Anthropic Claude 完成了费马大定理的形式化，但并未发现其证明

Anthropic Claude 用 11 天完成了费马大定理的形式化，但它并未发现该定理，也没有取代 Andrew Wiles 的证明。这一区别至关重要，因为这项成就关乎验证、规模和研究自动化，而不是为一个此前未解决的问题提出全新解法。

Anthropic 于 2026 年 9 月 4 日公布了这一成果。该公司称，数十个 Claude agent 生成了 1,300 万行 Lean 代码，并证明了 30,300 个中间定理。其中，29,500 个结果出现在最终证明中。

Lean 是一种证明助手，这意味着它会检查每一个形式化步骤是否遵循明确的定义、公理和先前定理。形式化过程会将面向专业读者撰写的数学内容，转化为足够精确、可由 Lean 逻辑内核验证的指令。

当证明横跨现代数论、代数几何、调和分析和表示论时，这一过程就不再只是文书工作。人类作者经常省略熟悉的步骤，而 Lean 不接受任何这类捷径。

因此，Claude 对费马大定理的证明带来了一场比“AI 对阵数学家”更清晰的竞争。真正重要的比较是：机器规模的形式化，与经过精心维护、可供人类阅读的形式化数学之间的较量。

这种张力让 Kevin Buzzard 在 Imperial College London 持续推进的项目成为故事的核心。Anthropic 的系统迅速实现了端到端验证的结果，而社区项目则更强调可复用的库、可读的抽象和经审核的贡献。

两条路径都能产出有效的形式化数学。它们优化的目标不同，而 Anthropic 的成果迫使研究者思考：当内核给出肯定答案后，哪些品质才真正重要。

Anthropic Claude 实际完成了什么

Anthropic Claude 将既有的数学论证转化为完整、经机器验证的成果物，这与发明该证明并不相同。

费马大定理指出，当 n 大于 2 时，不存在满足 aⁿ + bⁿ = cⁿ 的正整数。Pierre de Fermat 大约在 1637 年写下这一断言，但三个多世纪以来始终没有被接受的一般性证明。

Andrew Wiles 于 1993 年宣布了一个证明。审稿人后来发现其中存在严重漏洞，Wiles 随后与 Richard Taylor 一同修复，修正后的成果于 1995 年发表。这段历史之所以重要，是因为它说明常规数学审查会变得多么困难。

Claude 并没有找到一条绕过 Wiles 的新路径。根据 Anthropic 的形式化说明，该系统遵循了 Henri Darmon、Fred Diamond 和 Richard Taylor 的简化阐述。

这一论证仍然建立在 Gerhard Frey、Jean-Pierre Serre、Ken Ribet、Wiles、Taylor 以及许多其他人构建的数学链条之上。Claude 的任务是在不依赖专业读者补足缺失步骤的前提下，用 Lean 表达这条链条。

Anthropic 将这一成果描述为费马大定理首个完整的、经计算机检查的证明。当“证明”指的是最终完成的形式化成果物时，这种说法站得住脚。但如果读者将其理解为新的数学发现，就会产生误导。

形式化证明和非形式化证明承担着相关但不同的任务。数学论文向具备资格的人类解释思路，而形式化证明则提供足够细节，让逻辑内核验证每一项依赖关系。

Lean 不会因为专家认可某句话是标准结论就接受它。每个定义都必须存在，每种类型都必须匹配，每个导入的结果都必须通过明确的有效项序列连接到最终命题。

Anthropic 表示，这项工作始于研究员 Tianyi Peng 测试 Claude 是否能够推动形式化进程。Peng 与 Columbia University 的一个团队合作，该团队开发面向 AI 辅助形式化数学的工具。

系统起初遇到了困难。Anthropic 报告称，早期 agent 会失去对项目的整体把握，无法继续有效协调。这些失败尝试仍贡献了最终证明中约 7% 的非模板化代码行。

成功的运行采用了 Prove2Me，这是一个开源协作平台，将形式化项目表示为有向无环图。每个节点记录一个定理陈述，而依赖关系会告知 agent 必须优先完成哪些结果。

Claude agent 利用这一结构分配工作、检索现有结果、证明中间命题，并复用已完成的组件。Anthropic 将该平台与 Claude Code 多 agent harness 配对使用。

