AI 第一次从数学上证明了 Signal 的加密:650 万行证明,四周干了专家几年的活
Google DeepMind 用 AI 智能体从数学上证明了 Signal 核心代码的关键安全属性:约 650 万行机器检查过的 Lean 证明,四周完成。这是真里程碑,但证明只覆盖一对一会话的核心握手与棘轮,规约本身仍须由人写对。

不是测出来的安全,是证出来的安全
11 月 10 日,Google DeepMind 宣布了一个软件安全领域里等了很多年的结果:研究人员用 AI 智能体,从数学上证明了 Signal 加密协议核心代码的关键安全属性。这项工作用的是一套新框架,叫 AlphaProof Code。博客的标题是《Formal Verification of Signal's Protocol with Gemini》,副标题更直接——“a breakthrough in verifying complex software at depth”。DeepMind 的说法是:这是第一次有人用 AI,以这样的深度形式化验证一个广泛部署的加密协议;也是第一次有人用任何方法,形式化验证这样一个协议的实际实现,而不只是它的设计图纸。

先把“形式化验证”这个词讲清楚,因为它是整篇新闻的门槛。平时我们保证代码安全,靠的是测试、找 bug、代码审阅——这些方法都是“抽查”:你测过的场景没出问题,不等于没测过的场景也没问题。形式化验证走的是另一条路:先把“代码必须满足什么安全属性”写成严格的数学规约,再用数学证明代码在所有情况下都满足它。证明一旦通过,违反这些属性的 bug 和攻击就被一并排除了,不是“大概率没有”,而是“按规约不可能有”。代价是它出了名的难、出了名的贵:这也是为什么几十年来,真正被形式化验证过的系统屈指可数。AlphaProof Code 的新闻价值就在于,它把这件“只有最关键系统才配享有”的事,第一次交给了 AI 智能体来做,而且做到了生产级代码的规模。
这次到底证明了什么?对象是 libsignal,也就是 Signal 协议的参考实现——Signal 应用本身用的那套代码,WhatsApp、Messenger、Google Messages 里的端到端加密也源自同一套协议。证明覆盖的是协议里最核心的两部分:抗量子的 PQXDH 握手和 Triple Ratchet(三次棘轮)。被证明的属性包括:消息的保密性与真实性、前向保密(即使现在的密钥泄露,过去的消息仍然安全)、事后泄露安全(设备一度被攻破之后,安全性能恢复过来)、握手认证与握手保密。关键的一句限定是范围:一对一会话的核心握手与棘轮,而不是整个 Signal 应用,更不是群聊、多设备同步或手机操作系统层面的安全。DeepMind 在博客里没有含糊这一点,论文里也把范围写得很死——读这篇新闻,先把“Signal 被证明无懈可击”这个误读扔掉。
更值得说的是证明的“深度”。过去几十年,密码协议的形式化验证大多停在设计层面:验证的是协议图纸,默认代码照图纸实现。但真实世界的漏洞常常藏在图纸和实现之间的缝隙里——代码怎么写、编译器怎么编,都会引入图纸上没有的问题。AlphaProof Code 的智能体走得更远:它证明的是编译出来的代码本身。按论文的描述,研究人员把未改动过的 Rust 代码用标准编译器直接编成 AArch64 机器码,再证明这份机器码满足安全属性,连编译器都不需要信任。博客里有一句很关键的话:智能体证明的是“设备上实际运行的代码”是否兑现了专家规定的安全承诺。正因为跨过了设计与实现之间的这条缝,证明的复杂度才“vastly more complex”,而这也是 DeepMind 敢说“首次”的底气。
