# Формалізація теореми Ферма: чому доведення тепер перевіряє машина, а не рецензент

> Команда формалізаторів завершила повну верифікацію доведення Великої теореми Ферма в системі Lean за участю AI-асистентів — це тест генерувати-й-перевіряти для надійного машинного міркування.

- Опубліковано: 5 вересня 2026 р. (2026-09-05T16:03:18.304736+00:00)
- Розділ: AI-дослідження
- На основі публікації: [HackerNews](https://www.anthropic.com/research/formalizing-fermats-last-theorem)
- Видання: AiiN (https://aiin.news)
- URL: https://aiin.news/article?slug=aiin-article-7eda5109d13b1ddb

---

Доведення Великої теореми Ферма — понад 100 сторінок алгебраїчної геометрії, які Ендрю Вайлз опублікував 1995 року після семи років роботи і одного публічного провалу в 1993-му, — тепер існує у вигляді коду, який комп'ютер перевірив рядок за рядком у системі формальної верифікації Lean, і суттєву частину цієї роботи виконали AI-асистенти, що пропонували тактики для найважчих кроків доведення. Це не переклад математики людською мовою на іншу людську мову — це переклад математики на мову, яку неможливо обдурити красивим формулюванням: або терм проходить перевірку типів, або ні.

Чому це має цікавити людину, яка будує AI-продукти, а не факультет чистої математики? Тому що весь останній рік індустрія б'ється над одним і тим самим питанням: як довіряти виводу мовної моделі, коли вона вміє звучати впевнено і помилятися одночасно. Формалізація доведення Ферма — це, по суті, найбільш екстремальний з можливих полігонів для перевірки одного конкретного архітектурного патерну: нехай модель генерує що завгодно, а рішення про правильність ухвалює не інша модель і не людина-рецензент, а детермінований перевіряльник, якому байдуже, наскільки переконливо звучить аргумент.

Питання на мільйон: чи можна цей патерн — «генеруй з LLM, перевіряй ядром, що не вміє брехати» — перенести з чистої математики в код, криптографію і агентні системи, де ціна помилки не академічна, а виробнича? Відповідь часткова, і саме в нюансах цієї часткової відповіді ховається практична цінність новини.

[За даними HackerNews](https://www.anthropic.com/research/formalizing-fermats-last-theorem), до проєкту формальної верифікації доведення Ферма були залучені AI-асистовані інструменти, які допомагали заповнювати проміжні кроки доведення в системі формальної перевірки. Розберемо, звідки взявся цей проєкт, як він працює технічно, чим відрізняється від сусідніх підходів на кшталт AlphaProof, і що з цього можуть узяти собі ті, хто щодня будує продукти на LLM.

## Звідки взявся проєкт формалізації доведення Ферма?

Формалізація великих математичних доведень — окремий піджанр, старший за сучасний бум LLM років на п'ятнадцять. Ще 2012 року команда Жоржа Гонтьє в Coq завершила формалізацію теореми Фейта–Томпсон (255 сторінок оригінального доведення, класифікація скінченних груп непарного порядку) — робота зайняла шість років праці кількох дослідників. Томас Хейлз формалізував гіпотезу Кеплера в проєкті Flyspeck, витративши на це більше десяти років. Спільний знаменник цих проєктів простий: людина-формалізатор — головне вузьке місце. Перетворення природномовного математичного тексту в код, який приймає перевіряльник типів, — виснажлива, повільна робота, що вимагає одночасно глибокого знання предмета і формальної системи.

Доведення теореми Ферма — особливо складний кандидат для такої роботи, бо воно не самодостатнє: Вайлз спирається на гіпотезу Таніями–Шімури про модулярність еліптичних кривих, теорію представлень Галуа і десятки допоміжних результатів з алгебраїчної теорії чисел, розкиданих по інших роботах. Формалізувати саме доведення означає формалізувати значну частину сучасної алгебраїчної геометрії навколо нього — задача, яку математична спільнота Lean (бібліотека mathlib) обговорювала роками як «занадто велику, щоб братися». Поява LLM, здатних пропонувати правдоподібні тактики Lean і чернетки перекладу математичного тексту у формальні твердження, змінила розрахунок вартості: те, що вимагало команди формалізаторів на роки, стало можливим прискорити, розподіливши рутинні проміжні кроки між людьми та AI-асистентами.