该公司称，最终这轮工作消耗了其内部通用研究模型约 60 亿个输出 token。Anthropic 将该模型描述为与 Claude Fable 5.1 大致相当。

这些数字反映的是计算规模，而不是 Claude 的普遍可靠性。Anthropic 尚未提供同类形式化项目中的成功率，也没有公布失败尝试的完整分母。

不过，完成的成果物确实存在。其公开的 Lean repository 针对正自然数及所有至少为 3 的指数陈述了该定理。

该 repository 还包含证明路径、源文件、验证材料和可浏览的生成页面。这使核心数学主张比仅通过截图或精选转录展示的演示更便于审查。

发布日期也填补了原始热门条目中的时间空白。Anthropic 于 2026 年 9 月 4 日发布公告，早于本文发布日期两天。

为什么 Claude 的 Lean 4 成果重要

真正有意义的变化在于，一个通用 AI 系统跨越了对大规模既有数学体系进行形式化的规模门槛。

在此次发布之前，费马大定理的形式化已经是一个活跃的国际项目。Kevin Buzzard 在 Imperial College London 领导一项开放工作，该项目获得的资助计划持续至 2029 年 9 月。

其形式化项目不只是追求一个最终定理。贡献者在数论、几何及相关领域构建可复用的基础，同时审查这些组成部分应如何纳入 Mathlib。

Mathlib 是 Lean 由社区维护的数学库。它为形式化工作者提供共享定义和先前已检查的定理，就像软件开发者依赖成熟库，而不是重新编写每一个函数。

该库仍只是已发表数学成果的部分编码。人类证明可以引用数十年的文献，并假定读者具备大量专业知识；而 Lean 项目必须在 Mathlib 中找到每项前提，或者将其形式化。

这种缺失的基础设施解释了 Anthropic 输出的规模。该公司称，其 1,300 万行代码超过 Mathlib 规模的五倍，尽管它也承认生成的证明很可能比必要长度更长。

代码量并不是衡量数学深度的纯粹指标。生成文件可能包含重复构造、冗长的证明项，或人类形式化工作者会以可复用抽象替代的产物。

尽管如此，这一规模不能被视为普通的自动补全。系统必须在依赖图中连接数万个已验证命题，并将它们导向精确的最终定理。

此前的形式化工作已完成重要子集。一个 2024 年项目使用 Kummer 的方法，给出了覆盖大量情形的正规素数证明。该工作也为 Lean 补充了有价值的代数数论内容。

完整的现代证明需要更广泛的基础设施。它将费马方程的假设解与一条 Frey 椭圆曲线联系起来，然后结合模性结果与 Ribet 定理导出矛盾。

这段总结中的每个短语背后都隐藏着庞大的形式化库。椭圆曲线、模形式、Galois 表示、变形理论和解析估计，都需要精确定义和支撑定理。

Anthropic 的成果表明，语言模型如今能够以更高速度帮助构建这类基础设施。这才是数学、软件验证及其他依赖形式化推理领域真正面临的压力点。

这一变化也涉及项目管理。单次聊天机器人会话很难保留数百万行代码和数千个相互依赖目标的状态。成功的系统将这些状态外部化到了 Prove2Me 中。

该平台的定理图为 agent 提供了共享地图。自然语言描述让命题能够被检索，而独立文件则降低了编译开销和资源占用。

配套的协作论文将这一架构描述为一种可在人类与 AI 贡献者之间扩展数学形式化的方法。Anthropic 的实验为这一理念提供了一次引人注目的压力测试。

这种机制类似于大型软件工程项目。参与者需要小型任务、明确接口、依赖系统、共享状态和自动化检查。仅有智能并不足以让项目保持连贯。

对 AI 开发者而言，这是重要的一课。当外围系统能够保存状态并缩小每个工作单元的范围时，模型在长任务中会更有用。

对数学家而言，这一成果改变了人们对形式化成本的预期。一个过去看似需要多年协同劳动的定理，如今通过以 AI 为中心的工作流在不到两周内完成编码。

这并不意味着人类工作已被淘汰，而是改变了人类努力变得稀缺的环节。当代码生成加速后，选择表示方式、设计可复用库、解读结果和审计项目质量会变得更加重要。

主要竞争在于速度与可复用性

首要对手并不是另一家 AI 实验室，而是将形式化数学建设为持久共享基础设施的人类策展式方法。

Anthropic 的成果物优化目标是抵达最终定理。Buzzard 的社区项目同样旨在证明费马大定理，但将这一过程视为审慎扩展 Mathlib 的机会。

这些优先事项存在重叠，但并不完全相同。一个庞大的生成式成果物可以证明目标命题，同时仍然难以阅读、维护或复用。

Anthropic 将其 repository 称为研究成果物。它明确表示该项目不再维护，也不接受贡献。这意味着该发布不应被误认为是 Mathlib 的成熟扩展。