整个流程是怎么分工的?AlphaProof Code 是一个多模型智能体框架,分工方式刻意模仿了一个研究团队。第一步,人类专家和多个模型合作,把 Signal 的安全目标翻译成 Lean 语言写成的形式化数学规约,每一条都由人类专家审阅。Lean 是一种能用机器检查证明对错的语言,证明最后能不能成立,由 Lean 的内核说了算,而不是由写证明的智能体自己说了算。第二步,由 Gemini Carbon 驱动的智能体团队去写证明,产出约 650 万行经过机器检查的 Lean 证明代码。第三步,智能体自己审计这份证明,把需要人类再看一眼的地方标出来——只占代码库的 1%,其余部分由 Lean 自动检查通过,专家把精力集中在真正需要人类判断的地方。最后还有一道“守门员”:只有 Lean 内核检查通过、并且确认证明的正是被锁定的那份规约,证明才算被接受。论文里把分工原则写得很清楚:人类决定“证明什么”、解决歧义、评估安全取舍、做所有最终决定;智能体在人的指导下起草和测试规约,并且在规约固定之后自主写证明。
数字是最容易传播、也最需要核对的部分。按论文的说法,证明总量约 650 万行 Lean 代码;与之对照,真正需要人读、需要人信任的规约与语义只有约 2.6 万行(其中规约定理约 1.8 万行,AArch64 语义约 8000 行),其余数百万行都是机器生成、机器检查的证明。整个验证过程只用了四周,而按历史经验,这类工作要专家团队干上几年:论文点名了两个标杆——形式化验证最成功的案例之一 seL4 微内核花了 20 人年,经过验证的 C 编译器 CompCert 花了 6 年,而且那两个系统的源代码还是专门为验证而写的,AlphaProof Code 面对的却是未经修改的生产代码。博客正文写的是“超过 600 万行 Lean”,页面摘要里却写着“超过 300 万行”,两处数字自相矛盾;论文给出的 650 万行是最完整的口径,本文按论文的数字写,摘要里的 300 万行当作官方页面自身的不一致记在 evidence 里。
一个证明说自己“正确”,怎么知道它不是在自说自话?DeepMind 用了软件测试里很老派、也很硬核的一招:变异测试。研究人员把两个真实存在过、后来被修复的 libsignal 漏洞,重新植入一份隔离的 Signal 代码副本,再让系统去验证这份带 bug 的代码。两次系统都给出了机器检查过的证明:带 bug 的版本是不安全的。也就是说,这套规约不是“什么都能证明通过”的空壳,它能分辨正确代码和错误代码。论文里还提到另外两层保障:审阅智能体会从怀疑的角度审规约草稿;证明智能体还会主动证明规约本身不是空洞的——比如证明规约的前提在真实执行中确实能被满足,防止出现“前提自相矛盾、定理自然成立”的假证明。这些细节比 650 万行这个数字更重要:证明的价值不在于它有多长,而在于它能不能被证伪。
但诚实地说,这次结果的边界同样清晰,读的时候不能只看好消息。第一,规约本身是人写的,而且是整个结果里唯一不能被机器检查的部分:规约错了,证明就白搭。论文把这一点挑明了——规约必须被“信任”,它的正确性取决于人有没有把安全属性写对、写全,写证明的智能体再可靠也补不了这个缺口。第二,密码学原语本身是被“假设”安全的:证明建立在底层算法没被攻破的前提上,符号模型里把它们当成理想黑盒,计算模型里把攻击者的成功概率和底层难题挂钩。第三,范围有限:只覆盖一对一会话的握手与棘轮,不包括群聊、不包括整个应用、不包括运行它的设备与操作系统,更没有给出抗量子的完整保证(论文明确写了,SPQR 自愈属性的后量子保证不在此次证明之内)。第四,成本没有公布:四周是时间,不是账单;DeepMind 没有说这四周烧了多少算力、花了多少钱。第五,AlphaProof Code 不是一个你能调用的产品:它没有 API、没有定价,是一个研究框架加一套开源的验证产物,论文与代码都已公开。
对 vibe coding 的开发者来说,这件事的意义不在 Signal 本身,而在它指出的方向。过去两年,AI 写代码的速度已经超过了人类审代码的速度:一个人一天能让智能体吐出几千行代码,却没有几千行代码的审查能力。测试能兜住一部分,代码审阅能兜住一部分,但总有漏网之鱼。AlphaProof Code 展示的是第三条路:AI 不只写代码,还能“证”代码——对安全最关键的那一小部分代码,用数学证明代替抽查。这对支付、加密、身份认证、医疗设备固件、电网软件这类“错一次就出大事”的代码尤其重要。DeepMind 在博客结尾也把话说到了这个方向上:验证 Signal 的核心密码学,是为医疗设备固件、电网软件等关键系统打基础;再配上 CodeMender 这类自动防御智能体,形式化验证可以帮助对抗“速度与规模都已今非昔比”的现代网络威胁。
