Математики обсуждают надежность Lean на фоне «лета багов» и прорывов в автоформализации
Hacker News · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.
В 2026 году технология автоформализации математических доказательств с помощью ИИ стала массовой, что привело к проверке сложных теорем в системе Lean. Одновременно обнаружение критических ошибок в ядре системы сподвигло разработчиков на создание формально верифицированных альтернативных реализаций для обеспечения надежности.
Статья раскрывает фундаментальный сдвиг в математической практике: переход от ручного труда к автоматизации через ИИ и одновременно демонстрирует, как уязвимости в программном обеспечении заставляют научное сообщество пересматривать доверие к цифровым доказательствам.
Математики традиционно ценят безупречную надежность своих выводов, которая служит фундаментом для науки и цивилизации. В последние годы этот принцип столкнулся с новой реальностью: формализация доказательств с помощью компьютерных систем стала не просто теоретической возможностью, а практической необходимостью. Среди множества инструментов, таких как Coq или Isabelle, наибольшую популярность среди исследователей завоевал Lean, открытый исходный код которого был выпущен Microsoft в 2013 году. Ключевым достижением экосистемы Lean стала библиотека mathlib, содержащая почти 300 000 теорем и более 2,5 миллиона строк кода, что позволяет ученым ссылаться на ранее доказанные факты вместо их повторного вывода.
В 2026 году произошло качественное изменение в скорости создания формальных доказательств благодаря автоформализации — процессу, где искусственный интеллект читает научные статьи и генерирует код для проверки. Если еще недавно формализация гипотезы Кеплера требовала около 20 человеко-лет работы, то теперь ИИ способен обрабатывать сложные задачи за дни. Например, в сентябре 2026 года компания Anthropic объявила об автоформализации последней теоремы Ферма, генерировав 13 миллионов строк кода за 11 дней, а OpenAI представила аналогичный проект для уравнений Навье-Стокса. Эти события подтверждают прогнозы исследователей о том, что автоматизация станет повсеместной.
Однако высокая скорость не должна затмевать вопросы безопасности. Lean построен на теории типов, которая изначально создавалась для избежания парадоксов вроде парадокса Рассела. Ядро системы, написанное на C++, отвечает за проверку каждого шага доказательства. Любая ошибка в этом ядре, известная как «баг корректности» (soundness bug), позволяет доказать ложные утверждения, что подрывает саму суть математической логики. В 2026 году этот риск материализовался: летом были обнаружены несколько критических уязвимостей в Lean, одна из которых позволила ошибочно «доказать» гипотезу Коллатца.
Хотя эти инциденты могли вызвать панику, эксперты рассматривают их как позитивный сигнал. Ошибки были найдены не злоумышленниками, а исследователями безопасности с использованием специализированных ИИ-моделей. Это свидетельствует о том, что инструменты проверки становятся достаточно мощными для выявления глубоких дефектов в коде. Для устранения рисков сообщество активно развивает альтернативные ядра Lean, написанные на разных языках программирования, чтобы перекрестно проверять доказательства.
Кульминацией усилий по повышению надежности стал релиз Con-Leche — верифицированного ядра, разработанного Йоахимом Брейтнером. В отличие от стандартной реализации, Con-Leche имеет формальное доказательство своей согласованности, что означает математическую гарантию отсутствия багов корректности в рамках заданных аксиом. Этот проект, использующий семантику теории множеств, уже проверил библиотеку mathlib. Таким образом, математика движется к модели, где автоматизация и строгая верификация работают в связке, обеспечивая беспрецедентный уровень доверия к цифровым доказательствам.