## Як це працює під капотом технічно?

В основі Lean лежить залежна типова теорія: кожне математичне твердження — це тип, а доведення цього твердження — терм цього типу. Ядро системи, яке перевіряє, що конкретний терм справді має заявлений тип, — навмисно крихітне, кілька тисяч рядків коду. Це критично: увесь mathlib, усі тактики, усі AI-згенеровані підказки можуть містити помилки, але фінальний вирок виносить саме це маленьке, ретельно перевірене ядро. Або доведення проходить перевірку типів, або система відмовляє його прийняти — компромісу «майже правильно» не існує.

AI-асистенти вбудовуються в цей процес у двох ролях. Перша — **автоформалізація**: переклад природномовного математичного тексту (статті Вайлза, підручники з теорії чисел) у формальні твердження мовою Lean. Модель пропонує чернетку формулювання, а математик перевіряє, що формальне твердження справді еквівалентне змістовному. Друга роль — **синтез тактик**: заповнення конкретних проміжних кроків доведення («sorry» — заглушок незавершених фрагментів) послідовностями тактик Lean, які модель підбирає, спираючись на корпус mathlib і контекст локальної цілі доведення.

### Чому халюцинації тут не проблема

Ключова архітектурна деталь — цикл «згенеруй, потім перевір». Модель може запропонувати десять невдалих тактик поспіль, і це не коштує нічого, крім обчислень: ядро Lean миттєво відхилить кожну неправильну спробу, не пропустивши її як «правдоподібну». Це принципово інша економіка помилки порівняно зі звичайним чат-використанням LLM, де хибна відповідь спокійно йде користувачу. Тут модель по суті грає в дуже дорогий пошук навмання, але сам критерій успіху — не думка іншої моделі чи людини, а формальна перевірка типів.

## Чим це відрізняється від AlphaProof та інших підходів?

AlphaProof від DeepMind, що показав результат на рівні срібної медалі на IMO 2024, теж будується на Lean, але вирішує принципово іншу задачу: самостійний пошук доведення для компактної, самодостатньої олімпіадної задачі за допомогою навчання з підкріпленням у стилі AlphaZero. Формалізація Ферма — навпаки, не пошук нового доведення, а перетворення вже відомого, перевіреного людьми доведення в машиночитану форму. AlphaProof відповідає на питання «чи вміє AI знаходити нові короткі доведення», проєкт з Ферма — на питання «чи вміє AI масштабувати рутинну, але надважку інженерну роботу формалізації існуючої математики».

Раніший підхід GPT-f та методика Draft-Sketch-Prove (напрацьована дослідниками з формальних методів у 2020–2022 роках) першими показали схему «модель накидає ескіз доведення, автоматичні доводчики заповнюють деталі» — саме з неї виріс сучасний патерн автоформалізації. Класичніший інструмент, Sledgehammer в Isabelle/HOL, взагалі не використовує LLM — він перебирає класичні автоматичні доводчики теорем (ATP) і працює непогано для локальних, «технічних» кроків, але спотикається на творчих стрибках, які потрібні у великих доведеннях на кшталт Ферма.

Головна відмінність нинішнього проєкту від Feit–Thompson і Flyspeck — не в методі перевірки (Lean замість Coq/HOL Light), а в співвідношенні людини й машини всередині процесу: команда формалізаторів більше не пише кожну тактику вручну, а курує й перевіряє те, що згенерував AI-асистент, зосереджуючи людську увагу на постановці правильних проміжних тверджень, а не на механічному підборі синтаксису доведення.

## Що це дає тим, хто будує на цьому вже зараз?

Практична цінність тут не в математиці, а в патерні. Три сценарії, де він уже застосовний поза академією:

- **Верифікація криптографічних бібліотек.** Проєкти на кшталт HACL* та miTLS роками використовують F*/Coq для доведення коректності реалізацій криптопротоколів. Пайплайн «LLM пропонує лему й тактику, формальне ядро перевіряє» здатен суттєво прискорити аудит нових пост-квантових криптобібліотек, де людських формалізаторів традиційно бракує.
- **Формальна верифікація смарт-контрактів.** Інструменти на кшталт Certora вже застосовують формальні методи до Solidity-коду. AI, здатний автоматично генерувати інваріанти і доводити їх у формальній системі, ловить клас багів (reentrancy, integer overflow в межах специфікації), які тестування пропускає за визначенням — тести перевіряють приклади, формальне доведення покриває весь простір вхідних даних.
- **Верифіковані компілятори й ядра ОС.** Проєкти CompCert і seL4 показали, що формально доведена коректність компілятора чи мікроядра можлива, але супровід таких доведень при кожній зміні коду — роки інженерної праці. AI-асистований синтез тактик знижує вартість підтримки цих доведень актуальними при еволюції кодової бази.

