Proof

Proof(证明)在 AI 领域通常指自动定理证明与数学形式化验证——让机器生成并核查严格的逻辑证明，当前正处于从学术研究走向工程应用的关键阶段。随着大语言模型在数学推理上的进步，以 Lean 4 为代表的证明助手生态成为衡量 AI 推理能力的重要基准，机械验证正在替代人工评审成为新的可信度标准。

Proof 领域近期进展

Beyond LLM Judge：用机械验证方法核查 Lean 数学形式化：该工作提出不再依赖 LLM 打分来评估模型生成的证明，而是用机械验证直接核查 Lean 形式化结果的正确性，回应了当前 AI 证明评估中“评审判定不可靠”的争议。

NanoProof：全开源的 Lean 4 自动定理证明器：一个完全开源的 Lean 4 自动证明器，降低了该领域的复现与研究门槛，与闭源大模型方案形成对照。

Diffusion-Proof：超越自回归生成的形式定理证明新框架：尝试用扩散模型范式替代自回归生成来做形式定理证明，探索了证明生成的另一条技术路线。

Proof of the Harary--Hill conjecture: an exposition：对 Harary–Hill 猜想证明的系统性阐述，显示形式化方法与传统数学研究的结合仍在持续推进。

Proof 相关研究的核心争议在于验证方式：传统 LLM-as-Judge 的评估被指存在偏倚，机械验证虽更严格，但依赖 Lean 等形式化语言，覆盖面有限。两条路线的融合是近期论文的共同主题。

另一个观察点是开源与闭源的竞争格局。NanoProof 等全开源项目的出现，说明证明器不再专属于大厂闭源模型；同时 Anthropic 2021 年内部路线图曝光显示，其 AGI 验证原型从第一天起就定义为“AI 程序员”，暗示形式化验证能力被视为通向可靠 AI 的基础设施之一。

值得注意的是，形式化方法的影响正外溢到软件工程实践：来自 Jane Street 的工程分享讨论了类型反馈、Expect Test 以及正式方法在代码库中的新应用，说明 Proof 思想正从数学定理扩展到日常代码质量保障。后续值得关注的，是机械验证能否成为 AI 生成内容可信度的行业标准。