PSI 称 AI 系统证明 Aaronson-Ambainis 猜想,Lean 形式化通过双内核校验
发布时间:2026年11月08日 13:20:0011 月 8 日,Physical Superintelligence(PSI)称其内部研究系统在运行中证明了 2008 年提出的 Aaronson-Ambainis 猜想,第三天即得到完整证明并通过 Lean 4 证明助手校验。公开仓库显示主要定理无占位符、无额外公理,并由两个独立 Lean 内核复核。
事件:一个悬置 18 年的猜想被 AI 证明
11 月 8 日,**Physical Superintelligence(PSI)**公布了一项结果:其内部研究系统证明了 Aaronson-Ambainis 猜想,该猜想自 2008 年提出以来一直未解决。
几个关键事实:
| 项目 | 内容 |
|---|---|
| 猜想提出时间 | 2008 年 |
| 证明耗时 | 系统运行第三天得到完整证明 |
| 校验方式 | Lean 4 证明助手接受 |
| 运行模型 | 非公开的 Anthropic 模型实例 |
| 复核 | 两个独立 Lean 内核,无占位符、无额外公理 |
| 产出 | 论文、证明与形式化代码均由 AI 模型生成 |
PSI 研究负责人 David Turturean 表示,他对论文的正确性负责。
这个猜想说了什么
用一句人话概括:在随机输入上,量子计算机最多只能比普通计算机快多项式倍。
更准确地说,对于「关于随机输入的 Yes/No 问题」,量子算法相对经典算法的优势存在多项式上界。这意味着像 Shor 算法那样的指数级加速,必须依赖有结构的输入,而不是通用场景。
这个结论对量子计算的意义是校准预期:量子优势不是「什么都快」,而是「特定结构的问题快」。它同时为量子算法的设计划定了边界——想找到新的指数级加速,必须找到新的结构。
为什么 Lean 校验比「AI 说证出来了」重要
数学证明最难的部分不是找到思路,而是确认没有漏洞。AI 生成的证明尤其如此:它可能看起来合理,但在某个引理上偷偷使用了未证明的假设。
Lean 4 是一个交互式定理证明器,它把每一步推理变成可机器检查的代码。PSI 公开的仓库给出了三个关键声明:
- 主要定理无 placeholder:没有「此处省略证明」;
- 无额外公理:没有偷偷引入假设;
- 两个独立内核复核:避免单一实现的 bug。
这三点把「相信 AI」变成了「验证代码」。验证成本从「读懂整篇论文」降到「确认形式化陈述是否对应原问题」。
仍然需要人判断的地方
形式化校验解决的是「证明是否合法」,但没解决「证明的是不是你想证的东西」。
风险点在于陈述翻译:如果 Lean 里的定理表述与原猜想有细微差别,即使证明无误,也不等于解决了原问题。这需要领域专家逐条比对。
PSI 的做法是把论文、证明与形式化代码全部公开,让社区复核。这是目前最稳妥的方式——可复现、可检查、可质疑。
对 AI for Science 的意义
这次结果标志着 AI 在数学领域的角色变化:
| 阶段 | AI 的作用 |
|---|---|
| 2023—2024 | 辅助搜索、提出猜想、找反例 |
| 2025 | 补全证明步骤、验证引理 |
| 2026 | 独立完成完整证明,并输出机器可校验的形式化 |
第三阶段的关键不是「AI 更聪明」,而是验证闭环形成了:模型生成证明,检查器验证证明,人类确认问题陈述。
这个闭环一旦成熟,会扩散到其他领域:芯片设计的形式化验证、软件协议的正确性证明、控制系统的安全性论证。凡是能写成形式化规范的问题,都可以套用「人类写规格、模型找解、检查器验收」的流程。
需要观察的三点
- 独立复现:其他团队能否用相同形式化代码复现校验结果;
- 泛化能力:这是一次单点成功,还是系统具备持续产出证明的能力;
- 成本:运行三天消耗多少算力,决定这种方法能否规模化。
判断:信任的成本从「读论文」转向「写规格」
这次事件最重要的启示,是信任 AI 的方式变了。
过去,我们通过专家评审来信任一篇证明;现在,可以通过机器校验来信任一份形式化代码。前者的瓶颈是人力,后者的瓶颈是把问题准确翻译成形式语言。
对从业者,这意味着一种新分工:人类负责「问对问题」,AI 负责「求解」,检查器负责「验收」。数学是第一站,工程会是下一站。