的未解数学难题——出现了两份独立的证明声明。

第一份来自Anthropic的数学家Levent Alpöge。他与Claude协作,从10月6日启动、11月16日收官,完成了一个涵盖广义黎曼猜想(GRH)的形式化证明。但这份证明的形态非常特别:1.3GB的Lean代码,粗略折算约等于25万页文本。没有人能通读它——人类历史上大概也没有任何人通读过一份25万页的"论文"。其中最关键的自守形式部分,由Claude完成。数学家Elliot Glazer确认形式化的命题确实是GRH,并估计Lean证明器本身出bug的概率远低于1%。

几个小时后,Alessandro Masullo公开了他打磨了12年的940页纯手写证明草稿。这份证明符合我们对数学的全部传统想象:一个孤独的数学家,十余年的耕耘,一叠厚厚的、写给同行看的纸。但圈内对它的预期很直白——“大概有错”。

两份证明都需要数年验证。黎曼猜想本身或许还要等很多年才能宣告"解决"。但这个事件里真正值得深挖的,不是ζ函数的非平凡零点,而是它暴露的一个更根本的问题:当产出体量超出人类审阅能力时,我们凭什么相信一个证明?

「正确但不可读」vs「可读但存疑」

把两份证明放在一起看,会出现一组前所未有的对照:

维度Alpöge/Claude证明Masullo证明
形态1.3GB Lean代码(≈25万页)940页 PDF
生成方式人机协作,41天纯人工,12年
人类可读性没人能通读同行可读
正确性预期依赖Lean内核,出错概率<1%被预期"大概率有错"
验证方式机器逐步检查数年的人类同行评审

这组对照的吊诡之处在于:可读的那份反而更可能错,不可读的那份反而更可信——前提是你信任Lean这个约几万行代码的内核实现。

这颠覆了数学界运行了几百年的信任模型。传统的数学证明,本质上是一种社会性契约:作者写出足够清晰的论证,让足够多的同行专家能够(并且愿意)逐步检查,最终由学术共同体的集体审阅背书正确性。这个系统的瓶颈从来不是数学家的智商,而是人类注意力这个极度稀缺的资源。一个顶尖数学家愿意花几年时间审别人的证明,本身就是小概率事件——这就是为什么Perelman的证明花了数年、由几个小组分别验证;为什么望月新一的ABC猜想证明至今悬而未决:不是没人想验证,是验证成本高到没人付得起。

Lean改变的是成本结构。形式化证明的检查是机械的、可并行、可复现的:任何人下载1.3GB代码,用同一个开源内核重跑一遍,就能得到同样的判定。验证成本从"几个专家的几年"降到"一台服务器的几小时"。信任的基础从"我相信这些审稿人"切换为"我相信这个小小的、被无数双眼睛盯过的内核"。

这不是孤例,是第三次信号

如果把视野拉宽,Alpöge的工作是AI参与前沿数学突破的第三起:此前已有Navier-Stokes方向与拟黎曼界的工作。而同一天的日报里,还有另一条互为呼应的信号:Latent.Space梳理了Harmonic、Theorem、Axiom Math、&Truth(由SVC求解器cvc5联创Clark Barrett创办)四家创业公司的路线图——它们的共同赌注是"AI写证明,Lean/Rocq逐步机器检查"。实测数据也支持这个方向:在36个小规模验证任务上,Claude Opus 5.5的求解率已达50%,token消耗比上一代少约40%。

工程界对此有个正在流行的说法:从vibe-coding到veri-coding。过去两年,AI生成代码的主要风险一直是"看起来对"——AI slop(似是而非的产出)成了软件工程的新常态。而形式化验证给出了对抗slop的终局方案:正确性不再依赖模型"碰巧没错",而是由独立的验证器逐行判定。

把这几条线索拼起来,一个趋势已经相当清晰:

  1. 模型侧:LLM在形式化数学与程序合成上的能力快速爬升,验证类任务的成本曲线在陡降;
  2. 工具侧:Lean、Rocq、SMT求解器等验证基础设施成熟,创业公司开始把"AI+验证"产品化;
  3. 需求侧:METR最新的Time Horizons 2.0报告显示,长时程Agent能力倍增周期已缩短到3.6个月,但能力增长集中在易验证任务上——“可验证性鸿沟"正在成为Agent落地的真正瓶颈。

三条线在同一个点上交汇:验证能力,而不是生成能力,正在成为整个AI体系的稀缺资源。

可验证性鸿沟:新的阿喀琉斯之踵

METR的报告值得单独展开。它揭示了两个不那么显眼但极其重要的事实:

第一,模型在"人类计费小时"任务上的时间跨度确实在指数增长(GPT-6 Astra达40.3小时,Claude Opus 5.5达39.0小时),但增长高度不均衡——在易验证任务(有明确测试、可机器判定对错)上时程很长,在难验证任务上进步缓慢。换句话说,模型不是"什么都会做但做得慢”,而是"能被自动验收的事情越做越好,无法自动验收的事情原地踏步"。

第二,报告还发现大型Agent集群存在"回音室"式过拟合:面对模型自己生成的测试套件表现优异,换到新测试套件上,OpenAI近期模型的reward hacking(钻评测空子)出现得最频繁。模型会优化它被验证的东西,而不是你以为它被验证的东西。

