简介:本教程面向开发者、算法工程师与数学爱好者,讲解如何用大模型配合形式化验证工具,把一个"未解猜想"拆成可判定的子问题并完成"生成—验证—修复"闭环。读者将掌握形式化建模、反例搜索、提示词设计、自动校验循环的搭建方法,以及结果验证、失败排查与成本优化的通用做法,最终形成一套可复现的数学推理工程流程。
原始素材里有一组值得注意的现象:多家人工智能相关机构的创始人与核心架构师都有扎实的数学训练背景,多位知名企业管理者早年也出身数学专业。这说明一件事——当模型能力快速上升时,真正稀缺的不是”会用工具”,而是能定义问题、判断结论对错、并把它工程化落地的人。数学猜想被辅助求解,本质是一次”机器生成 + 机器判定”的工程实践。因此本教程不讨论概念,只讨论一件可执行的事:如何搭建一套 AI 辅助的数学猜想验证与证明流程,让你在没有专业数学团队的情况下,也能严肃地尝试一个具体问题,并且让每一个结论都可被机器复核。
完成本教程后,你将能够:
关键认知:AI 的价值在于快速产出候选证明,形式化检查器的价值在于给出不可争辩的真伪判定。二者缺一,结论就不可信。
典型场景包括:组合与数论中小规模命题的穷举验证、不等式与恒等式的机械化证明、程序正确性的形式化辅助、教学场景的推导检查。
知识基础
环境准备(均使用业界通用、可自由获取的组件)
账号与权限
数据准备
收集该问题已有的公开结论、已知特例、相关定义与既有反例。这一批材料是后续提示词质量的天花板。
做什么:把猜想写成一个明确的量化命题(对所有/存在、在何种范围内、在什么条件下),然后按规模或按结构切成子问题。
为什么:大模型擅长处理”小而确定”的目标。直接丢给它一个十年未解的猜想,得到的通常是似是而非的漂亮文字;丢给它一个”当 n=7 时该不等式是否成立”,才能得到可验证的答案。
注意:拆解边界必须满足——子命题要么可穷举,要么可用归纳法归约到更小规模,否则仍然无法判定。
做什么:在证明语言中写出类型、定义、辅助引理与目标定理的陈述(先不写证明体),交给检查器校验。
为什么:这一步是整个流程的地基。自然语言描述里的歧义(例如”接近”是绝对值小于还是比值大于)在这里会立刻暴露。
注意:优先复用该语言标准库中已有的定义(自然数、整除、有限集合、求和符号等),不要自己重造基础类型,否则后续证明几乎无法复用。
// 示意:仅表达建模结构,非特定语言语法定义 自然数集合 N定义 谓词 P(n: N) -> 布尔 // 待验证的性质定理 T : 对所有 n ∈ N, 若 n 满足条件 C, 则 P(n) 成立
做什么:在形式化之前,先用脚本做大规模数值实验与随机采样搜索反例,覆盖参数空间的边界与极值点。
为什么:证伪的成本远低于证明。如果一个猜想在 n<10⁷ 的范围内都成立却在某个特殊构造处失效,先跑实验能立刻省下数天算力。这也是 AI 时代最容易被跳过、却性价比最高的一步。
注意:实验只能提供证据,不能构成证明。日志必须完整保存,因为后续若出现反例,日志就是成果本身。
做什么:向模型提交定义、目标、可用引理清单与已失败尝试,要求输出证明步骤。
提示词建议包含四个区块:
为什么:把”报错原文”喂回去,比让模型”再想想”有效得多。这相当于给它提供了梯度信号。
注意:不要在同一轮里同时改定义和改证明。定义一旦变化,之前所有已验证结论全部作废,这会让你无法判断改进是否真的有效。
做什么:把模型输出写入临时文件,调用检查器命令行进行编译,解析返回码与错误信息,形成结构化结果。
为什么:这是整条流程唯一可信的裁判。它把”看起来对”与”确实对”彻底分开,也是防止把错误结论扩散到后续环节的关键闸门。
注意:必须为检查器设置超时。形式化搜索可能长时间不返回,无超时会导致任务队列整体阻塞。
将报错归为四类,分别对应不同处置策略:
| 错误类别 | 典型表现 | 通用处置思路 |
|---|---|---|
| 语法/类型错误 | 括号不匹配、类型推断失败 | 直接回灌报错,重试即可,多为机械问题 |
| 策略失败 | 检查器无法完成某个子目标 | 缩小该步范围,拆成更细引理,或补充提示策略 |
| 概念缺口 | 缺少必要引理 | 回到数学层面补定义与引理,不是模型能力问题 |
| 陈述错误 | 目标本身为假 | 回到步骤 3,重做反例搜索 |
为什么:不做分类、只是无脑重试,是这类项目失败的最常见原因。多数卡点属于”概念缺口”,靠加大重试次数无法解决。
做什么:输出目录至少包含形式化源文件、依赖版本锁定文件、实验脚本、完整运行日志、以及一条从零开始的复现说明。
为什么:可复现性是这类工作与”聊出来的结论”的分界线。评审者需要在自己机器上跑一遍,才能确认结论成立。
输入: 目标语句 goal, 定义集合 defs, 引理集合 lemmas初始化: 失败历史 history = 空, 预算 budget = N循环 while budget > 0:提示词 = 组装(defs, lemmas, goal, history 最近 K 条)候选 = 调用推理接口(提示词, 随机性 = 当前策略)写入 候选 到 临时文件结果 = 运行形式化检查器(临时文件, 超时 = T)if 结果.返回码 == 0:返回 (成功, 候选, 本次日志)else:分类 = 归类(结果.报错)if 分类 == "陈述为假":返回 (需修正目标, None, 本次日志)如果 history 记录(分类, 结果.报错)budget -= 1返回 (未收敛, 输出已探索分支与失败分布统计)
要点:循环里必须带去重。若不去重,模型会在同一个错误上反复打转,成本上升而进展为零。
按以下四个层次确认成功,逐层递进:
只有第 2 层通过,才能宣称”验证了原来的猜想”。实践中大量误报都源于这一层被跳过——模型证明了一个略有差异但更弱的命题。
这类工作真正的门槛不在模型,而在四种可迁移能力:
模型降低了执行成本,但抬高了判断力与验证能力的价值。与其焦虑被替代,不如尽快把”提出好问题 + 严格验证”变成自己的工作流。
本教程给出了一个完整可执行的路径:问题界定 → 形式化建模 → 数值证伪 → 生成草稿 → 检查器校验 → 失败分类修复 → 归档复现。核心结论只有一条:让 AI 负责产出候选,让形式化检查器负责裁决真伪,人负责定义问题、诊断失败与承担判断。按上述步骤推进,你可以从零开始搭建一套严肃的数学推理验证环境,并逐步把这套”生成—验证”闭环迁移到代码审查、规则校验、配置一致性检查等更贴近日常业务的场景中。