![]()
2026年11月20日,Anthropic数学家莱文特·阿尔波格(Levent Alpöge)以Lean库形式发布黎曼猜想证明,代码规模约1700万行;11月21日,Lean与Mathlib社区发布联合声明,称该证明已通过社区核验,并获Lean FRO与Mathlib Initiative背书。截至11月22日,围绕这一成果的核心事实已经清楚:这不是一条简单的“AI宣布攻克世纪难题”消息,而是一次把数学证明转化为可编译、可复现、可被多套独立检查器机械验证的工程化事件。它的行业意义,正在于把“AI能否做数学”的争论,推进到“AI参与的数学成果如何被验证”的新阶段。
一、核验链条:1700万行代码如何被“机械确认”
黎曼猜想自1859年提出以来,一直是数论乃至整个数学体系中最受关注的未解难题之一。此次事件的关键,不在于标题中的“AI”二字,而在于Lean与Mathlib社区给出的验证路径。
Lean是交互式定理证明器,Mathlib是其重要数学库。形式化证明的價值在于,它把传统论文中的自然语言推理,转换为逐行可检查的代码:陈述是否准确、代码能否编译、证明是否对应正确陈述、证明本身是否有效,均可被工具链拆解核验。
根据联合声明,社区核验包含四层:其一,证明所用陈述来自Mathlib的RiemannHypothesis,并经过Lean与数论专家审核;其二,阿尔波格的库可正确编译,数十人报告编译通过并复现出相同的原始证明导出文件;其三,社区通过新增仅导入Mathlib的文件隔离陈述,再用comparator与con-leche --compare两套独立工具比对,确认库中定理与Mathlib陈述一致;其四,原始导出文件经Lean官方内核、con-leche、con-ron以及第三方以不同编程语言实现的检查器检验。
更值得关注的是,con-leche与con-ron附带相对于集合论的形式化证明,可保证其不会接受错误证明,这回应了“Lean逻辑本身是否存在漏洞”的担忧;同时,检查在惰性导出文件上运行,不受源码中潜在恶意代码影响。换句话说,这次核验不只是“跑通了代码”,而是试图在陈述、编译、对应关系和证明有效性四个层面建立闭环。
从通信行业熟悉的语言看,这更像一次高复杂度软件系统的“一致性测试+独立第三方认证+多实现交叉验证”。它把数学证明从依赖同行阅读与信任的文本,推进为可被机器审计的“可信资产”。
二、“AI攻克”需要拆开看:验证的是数学,不是通用推理神话
围绕该成果的公开叙事中,出现了“Anthropic数学家与Claude合作完成证明”“文字证明超25万页”等说法。但需要区分的是,Lean与Mathlib社区的联合声明认证的是:阿尔波格以Lean库形式给出的黎曼猜想陈述与证明是正确的。它并没有直接认证“大模型独立发现了黎曼猜想”,也没有给出AI在证明构思、路径选择、代码生成中的具体贡献比例。
这并非文字游戏,而是技术边界问题。数学成果的成立,至少包含三个环节:提出猜想或证明思路、形成完整证明、对证明进行有效验证。大模型可能在文献梳理、证明草拟、代码生成、反例搜索等环节提供帮助,但形式化核验只对最终形式化陈述与证明的有效性负责。它证明的是“这个Lean库中的证明在给定逻辑体系下成立”,而不是“模型已具备通用数学家的长程推理能力”。
因此,更准确的表述是:这是一次AI深度参与背景下的数学形式化成果,并首次以如此大规模、如此完整的社区核验方式进入公共视野。它说明AI for Science的工具链正在变强,但不能直接推导为“AI已经攻克黎曼猜想”或“大模型推理已无边界”。真正有价值的判断是:AI正在把数学研究推向更高程度的工程化、可验证化,而形式化系统正在成为大模型能力的外部裁判。
三、大模型推理边界:生成能力与自校验能力之间隔着形式化系统
大模型的强项在于模式识别、语言生成、代码草拟和跨领域联想;弱项则在于长程逻辑一致性、自我校验和对错误路径的及时纠偏。数学证明恰恰是长程推理的极端场景:一步隐含假设、一个边界条件、一处定义错位,都可能导致整条证明链失效。