这种区别类似于生产软件。一个程序可以通过测试，却仍包含重复代码、不清晰的接口，或会让后续修改成本高昂的设计。

形式化数学还增加了一层复杂性。Lean 会检查声明在逻辑上是否有效，但不会判断某个定义是否以优雅方式捕捉了一个概念。它也无法确定某个中间定理是否具有最有用的通用性。

一位人类形式化工作者可能会花数天选择一种能支撑许多未来证明的抽象。以单个根定理为目标的自主运行，则可能更倾向于采用能更快完成当前目标的局部构造。

这并不意味着局部构造是错误的，但它改变了所产生的价值。一条路径交付经过检查的终点，另一条则寻求经审核的数学库。

Anthropic 表示，早期失败的尝试所生成的代码也被贡献到了最终运行中。复用这些工作展现了灵活性，但也引发了一个问题：在不同策略下创建的各层内容，是否能保持一致性。

证明的庞大规模使得人工逐行审查并不现实。研究人员需要借助架构摘要、依赖关系图和可独立执行的检查来进行评估。

Anthropic 提供了一份 PROOF-PATH.md 文档，将数学里程碑与 Lean 声明关联起来。这在机器验收与人类理解之间搭建了重要桥梁。

Kevin Buzzard 审阅了这一成果，并给予了异常强力的支持。在 Anthropic 的公告中，他表示，这项成就表明 AI 自动形式化产物已经足够可靠，能够支撑后续更多层次的工作。

他的认可之所以重要，是因为他领导着一个以相同形式化目标为方向的重大人类协作项目。但这并不意味着这两个项目如今具有完全相同的目标。

社区项目仍可贡献经过整理的定义、更小的证明、文档和可复用组件。Anthropic 的成果也可帮助识别哪些缺失领域最值得整合。

这形成了一种合理的分工。AI 智能体可以产出广泛的形式化框架，而专家则负责压缩、重组并将有价值的部分纳入上游项目。

然而，清理工作并不必然比审慎构建更省成本。如果生成代码的内部选择难以理解，它可能反而带来沉重的审查负担。

因此，相关指标不应是每天产出了多少行代码。研究人员应衡量有多少经验证的代码能通过专家审查、进入共享库，并降低未来项目的工作量。

这件事的重要性超越了纯数学。形式化方法支撑着编译器正确性、硬件验证、密码学协议和安全关键软件。

各类组织可能很快就会以超出人工审查能力的规模生成机器检查产物。它们将需要能够将主张与规范、源材料、测试和审批决策关联起来的记录。

可搜索的 AI 知识库 能够在长期项目中保留这些关联。它无法认证一个证明，但可以让证据和审查历史保持可访问状态。

最理想的结果是结合两种路径。AI 提供速度和覆盖面，而持续维护的社区库则提供可理解性、可复用性和治理能力。

Anthropic Claude 已表明，前一方面可以在令人意外的规模上运作。更难的问题在于，它的多少产出能够成为持久的数学基础设施。

Lean 检查了证明，但信任仍有多个层次

成功通过内核检查，为逻辑有效性提供了异常强的证据，但它无法回答有关流程、质量或解释的所有问题。

Anthropic 的代码库包含多项针对常见捷径的防护措施。其最终构建会拒绝依赖 sorry 的证明；sorry 是 Lean 中用于暂时接受未完成义务的一种机制。

该项目还会检查是否插入了新的公理来人为制造所需结论。最终定理依赖三项标准 Lean 公理：命题外延性、经典选择和商的健全性。

一个比较器验证 Anthropic 的定理陈述是否与 Mathlib 对费马大定理的表述一致。这一步处理了一项基础的规范风险：证明了较弱的陈述，却冠以这一著名定理之名。

代码库报告称，全部 60,475 个模块均在 Lean 4.33.1 下从源代码构建完成。每一项声明都通过了 Lean 内核检查。

Anthropic 还使用 nanoda 进行了导出测试；nanoda 是一个以 Rust 编写的独立 Lean 内核。第二个检查器无错误地接受了 1,052,234 项声明。

