AI INSIGHT

Axiom 用 24 天把有限单群分类写进 Lean

AI新闻 Cocoloop 2026-10-28 10:56
AI 摘要

编辑精选奇数阶定理当年在 Coq 里做机器验证用了约六年,它只是分类证明里的一块;Axiom 这次报出的是 24 天、4310 万行 Lean 代码、205 万个声明,对应约 1.5 万页原始证明。 数学 AI 公司 Axiom 宣布,它的 AxiomProver 智能体集群在 24 天里完成了有限单群分类定理(CFSG)的 Lean 形式化,称这是这条定理第一份完整的计算机检查证明。代码已在

数学 AI 公司 Axiom 宣布,它的 AxiomProver 智能体集群在 24 天里完成了有限单群分类定理(CFSG)的 Lean 形式化,称这是这条定理第一份完整的计算机检查证明。代码已在 GitHub 以 Apache-2.0 许可证开源,仓库声明最终版本里没有 sorry 占位、没有用 native_decide,只依赖命题外延性、经典选择公理和商的可靠性三条标准公理。

有限单群分类常被叫作”对称性的元素周期表”。它说明所有有限单群要么属于 18 个无限族,要么是 26 个散在群之一。原始证明分布在 500 多篇论文里,约 1.5 万页,由大约 100 位数学家从 1955 年前后写到 2004 年,最后一块 quasithin 部分出自 Aschbacher 与 Smith,单篇就有 1221 页。

24 天里发生了什么

按 Axiom 公布的过程,项目 10 月 1 日建了 Slack 协作群,10 月 2 日第一批智能体上线。整份证明被拆成 108 个里程碑、约 380 个小任务,智能体在 GitHub issue 上认领任务、在 Slack 里汇报进度。主导智能体负责拆题和审查命题,其余智能体检索已有结果或编写 Lean 证明,缺前提时再往下派活。

过程并不顺。早期一批代码因为隐含假设出错被整片删掉,团队重新规划;后来构建速度成了瓶颈,工程师用缓存、并行检查,把有限计算外置成可验证的证书,完整构建时间压到 24 小时以内。10 月 10 日,项目先单独宣布证出 Monster 群是单群。

语料方面,Axiom 称一共读入 715 篇论文和书籍,并复用了此前 Qiuzhen-CFSG 项目约 120 万行代码,还有 Mathlib、Tau Ceti 等既有形式化库。

顺带挑出的错

形式化过程中,团队记录了 34 处较明显的数学偏差。最受关注的一处在”不平衡群定理”(UGT)路线上:Walter 1986 年回忆录中的一个闭包断言有反例,从 PSL₂(49) 出发会推到 PSL₂(7),而后者恰好被该族排除在外。Aschbacher–Smith 的一条引理也找到了 SL₂(5) 反例,等式改成不等式后,后面的论证要跟着扩展。

Axiom 为此单独发了一篇 35 页的论文,提出替代论证,并在 Lyons、Solomon 等顾问参与下修补这条路线。公司反复强调,这些反例没有推翻 UGT 本身,更没有动摇分类定理。

“the classification remains the achievement of the mathematicians who discovered the groups” (分类仍是发现这些群的数学家们的成就。)

跟以往的机器验证比

横向看,最常被拿来对照的是 Gonthier 团队 2012 年在 Coq 里完成的奇数阶定理验证。那条定理源自 Feit 与 Thompson 1963 年 255 页的论文,项目前后约六年,是分类证明里的一块基石。Axiom 这次覆盖的是整座大楼,用时按天计。

两者不能直接比速度。奇数阶项目当年几乎从零搭库,Axiom 站在 Mathlib 和先前 120 万行 CFSG 代码之上,智能体数量是”数十个”,背后的算力、硬件和总成本都没有披露,人时数也没公开。24 天是形式化项目本身的周期,不包括它所依赖的几十年人类工作。

几处保留意见也写在明处。项目元数据把审查标注为”自我评估”,目前还没有第三方从干净环境复现完整构建;机器检查只能保证推导从写下的假设出发成立,分类陈述的定义是否忠实于原定理,仍要群论学者逐条核对。那篇 UGT 论文发在不做同行评审的预印本平台上,勘误表 Axiom 说会挂在项目页面。

对做形式化的人来说,下一步看两件事:社区能否独立跑通这 4310 万行,以及 34 处偏差里有多少能被原作者一方确认。

参考来源:Axiom 项目公告与 GitHub 仓库、Unite.AI、CocoLoop、Kingy AI;Lean 代码行数、声明数、里程碑数与偏差数以 Axiom 公布口径为准,奇数阶定理验证周期据微软研究院资料。

来源:Cocoloop | 由新知NewSeekAI 编译整理
阅读原文