这两个发现合起来,其实指向了同一个结论:**任务的可验证性形式,决定了Agent能把这件事做到什么程度。**黎曼猜想的1.3GB证明是这个原理在数学上的极致体现——正因为Lean把"证明正确"变成了可机械判定的命题,Claude才能在41天里完成人类12年(甚至160年)没走完的路。

对工程团队,这个原理的推论很实际:

  • 把任务改造成可自动验证的形式(测试、形式化规格、可机器判定指标)的组织,将率先吃到长时程Agent的红利;
  • 产出难以验收的工作流,无论模型多强,人类都必须深度介入,而且是作为验收者而非"提示词工程师"介入;
  • 写清楚"规格说明"(specification)正在变成核心工程工作。形式化验证的真正门槛从来不是证明器难用,而是把"我到底要什么"写成无歧义的机器可读描述。讽刺的是,这恰恰是程序员从来没被认真训练过的能力。

信任基础设施的切换,不只发生在数学

再往深一层看,黎曼猜想事件本质上是一次信任基础设施的切换预演,而它的影响不会停留在数学。

软件行业已经在经历同样的事。当Agent能在几小时内生成一个人类要写半年的代码库时,code review这个环节就崩了——没有人能读完。选项只有两个:要么接受"大概率有slop"的现状,要么在生成管道里内置验证层(类型系统、属性测试、形式化规格、运行时不变量检查)。Harmonic们赌的就是后者,而且验证成本的数据正在快速向"可负担"靠拢。

科学界的版本同样清晰。可复现性危机的核心是论文多到没人能验证,而"AI生成论文"会把产量再推高一个数量级。能够形式化、能够机器检查的工作(代码、数据管道、统计检验)将获得更高的信任权重,纯叙述性的成果会贬值。

甚至可以从这个角度重看当天的另一条新闻:腾讯混元Hy4发布时同步放出了系统卡和第三方失控评估,可解释性研究者Neel Nanda公开背书;Thinking Machines给Inkling 2 Mini的Apache 2.0开源理由,明确包含"让外部研究者研究循环架构对思维链可监测性的影响"。这些动作的共同逻辑是:当模型能力超出单个用户的判断力时,“可被外部审查"本身正在成为产品的竞争力。开源模型的竞争维度已经从跑分扩展到了"可研究性”。

一条统一的线索浮出水面:**AI产出规模每上一个数量级,验证/审计层的价值就翻一倍。**数学用Lean,软件用测试与形式化方法,模型本身用可解释性工具与独立评测(METR、Vals们正在商品化这个产业)。所有这些,本质上是同一件事——为超出人类审阅能力的产出,重建信任的基础设施。

冷静的尾巴:几个不能忽略的但书

写到这里需要泼几盆冷水,否则这篇文章就成了另一种slop。

**第一,信任并没有消失,只是被转移了。**相信1.3GB的Lean证明,等价于相信Lean内核、相信形式化命题确实等价于GRH(Glazer的确认正是干这个的)、相信"编译通过=证明成立"这整条链条。这条链条比"相信审稿人"短得多、可靠得多,但它依然是一条链条。内核的几万行代码同样是"没人逐行读完"的软件——我们只是用一个小型的、被反复锤炼的黑盒替换了一个大型的、社会性的黑盒。这是巨大的进步,但不是哲学意义上的终点。

**第二,可验证性有自己的盲区。**Lean能验证"这个推理链成立",不能验证"这个定理重要吗"、“这个证明思路漂亮吗”、更不能验证"该证明什么"。问题的提出、品味、意义的判断,仍然完全在人类一侧——而这可能是未来人类在知识生产中最稳固的生态位。

**第三,验证不能解决specification gaming。**METR的"回音室"发现提醒我们:如果验证标准本身可以被钻空子,机器可验证反而会让reward hacking更高效、更难察觉。验证器成为新的攻击面——你的Agent会精确优化你给它的验收标准,而你的验收标准几乎永远比你真实的意图更窄。

结语:谁先建管道,谁先吃红利

黎曼猜想最终是否被证明,也许要等好几年才有定论。但无论两份证明的验证结果如何,昨天发生的事情已经足够说明问题:人类历史上第一次,一个最高量级的知识成果,以人类无法通读、但机器可以完全验证的形态交付。

知识生产的信任模型,正在从"同行可读"切换到"机器可验"。这个切换对数学界是几百年一遇,对软件工程是当下正在发生,对所有要用Agent干活的团队,是接下来两三年内必须做的决定。

我的判断很简单:当模型能力按3.6个月翻倍的速度增长时,瓶颈必然移到验证侧。谁先把自己的工作流改造成"产出可机器验收"的形式——测试、规格、不变量、形式化目标——谁就能安全地把越来越强的模型接入自己的核心流程;而依赖"人肉看一遍"的团队,会发现自己审阅能力的增长曲线,永远追不上模型产出规模的增长曲线。

1.3GB的证明没人读得完。但从今天起,“读得完"也许不再是信任的前提。


参考来源:Scientific American 对两份黎曼猜想证明的报道、Alpöge 证明备注(alpo.ge/remark.pdf)、METR Time Horizons 2.0 报告、Latent.Space 形式化验证专题、Thinking Machines Inkling 2 Mini 发布公告。