这些检查使数学结论的可信度远高于一家公司的普通宣称。公开产物可以被下载、重建，并由独立研究人员审查。

不过，证明助手只能保证形式化陈述在其逻辑环境中可推出。信任还涉及内核实现、编译器环境、硬件、构建流程，以及符号与预期数学含义之间的对应关系。

使用两个内核降低了其中一部分风险。但这并不能消除所有潜在实现问题，尤其是 Anthropic 对 nanoda 应用了四项与性能相关的补丁。

代码库称，这些补丁不会改变类型规则。由于代码和补丁均已公开，独立专家可以审查这一说法。

更重要的限制关乎含义。Lean 并不在意一个名为“Mazur”的定理是否对应数学家预期的版本。它检查的是精确编码的陈述，以及该陈述如何支撑最终结果。

对于费马大定理，最终表达式异常简洁。它指出，正自然数无法满足那个熟悉的方程，且指数至少为三。

这种简洁性缩小了根源处的解释鸿沟。但中间路径对人类而言仍然更难理解。

验证证明与验证 Anthropic 关于自主性的叙述之间也存在差别。一次成功构建并不能证明 Claude 选择了哪些步骤、人类介入的频率，或公开运行之前经历了多少次失败尝试。

Anthropic 表示，Peng 只提供了偶尔的高层指示。例如，包括优先处理 Jacobians，以及推动 Mazur 定理相关工作。

读者无法从证明对象中推导出这段操作历史。它依赖于 Anthropic 的记录和报告。

内部模型带来了另一项限制。外部团队无法复现精确的生成过程，因为该公司使用的是尚未公开提供的研究系统。

他们可以复现验证结果。但他们目前还无法判断，同一套配置在其他大型形式化项目中完成任务的可靠程度。

这种区分应当影响标题层面的判断。说该证明产物拥有强有力的机器可检查支持是合理的；但现在断言 Claude 能在数天内常规地形式化任何重大数学工作，仍为时过早。

一次成功可能得益于一个有利的定理、丰富的既有文献、有用的 Lean 先前项目、有效的框架以及密集计算。

费马大定理也有一个广为理解的终点。系统是在形式化已知数学，而不是判断一个拟议的新结果是否重要。

原创研究增加了额外的不确定性。模型必须找到正确的问题、确立新颖性、选择有用的定义，并解释为什么其他研究人员应当关心。

Anthropic 自身也将该项目与其有关黎曼猜想的报告工作区分开来。费马成果主要是验证方面的进展，而非新的数学定理。

这种更窄的描述并未贬低这项工作。它恰恰明确了 Claude Lean 4 产物为何重要，以及证据能够支持哪些结论。

Anthropic Claude 将 AI 数学竞赛推向验证

这一成果迫使 AI 实验室将数学主张与可由独立系统检查的产物配对发布。

OpenAI、Google DeepMind 和 Anthropic 都曾利用数学来展示推理能力的提升。竞赛题提供了方便的分数，因为评审者已经知道答案。

研究数学提出了一个更困难的评估问题。一份流畅的证明可能含有隐蔽漏洞、误用某个定理，或悄然改变其假设。

当模型可以生成数千个候选论证时，人工审查很难扩展。产生想法变得廉价，而专家注意力依然有限。

形式化改变了这种平衡。Lean 内核可以拒绝无效的形式化步骤，而不会疲倦，也不会被自信的语言说服。

它无法判断原创性或相关性，但能在专家投入时间进行更深入评估之前，消除一大类逻辑错误。

Anthropic 认为，未来的数学论文可能会常规性地将形式化证明与人类可读的解释一并纳入。其费马发布使这一预测更具可信度。

这一想法拥有历史先例。Thomas Hales 对开普勒猜想的证明曾引发多年的审查，之后他领导了 Flyspeck 项目，最终将该结果形式化。

该过程需要大量人力投入。如果 AI 能降低编码负担，形式化验证就可能适用于更广泛的研究领域。

因此，竞争压力十分明确。宣布数学进展的实验室将面临更强的要求，需要发布 Lean、Rocq、Isabelle 或类似产物。

当同一系统还能生成机器可检查版本时，一篇自然语言论文可能不再提供充分证据。没有形式化产物的主张可能会受到更多质疑。

不过，并非每个领域都已准备好迎接这种转变。形式化库仍不均衡，而一些领域尚缺乏能够清晰陈述当前研究所需的定义。

即使形式化可行，将一份富有创造力的证明转化为可维护代码也可能需要大量判断。系统可能生成庞大的本地库，而不是贡献紧凑、通用的工具。