当然,别指望明天就能给自己的项目跑一遍 AlphaProof Code。它今天还是一项研究:规约要人写、要人审,框架本身也没有做成开箱即用的工具。但有两件事是已经落地的。第一,全部验证产物已经开源,论文与 Lean 代码都在 google-deepmind.github.io/code-verification 上公开,任何人都能下载、检查、复现——这比一篇只有结论的博客可信得多。第二,它给出了一个可复制的分工模板:人类定“证什么”,智能体干证明的苦活,机器内核做最后的裁决。论文里还提到,这项工作回应的是 2026 年 4 月发起的一项“大挑战”(grand challenge),而 Signal 只是第一站;按这个路线走下去,下一个被验证的可能就是支付系统、浏览器引擎或者你每天都在用的开源库。
为什么偏偏是 Lean?形式化验证的语言不止一种,DeepMind 选 Lean 有两个实际原因。第一,Lean 的内核很小:最终裁决证明对错的,只是一小段经过千锤百炼的代码,而不是写证明的那个庞大模型。模型可以犯错、可以幻觉,但只要内核说“通过”,证明在数学上就是成立的;模型写错了,内核会直接打回。第二,Lean 有一个活跃的数学社区,积累了大量现成的数学库,写规约时不用从零开始。对开发者来说,这个选择本身就是一种方法论:把“信任”集中在一个尽可能小的、可审计的核心上,其余部分都可以交给不可靠但强大的生成器。这个思路不只属于形式化验证——写测试、做代码评审、搭 CI,本质上都是在找那个值得信任的最小裁决点。
形式化验证和测试、模糊测试、审计是什么关系?不是替代,是叠加。测试回答“这些场景没问题”,模糊测试回答“随机输入下没崩”,审计回答“专家看过,没发现问题”,形式化验证回答“按这份规约,所有场景都没问题”。四者的成本从低到高,保证的强度也从弱到强。过去的问题是,最强的那一档贵到只有航天、芯片、操作系统内核才用得起,大多数项目连想都不敢想。AlphaProof Code 改变的是成本曲线,不是保证的性质:规约仍要人写对,范围仍要人事先划清,但“写证明”这个最耗人力的环节第一次可以交给智能体。对普通项目来说,现实的借鉴不是“马上给全仓库做形式化验证”,而是把最关键的几十行代码挑出来——权限判断、金额计算、加密调用——用更强的手段去保证它们。
还有一个容易被忽略的细节:这套框架的四个组件里,最“人”的部分恰恰是最关键的部分。规约撰写智能体起草、审阅智能体挑刺、证明智能体干活、守门员智能体裁决——但“证明什么”由人定,规约的每一稿由人审,最终决定由人做。论文里花了很大篇幅讲规约的质量保障:审阅者要从怀疑的角度挑错,证明者要主动证明规约不是空洞的,还要用变异测试往代码里塞 bug、看规约能不能抓住。这套流程对 vibe coding 的开发者有一个直接的启发:AI 时代的人类工作,正在从“写实现”转向“写规约、做裁决”。你让智能体写代码时,其实已经在做这件事了——你写的提示词就是一份非正式的规约,你做的代码审阅就是裁决。AlphaProof Code 只是把这套分工推到了最严格的形态。
最后说说普通人今天能做什么,三件具体的事。第一,去读论文:google-deepmind.github.io/code-verification 上的论文与 Lean 代码全部公开,不用懂 Lean 也能读懂摘要与第一章,它会帮你建立对“证明”与“测试”区别的直觉。第二,在自己的项目里试一把“变异测试”的思路:不用上 Lean,就在关键函数里故意改一个边界条件、删一行校验,看你的测试套件能不能抓住——抓不住,就说明测试本身有盲点。第三,把“规约先行”带进下一个功能:动手写代码之前,先用一句话写清楚“这个函数在什么输入下必须保证什么”,再让智能体去实现,最后按这句话验收。这三件事都不需要等 AlphaProof Code 变成产品,但它们共享同一种思想:保证代码正确,最可靠的办法不是写得更多,而是先把“正确”说清楚。
