大语言模型独立搞定数学定理证明是个伪命题。靠概率拼接预测的自回归模型,遇到长程严格逻辑必然崩溃。真正的技术拐点,是把大模型挂载到交互式定理证明器上,让大模型负责发散猜想,让代码内核负责死守严谨。
这种协同的底层基石是柯里-霍华德同构。在该理论下,数学命题对应于程序类型,证明过程等价于构造符合该类型的程序代码。
在 Lean 4 或 Isabelle 等系统中,整个体系的安全边界被压缩在一个极小的类型检查内核中。无论外部的大语言模型产生多少离奇的逻辑幻觉,只要它输出的代码无法通过编译器的类型检查,就绝无可能混入结论。真理的裁决权交还给了确定性的图灵机,彻底封死了逻辑漏洞。

大模型在其中扮演的真实角色,是策略生成引擎。
证明数学定理不再是写散文,而是变成类似下围棋的状态转移。当前证明目标被定义为一个状态节点,模型结合已知上下文,预测下一步应该调用的证明战术,比如引入辅助引理、触发代数化简或启动归纳假设。一旦某个战术被内核接受,证明目标就会被分解为更小规模的子目标,直至全部证明义务闭合。
单次贪婪采样在复杂定理面前毫无胜算,真正的威力来源于蒙特卡洛树搜索与强化学习的结合。证明器在遇到错误时输出的编译器报错信息,不再是无用噪音,而是成为了最精准的环境反馈信号。系统借助反馈反复回溯并修剪无效分支,在数万条证明路径中快速逼近成功路线。
这种双驱系统在竞赛级数学中展现出惊人爆发力。在国际数学奥林匹克真题测试中,结合几何符号引擎与强化学习证明架构的组合系统斩获银牌级分数,证明了机器可以在数天甚至数十秒内独立攻破代数、数论与几何难题。
但这里存在一个极度反直觉的断层:代数与数论这类高度公理化的领域进展神速,而依赖灵巧构型与离散直觉的组合数学题目,模型几乎彻底失灵。越是缺乏标准模板的逻辑跳跃,神经网络的盲区就越明显。
当前工程落地最大的“死穴”落在自动形式化能力上。人类数学文献充满着约定俗成的潜台词与“显然易见”的省略步,将这些自然语言论文精确转译为形式化代码存在极高门槛。如果漏掉一个隐式连续性或整除性前提,后续所有策略搜索都将沦为无用功。
不仅如此,主流形式化数学库的代码覆盖率依然极其有限,缺乏对应定义的数学前沿领域根本无法立项验证。现代数学积攒了数百年的庞大资产,目前被机器读懂的比例微乎其微。
大模型辅助定理证明,本质上不是用概率取代逻辑,而是用计算暴力为严密证明铺路。它没有消灭数学家的直觉,相反,它正倒逼人类从机械繁琐的局部验证中抽身,转向更纯粹的公理化顶层设计。