计算负担同样重要。60 亿输出 token 和数十个协作智能体代表着一项重大实验，即使不讨论商业成本也是如此。

Anthropic 提供了一个更小的反例。它表示，通过 Prove2Me 协调的三个消费者订阅，在三天内形式化了 Vinogradov 的三素数定理。

这项内部实验的公开证据少于费马代码库。不过，它仍表明，随着模型和框架的改进，工作流可能会缩小。

行业比较应聚焦完整系统，而非模型名称。检索、状态管理、编译、定理搜索、任务分配和验证都对结果作出了贡献。

一款在孤立 Lean 问题上表现优异的模型，可能会在数百万行代码的项目中失败。另一款拥有更好编排能力的模型，则可能尽管单次得分较弱仍能成功。

因此，Anthropic Claude 以两种方式提高了门槛。它展示了规模，也公开了足够多的最终产物，使他人能够质疑其核心主张。

竞争者可以用更短的证明、更强的自动化、更干净的库集成，或跨多个项目的前瞻性评估来回应。

如果这场竞争奖励可验证性而非戏剧性但缺乏支持的主张，数学将从中受益。如果实验室用技术上可编译、却依然无法导航的庞大产物淹没专家，数学则会受损。

下一项标准应同时包含机器验收与人类可用性。形式真理必不可少，但研究同样依赖解释、抽象和共同理解。

三项检验将表明这是否改变数学

只有当外部人士能够复现它、专家能够复用它，且该方法能在一个著名目标之外取得成功时，费马形式化才会成为持久转变。

第一个信号是独立重建。研究人员应克隆公开代码库，从源代码重建每一个模块，重新运行比较器，并检查第二内核验证。

成功复现将增强人们对该产物按文档所述运行的信心。若出现隐藏依赖、资源要求不切实际或构建不一致的报告，则会削弱这一结论。

独立审查者还应检查，最终定理是否在不使用被禁止的逃逸机制的情况下得出了预期陈述。代码库已经提供了检查，但第三方执行才是更强的检验。

第二个信号是复用。Mathlib 维护者和形式化数学家应识别哪些定义和中间结果能够进入持续维护的库。

如果其中的重要组件成为被接受的基础设施，Anthropic 的 1300 万行代码所创造的价值就不止于一个最终定理。如果几乎没有内容能通过审查，这一成果更像是一张昂贵的证书。

这一检验还将厘清它与 Imperial College London 正在进行的项目之间的关系。社区项目可以将自身的抽象与 Anthropic 的路径进行比较，并判断这些生成的工作是否推动了其路线图。

更短、经过重组的证明并不会否定 Claude 的成就。它反而表明，机器生成与人工策展承担着互补的角色。

第三个信号是其在新项目上的前瞻性表现。Anthropic 应在运行系统之前定义形式化目标，并在报告成功案例的同时披露失败案例。

有用的指标包括完成率、token 使用量、人工干预、构建成功率、复用的库代码，以及专家审查时间。没有这些分母，一个广受赞誉的成果无法证明其可靠性。

未来目标应在数学结构上有所变化。一个能在某个数论证明中取得成功的系统，可能会在拓扑学、概率论、范畴论或分析学中遇到困难。

研究人员还应比较已知证明的形式化与新定理发现。后者需要不同的保障措施，因为一开始并不存在可信的非形式化论证。

这些测试的重要性不止于数学家。构建长期运行智能体的开发者，也面临状态丢失、重复工作、隐含假设和高昂验证成本等相同挑战。

Anthropic 最强的理念或许是架构，而非定理。外化的任务图、小型可验证单元和独立检查，使大型智能体项目更容易审计。

知识工作者也应在更小的规模上运用同样的原则。应保留来源、中间主张、被否决的替代方案和审查决定，而不是信任一份润色完善的最终答复。

Claude Fermat 证明并不意味着 AI 重新发现了数学中最著名的成果之一。它意味着一个以 AI 为中心的系统，将一项规模庞大、早已确立的论证转换成了两个逻辑内核都接受的形式。

这比“Claude 解决了费马大定理”所代表的成就更有限，但可能更有用。它为应对快速生成的 AI 研究所带来的验证负担提供了一条路径。

下一个问题很实际：独立团队会将这一成果转化为可复用的数学内容，还是它会停留在一次非凡的一次性演示？关注重建工作、Mathlib 贡献，以及下一轮有前瞻性记录的项目。这些信号将揭示 anthropic claude 是否改变了形式化数学，还是仅仅完成了其最显眼的压力测试。