为什么是 Signal?为什么是现在?先看目标的价值:Signal 协议保护着数十亿人的对话,WhatsApp、Messenger、Google Messages 都在用它的变体,攻破它一次就能同时影响几十亿人;再看目标的难度:PQXDH 是抗量子的新握手,Triple Ratchet 是带状态的复杂协议,两者合在一起,手工证明要几年。DeepMind 选它当第一站,意思很明确——挑最难、最有价值的目标,证明这条路能走通。再看时机:证明用的引擎是同一天全面可用的 Gemini Carbon,智能体写代码的能力在 2026 年已经成熟到可以承担“写证明”这种长程、严谨的工作;论文里还提到,这项工作回应的是 2026 年 4 月发起的一项“大挑战”,从立项到出结果只用了半年多。对开发者来说,这个时机的含义是:形式化验证正在从“学术界的绝活”变成“工程界的选项”,而推动它的不是某一个新算法,是智能体终于能稳定地干长活了。
还有一个连锁反应值得留意:形式化验证正在变成 AI 安全攻防的一块新拼图。博客结尾把 AlphaProof Code 和 CodeMender 这类自动防御智能体放在一起讲,意思很清楚——攻击方已经在用智能体批量找漏洞、批量写攻击代码,防守方如果还只靠人力审计,速度上就输定了。形式化验证的价值,在这个语境下不只是“证明某段代码是对的”,而是给防守方一个能跟上攻击速度的工具:智能体写证明的速度,第一次追上了智能体写攻击代码的速度。当然,这场竞赛才刚开始:证明的范围还很窄、成本还没有公开、DeepMind 也没有说明会不会把它做成商业服务。但方向已经立住了——以后的安全比拼,可能不再是谁的测试跑得更多,而是谁能对最关键的代码拿出数学证明。
如果你想自己核查这篇新闻,有三处可以直接看。第一,DeepMind 博客本身只有两页篇幅,结论都在上面;第二,技术论文的摘要与第一章把“证明了什么、没证明什么”写得比博客更死,包括符号模型与计算模型的区分、以及哪些假设是被直接承认的;第三,全部 Lean 代码与规约都在 google-deepmind.github.io/code-verification 上公开,懂 Lean 的读者可以直接跑内核验证。值得一提的是,Signal 方面也参与了这项工作——博客致谢里点名了 Signal 的 Rolfe Schmidt、Michael Rosenberg 与 Ehren Kret,他们对研究方法提供了反馈。被验证的一方愿意配合、而不是事后质疑,这本身也是结果可信度的一个侧面信号。
最后给一个判断。这篇新闻最值得记住的不是“650 万行”,而是“四周”和“1%”这两个数字背后的分工变化:人类从“写证明的人”变成了“定规约、做裁决的人”,机器从“被验证的对象”变成了“写证明的工人”,而 Lean 内核成了不偏不倚的裁判。形式化验证的成本结构一旦被这样改写,安全保证就不再是只有国家级项目才用得起的奢侈品。对独立开发者来说,最实际的启示有两条:第一,你写的代码里总有一小部分是“错不起的”——支付回调、权限判断、加密逻辑——先把测试和审查的火力集中在那里,而不是平均用力;第二,开始关注“AI 证代码”这条赛道,它今天还只是研究,但它解决的正是 vibe coding 时代最缺的东西:一个人一天写出的代码,靠什么来保证它是对的。
评论 (0)
原始来源
相关文章
2026 年 11 月 18 日,谷歌研究院等团队在 arXiv 发布 BuggyMLE:往 222 个能跑的机器学习仓库里注入 bug,14 个模型从最简单的 95% 一路跌到最难的 9%。一个 90 亿参数的小模型靠从易到难的课表,在 10 个 bug 那档超过了 Claude Opus 5.5。
2026 年 11 月 11 日,AWS 开源 UAEF:先把 LangGraph、LangChain、Strands、Bedrock AgentCore 等框架的运行记录翻成统一格式,再用 36 个指标、7 个维度打分,回归超过 5% 就亮灯。评审模型本身也被防了一手:打分要引原文作证,分数不能用来决定安全放行。
2026 年 11 月 17 日,微软发布 MAI Code 2 和 Code 2 Flash:大模型 770 亿激活参数、100 万上下文,四项基准平均通过率 63.2%,与 GPT-6.1 Sol、Claude Opus 5.5 咬得很紧,但每任务成本只有 0.309 美元。先看清三处“但是”:价格是推广价、分数是三者最低、长周期任务不在舒适区。