Lean这类形式化系统的作用,是把“看起来合理”变成“机器可检查”。这为大模型参与科学发现提供了关键补充:模型负责生成候选证明、代码片段或策略搜索,形式化检查器负责给出硬约束反馈。由此形成的闭环是“猜想生成—证明草拟—形式化表达—自动检查—反例搜索—迭代修正”。在这一闭环中,AI的推理能力不再只由语言流畅度衡量,而由可验证任务的通过率衡量。
这也解释了为何此次事件对产业界重要。过去一年,AI for Science的讨论多集中在材料、生物、气象等数据驱动领域;数学形式化则提供了另一种范式:不依赖实验数据,而依赖逻辑系统和工具链。它要求模型具备更强的工具调用能力、长上下文管理能力和与形式化环境协同的能力。算力需求也随之变化:不只是训练大模型,还包括推理时的搜索、代码编译、证明检查和多检查器并行验证。对智算中心而言,这意味着CPU与GPU异构协同、任务调度和确定性服务能力变得更重要。
四、AI for Science竞赛进入“可验证生产力”阶段
从全球竞争态势看,AI for Science已从单点模型发布进入体系化竞争。Anthropic、OpenAI、Google DeepMind等机构在数学、代码和科学推理上持续投入;Lean、Mathlib、Isabelle等形式化社区则构成公共基础设施。此前DeepMind等已展示AI辅助数学竞赛与定理证明的潜力,而此次黎曼猜想的Lean核验,把“AI参与数学”的讨论推向更大规模、更高风险的验证场景。
竞赛的关键正在从“模型能不能生成一个漂亮答案”,转向“模型能否在可验证环境中稳定产出正确结果”。这至少涉及五个环节:模型能力、工具链、科研数据、验证标准和算力供给。谁能把大模型与形式化验证、科学软件、实验平台打通,谁就更有机会在AI for Science中形成高价值闭环。
对中国通信行业和科技产业而言,这一趋势的传导路径清晰。国内基础电信企业、云服务商和AI企业已在智算中心、算力网络、行业大模型和模型服务平台上加快布局,华为、阿里、百度、腾讯等企业在算力底座、模型平台和行业应用上具备较强积累。但在形式化数学、定理证明工具链、科学软件生态等“高门槛中间层”,仍需产学研长期协同。AI for Science不是简单采购GPU就能完成,它需要“算力+模型+数据+工具+验证”的一体化能力。
五、对通信行业的传导:从智算供给到可信验证服务
此次事件对通信行业的直接启示,不是去追逐“黎曼猜想”本身,而是看到高价值科研任务对算力网络提出的新要求。
第一,算力结构从“训练优先”转向“训练+推理+验证”并重。大模型参与证明搜索和代码生成,需要大规模推理算力;形式化代码编译、多检查器并行验证,则考验异构算力调度和任务编排能力。智算中心不能只提供GPU裸算力,还要提供模型服务、工具链环境和验证服务。
第二,网络能力需要匹配“长任务、强交互、高可靠”的科研场景。形式化证明库规模大、编译链条长,社区协作验证涉及多地、多人、多工具复现。这对算力网络的确定性、低时延调度、数据同步和跨中心协同提出更高要求。算网融合的价值,将从通用云服务向科研工作流延伸。
第三,可信验证可能成为云服务的新品类。数学形式化验证的方法论,可外溢到芯片设计、通信协议、自动驾驶、工业软件等领域。对于基础电信企业和云服务商而言,若能把算力、模型、形式化工具和行业知识封装为“可验证的科研与工程服务”,就有机会从资源供给转向高附加值服务。
六、冷静的里程碑:三点判断
其一,Lean核验通过是数学工程化的重要里程碑,但数学界仍需时间消化证明中的新思路。联合声明也明确期待数学界后续工作解释该证明中的新思路。形式化核验解决“证明是否有效”,不等于完成全部学术评价。
其二,“AI攻克黎曼猜想”的叙事需要收敛。更准确的判断是:AI参与数学研究的工具链正在成熟,形式化验证为AI生成内容提供了硬约束,但大模型通用推理能力仍不能由此直接外推。
其三,AI for Science的竞争将沿着“可验证生产力”展开。对通信行业而言,机会不在概念热度,而在智算基础设施、算网协同、模型服务和可信验证工具链。黎曼猜想的Lean核验事件,真正提出的产业命题是:当AI开始进入高门槛科研流程,算力网络和验证基础设施能否接得住。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.