Beyond the Library: An Agentic Framework for Autoformalizing Research Mathematics
本文介绍了一种由通用编程大语言模型驱动的智能体框架，该框架能够动态扩展现有的数学库，从而成功地将来自 PutnamBench 和 STOC 论文等来源的研究级定理进行自动形式化与证明，克服了静态库在处理新颖数学概念方面的局限性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你有一位才华横溢的数学家，能够解决极其困难的谜题，但他们习惯在凌乱的手写笔记本中记录答案。有时，他们会在逻辑中犯下微小到几乎不可见的错误。通过人工检查他们的工作既缓慢又令人疲惫，且容易产生人为错误。
现在，想象你有一个极其严苛的机器人编辑，它只接受用一种完美的、计算机可读的代码——Lean 编写的答案。如果代码完美无缺，计算机就会说“正确！”；如果哪怕只有一个微小的错误，计算机就会说“错误！”
问题在于：这位数学家说的是“人类数学”，而机器人只说“Lean 代码”。两者之间的翻译过程非常困难。这篇论文介绍了一组全新的 AI 智能体团队，它们充当了弥合这一差距的超级强化翻译与验证团队。
以下是该系统的工作原理，我们使用简单的类比来解释：
1. “编排者”（项目经理）
该系统并非让一个 AI 同时尝试完成所有事情（这往往会导致混乱和错误），而是使用了一个项目经理（称为“编排者”）。
- 旧方式： 一个人试图写完一整本书，结果陷入困境并耗尽了脑力。
- 新方式： 经理将任务分解成若干个小团队。如果一个团队失败了，经理不会直接放弃，而是让他们回去尝试另一种方法，或者聘请一位新的专家。这保证了整个项目在不崩溃的情况下持续推进。
2. “类型优先”策略（先构建词汇表）
在研究性数学中，论文经常使用一些在标准字典（如著名的 Mathlib 库）中不存在的高级新词或新概念。
- 类比： 想象你要用从未见过的食材来写一份食谱。如果你只是凭空猜测“量子面粉”是什么，你的蛋糕一定会失败。
- 解决方案： 在系统尝试证明主定理之前，它首先为这些新概念构建了一本字典。它精确地定义了这些新“食材”究竟是什么。
- “单元测试”（辅助引理）： 你如何知道你对“量子面粉”的定义是正确的？系统会发明一些简单的、容易实现的“小食谱”（引理），这些食谱在你的定义正确的前提下应该是可以成功的。它会尝试去“烹饪”这些食谱。如果食谱失败了，它就知道“量子面粉”的定义错了，因此会在继续之前修正定义。这就像软件工程师在构建整个应用程序之前，先编写“单元测试”以确保其代码正常运行一样。
3. 两条流水线（陈述与证明）
该系统拥有两条主要的装配线：
- 流水线 A（翻译器）： 它接收定理（主张）并将其翻译成 Lean 代码。它使用了一种“反向翻译”技巧：它将 Lean 代码重新翻译回英文，以查看是否与原始论文相符。如果含义发生了偏差，它就会修正代码。
- 流水线 B（证明器）： 一旦定理被翻译出来，这个团队就会尝试证明它。他们将庞大的证明分解成一棵由更小、更容易的步骤（引理）组成的树。他们先证明小的步骤，然后利用这些步骤来证明大的步骤。
- “诚实”规则： 如果论文中提到“我们使用了 1990 年的一篇论文中的结果”，系统不会尝试从头开始重新证明那个旧结果（除非它能做到）。相反，它会将那个旧结果视为“既定事实”（公理），以便专注于当前论文中的“新内容”。
4. 结果：他们到底做了什么？
作者通过两种方式测试了这个系统：
“普特南”测试： 他们给出了 32 道来自著名的普特南数学竞赛（针对顶尖数学系学生的竞赛）的极难数学题。
- 结果： 系统解决了全部 32 道题目。
- 成本： 完成每道题目的花费约为 5 美元。其他方法则需要数百美元或依赖大规模超级计算机。
“研究”测试： 他们选取了 5 篇近期发表于顶级计算机科学会议（STOC）的高水平学术论文。这些论文包含复杂的、前沿的数学内容，此前从未被编写成代码。
- 结果： 系统成功地将这些论文的主定理和证明翻译成了 Lean 代码。
- “顿悟时刻”： 对于其中两篇论文，系统在不需要任何外部“给定条件”的情况下证明了定理（它是从零开始构建一切的）。
- 发现： 对于其中一篇论文，系统发现了原始证明中的漏洞。论文声称某个证明是成立的，但当系统尝试将其转化为严格的代码时，它意识到其中的某个特定步骤缺失或无效。系统并没有说论文是“错误的”，但它证明了所写的证明过程中存在一个漏洞。
5. 为什么这很重要（根据论文所述）
- 成本低廉： 你不需要价值百万美元的超级计算机。你可以在标准的软件订阅服务上运行它（例如每月 200 美元的方案）。
- 灵活性高： 不同于以往遵循僵化、循序渐进清单的系统，该系统可以“回溯”。如果它意识到某个定义错了，它可以回去修正定义，而无需从头开始。
- 值得信赖： 因为最终输出的是计算机可以检查的代码，所以我们确切地知道数学是正确的，而不仅仅是“可能”正确。
简而言之： 这篇论文展示了一个由 AI 智能体组成的团队，它们扮演着严谨且具备自我纠错能力的翻译团队。它们构建自己的词汇表，通过微型证明来测试定义，然后将复杂的科研数学翻译成计算机可以以 100% 确定性进行验证的语言，而这一切的成本仅相当于一杯咖啡钱。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。