Для команд, що будують агентів на LLM у ширшому сенсі, урок ще простіший: там, де є детермінований перевіряльник істини — компілятор, набір тестів, формальна специфікація, пісочниця виконання коду — цикл «модель генерує, перевіряльник відсіює» знімає більшість ризику халюцинацій без потреби довіряти самій моделі. Це той самий принцип, на якому будуються сучасні coding-агенти, що запускають тести перед тим, як показати результат користувачу, просто доведений до логічної крайності на прикладі математики.

## Чого тут не вистачає і що може піти не так?

Найбільша практична пастка — не в самому ядрі перевірки, а на етапі автоформалізації. LLM може перекласти змістовне математичне твердження в синтаксично коректне формальне твердження, яке проходить перевірку типів, але означає не зовсім те, що малося на увазі — класична проблема «formalization gap». Ядро Lean підтвердить, що доведений саме той (неправильно сформульований) вираз, і жодна автоматична перевірка це не спіймає: потрібне експертне читання постановки задачі людиною. Тобто вузьке місце не зникає, воно зсувається — з написання тактик на верифікацію специфікацій.

Друга проблема — межі довіри. Ядро Lean крихітне й добре перевірене, але сам mathlib — величезна, розподілена спільнотою бібліотека лем, і теоретично помилкова аксіома чи прихована заглушка десь у залежностях здатна підірвати надійність усього, що на неї спирається. Масштаб і швидкість, з якою AI-асистенти генерують нові леми, підвищують навантаження на аудит бібліотеки, а не тільки на аудит фінального доведення.

Третя — це питання генералізації, яке варто проговорити прямо, щоб уникнути зайвого ажіотажу: успішна формалізація доведення Ферма — це верифікація вже відомого, доведеного людьми результату, а не автономне відкриття нової математики. Гіпотеза Рімана чи P проти NP — задачі принципово іншого класу: там немає готового доведення, яке можна перекласти й перевірити, там потрібне саме творче знаходження аргументу, а це ближче до задач AlphaProof, ніж до проєкту з Ферма, і навіть там мова йде про компактні олімпіадні задачі, а не відкриті проблеми століття.

## Висновок AiiN

Ми в AiiN розглядаємо формалізацію доведення Ферма не як математичну новину, а як публічний доказ концепції для патерну «генеруй LLM-ом, перевіряй незалежним детермінованим ядром» — того самого, який має найбільше шансів вирішити проблему довіри до AI-виводу в найближчі роки, і саме тому вважаємо його вартим уваги інженерів, що ніколи не відкриють підручник з алгебраїчної геометрії. На горизонті 6–12 місяців очікуємо не проривів у відкритті нової математики, а тихішу, практичнішу хвилю: більше анонсів AI-асистованої формалізації криптобібліотек і компіляторних доведень, зрілі інструменти пошуку по mathlib для LLM-агентів, і появу подібних generate-and-verify пайплайнів у продуктовому коді — там, де вже є тести, типи чи специфікації, здатні відіграти роль ядра Lean. Порада практикам: якщо у вашому домені є хоч якийсь детермінований перевіряльник істини, саме зараз час проєктувати навколо нього агентний цикл, а не навколо довіри до сирого виводу моделі.

## Поширені питання

**Чи означає це, що AI тепер вміє самостійно доводити нові теореми?** Ні. Формалізація Ферма — це переклад і верифікація вже існуючого людського доведення, а не самостійне відкриття нового результату; автономний пошук нових доведень (як у AlphaProof) поки обмежений компактними, самодостатніми задачами олімпіадного рівня.

**Чи можна застосувати цей підхід поза математикою?** Так, і саме тут найближча практична вигода: формальна верифікація коду, криптопротоколів і смарт-контрактів структурно ідентична задачі — потрібен лише детермінований перевіряльник, яким може бути компілятор, набір тестів або формальна специфікація замість ядра Lean.

---

Теги: AI, Anthropic, LeanProver, формальнаверифікація, математика, штучнийінтелект

Джерело: AiiN — https://aiin.news/article?slug=aiin-article-7eda5109d13b1ddb. Цитуючи, посилайтесь на канонічний URL.