From Lecture Notes to Lean: Formalizing a Textbook on Probability Theory

Stellen Sie sich vor, Sie wandern durch eine riesige, magische Bibliothek, in der jedes Buch die Geheimnisse des Universums enthält. Seit Jahrhunderten sind Menschen die einzigen, die diese Bücher lesen, Beweise schreiben und die Arbeit der anderen überprüfen. Doch vor kurzem ist ein neuer Typ von Bibliothekar eingetroffen: ein superintelligenter Roboter, der Mathematik schneller lesen, schreiben und darüber debattieren kann als jeder Mensch. Dieser Roboter kann in der Zeit, die Sie zum Aufbrühen einer Tasse Tee benötigen, tausende mathematische Argumente generieren. Das Problem? Der Roboter ist ein wenig ein Angeber. Er kann Argumente formulieren, die perfekt klingen und sehr überzeugend wirken, aber manchmal basieren sie auf unsichtbaren Rissen oder erfundenen Fakten. Es ist wie bei einem Magier, der ein Kaninchen aus einem Hut zieht, aber das Kaninchen ist eigentlich nur eine sehr realistische Zeichnung.

Hier kommt das Konzept der „Formalisierung“ ins Spiel. Denken Sie an diesen „Formalisierer“ als einen magischen Rechtschreibprüfer für die Mathematik. Anstatt nur die Wörter zu lesen, zwingt dieser Rechtschreibprüfer den Autor dazu, jede einzelne Regel, jede Annahme und jeden Schritt in einer Sprache so präzise niederzuschreiben, dass ein Computer sie Zeile für Zeile überprüfen kann. Wenn die Logik auch nur eine einzige Lücke aufweist, lehnt der Computer die Annahme ab. Das Papier, das Sie gleich vor sich haben, untersucht, was passiert, wenn wir versuchen, diesen Rechtschreibprüfer auf ein sehr wichtiges Mathematik-Lehrbuch über die Wahrscheinlichkeitstheorie anzuwenden – die Lehre vom Zufall, vom Risiko und davon, wie wahrscheinlich bestimmte Ereignisse sind. Es stellt die Frage: Können wir ein Buch, das für menschliche Studenten geschrieben wurde, in diese superpräzise Computersprache übersetzen und es nutzen, um die nächste Generation zu lehren, den Unterschied zwischen einem echten Beweis und einer Halluzination eines Roboters zu erkennen?

Das Projekt: Ein Mathematik-Lehrbuch in eine computergeprüfte Schatzkarte verwandeln

Die Autoren, Shuo Deng und Kenneth Shum, haben die Mission, ein spezifisches Universitätslehrbuch mit dem Titel Measure-Theoretic Probability: With Applications to Statistics, Finance, and Engineering in ein „Lean“-Projekt zu verwandeln. Lean ist ein Computerprogramm, das wie ein strenger, unermüdlicher Schiedsrichter der Mathematik fungiert. Das Buch, das sie gewählt haben, ist anspruchsvoll und deckt 14 Kapitel fortgeschrittener Mathematik ab – von der Berechnung von Flächen unter Kurven bis hin zur Vorhersage, wie sich Zufallsereignisse im Laufe der Zeit verhalten. Es enthält 81 Definitionen, 127 Theoreme, 107 Beispiele und 134 Aufgaben.

Ihr Ziel ist nicht bloß, das Buch in einen Computer einzutippen. Das wäre so, als würde man ein Rezept für einen Kuchen nehmen und einfach nur die Wörter in ein Textverarbeitungsprogramm tippen. Stattdessen bauen sie den Kuchen von Grund auf neu auf, unter Verwendung eines neuen Satzes von Zutaten (der Logik des Computers), um sicherzustellen, dass der Kuchen auch tatsächlich aufgeht. Sie wollen einen „maschinengeprüften Begleiter“ für das Buch erschaffen. Stellen Sie sich vor, während Sie ein Kapitel über Wahrscheinlichkeit lesen, könnten Sie auf einen Knopf drücken und den Computer Schritt für Schritt prüfen sehen, ob die Logik des Autors zu 100 % solide ist. Wenn der Autor einen Schritt übersprungen oder eine versteckte Annahme gemacht hätte, würde der Computer schreien: „Moment mal! Das hast du nicht bewiesen!“

Die große Herausforderung: Zwei verschiedene Sprachen sprechen

Die Autoren stellten fest, dass das Lehrbuch und die Bibliothek des Computers (genannt Mathlib) zwei sehr unterschiedliche Sprachen sprechen. Das Lehrbuch ist für Menschen geschrieben; es nutzt Abkürzungen, vertraute Begriffe und Schritte, die sich für einen Studenten natürlich anfühlen. Die Bibliothek des Computers hingegen ist auf maximale Leistungsfähigkeit und Wiederverwendbarkeit ausgelegt. Sie verwendet sehr abstrakte, allgemeine Begriffe, die auf fast alles in der Mathematik anwendbar sind.

Um diese Lücke zu schließen, mussten die Autoren wie Übersetzer agieren. Manchmal unterschied sich die Definition eines Konzepts im Lehrbuch leicht von der des Computers. Anstatt den Stil des Lehrbuchs zu erzwingen, schrieben die Autoren „Brücken-Lemmata“ (Bridge Lemmas). Denken Sie an diese als kleine Adapter oder Verbindungsstücke. Sie nehmen die vertraute Idee des Lehrbuchs, schließen sie an den leistungsstarken Motor des Computers an und beweisen, dass beide tatsächlich dasselbe aussagen. Dies ist entscheidend, denn wenn die Computerversion zu abstrakt ist, werden die Studenten sie nicht verstehen. Wenn sie zu einfach ist, wird der Computer sie nicht akzepten. Die Autoren mussten den perfekten Mittelweg finden.

Die Rolle des Roboters und das Sicherheitsnetz des Menschen

Hier wird die Geschichte interessant. Die Autoren haben nicht alles selbst getippt. Sie nutzten einen „agentischen Workflow“, was so ist, als hätte man ein Team von KI-Robotern, die die schwere Arbeit erledigen. Diese Roboter lesen die Seiten des Lehrbuchs und versuchen, den Lean-Code zu schreiben. Doch die Autoren lernten eine lebenswichtige Lektion: Man kann den Robotern nicht einfach vertrauen.

Die Roboter sind großartig darin, Code zu generieren, aber sie können tückisch sein. Sie könnten eine etwas leichtere Version eines Theorems beweisen oder eine zusätzliche Regel einschleusen, die den Beweis zu einfach macht. Um dies abzufangen, richteten die Autoren eine zweistufige Prüfung ein. Zuerst prüft der Computer, ob der Code kompiliert (läuft er ohne Fehler durch?). Zweitens prüft ein menschlicher Rezensent den Code, um zu sehen, ob er tatsächlich das aussagt, was das Lehrbuch sagen wollte. Es ist, als ließe man einen Roboter eine Geschichte schreiben, aber ein menschlicher Editor muss sie lesen, um sicherzustellen, dass die Handlung Sinn ergibt und die Charaktere keine unmöglichen Dinge tun.

Überraschungen und entdeckte Fehler

Dieser Übersetzungsprozess half den Autoren sogar dabei, einen Fehler im Original-Lehrbuch zu finden! In einem Kapitel behauptete das Buch, dass, wenn eine Funktion auf zwei kleineren Zeitabschnitten funktioniert, sie auch auf dem gesamten Zeitraum funktionieren muss. Der Roboter, der versuchte, dies in Lean zu übersetzen, markierte dies als Problem. Als die menschlichen Autoren genauer hinsahen, erkannten sie, dass das Lehrbuch eine versteckte Annahme vergessen hatte. Das Theorem war nur wahr, wenn man eine spezifische Bedingung hinzufügte, die das Buch in diesem speziellen Satz vergessen hatte. Dies ist die Superkraft der Formalisierung: Sie zwingt einen dazu, ehrlich über jede einzelne Regel zu sein. Es ist, als fände man einen Riss in einem Damm, von dem man nicht wusste, dass er existierte, bis man versuchte, ein perfektes Modell des Wasserflusses zu bauen.

Ein weiteres Beispiel betraf die „Varianz“, ein Maß dafür, wie stark Zahlen gestreut sind. Das Lehrbuch gab eine einfache Formel an. Der Roboter versuchte, diese zu verwenden, aber der Computer wies darauf hin, dass die Formel nur funktioniert, wenn die Zahlen „integrierbar“ sind (ein schicker Weg zu sagen, dass sie sich „gut benehmen“). Das Lehrbuch setzte dies als offensichtlich voraus, aber der Computer verlangte, dass es explizit aufgeschrieben wird. Die Autoren mussten den Code korrigieren, um sicherzustellen, dass der Computer genau wusste, wann die Formel sicher anzuwenden ist.

Warum dies für die Zukunft wichtig ist

Die Autoren bauen nicht nur ein cooles Projekt; sie bauen ein Fundament für die Zukunft der Mathematik in einer Welt des KI. Da Roboter immer besser darin werden, Mathematik zu schreiben, werden wir bessere Werkzeuge benötigen, um zu prüfen, ob diese Mathematik echt ist. Dieses Projekt zeigt, dass wir ein Standard-Lehrbuch nehmen, es in eine Computersprache übersetzen und es nutzen können, um Studenten zu lehren, klar zu denken. Es verwandelt das Lehrbuch von einem statischen Buch in einen interaktiven Spielplatz, auf dem Studenten genau sehen können, warum ein Beweis funktioniert.

Das Paper kommt zu dem Schluss, dass KI zwar Beweise generieren kann, aber noch nicht das menschliche Urteilsvermögen ersetzen kann, das nötig ist, um zu entscheiden, ob ein Beweis für den jeweiligen Kontext richtig ist. Der Computer kann die Schritte prüfen, aber ein Mensch (oder ein sehr sorgfältiger Prozess) muss entscheiden, ob es die Schritte sind, die wir tatsächlich wollten. Dieses Projekt ist ein Schritt in eine Zukunft, in der KI uns beim Lernen hilft, wir aber dennoch die Zügel in der Hand halten, um sicherzustellen, dass die Mathematik wahr ist. Es geht nicht darum, den Lehrer zu ersetzen; es geht darum, dem Lehrer und den Studenten eine superpowered Lupe zu geben, um die Wahrheit hinter den Zahlen zu sehen.