→ אלע ארטיקלען

Claude פארמאכט פערמאַט אין 11 טעג: 13.4 מיליאָן שורות פון דאַר און נול 'עס איז קלאָר ווי דער טאָג'

Claude פארמאכט פערמאַט אין 11 טעג: 13.4 מיליאָן שורות פון דאַר און נול 'עס איז קלאָר ווי דער טאָג'

אויף 4 סעפטעמבער, אַנטהראָפּיק מודיע דער ערשטער גאַנץ קאָמפּיוטער-אָפּגעשטעלט דערווייַז פון פערמאַט ס לעצטע טהעאָרעם. Claude פארבראכט 11 טעג - כּמעט אָן מענטש הילף - איבערזעצן ענדרו ווילעס ס דערווייַז אין די לעאַן שפּראַך: 13.4 מיליאָן שורות פון קאָד, בעערעך 30,000 ינטערמידייט טעאָרעמס, און קיין איין "עס איז קלאָר ווי דער טאָג פון דאָ" ערגעץ. א פּראָיעקט מאטעמאטיקער האָבן באַדזשיטיד אין יאָרן - דער פּלאַן פֿאַר בלויז דער ערשטער פאַסע, געשריבן דורך Kevin Buzzard פון ימפּעריאַל קאַלידזש לאָנדאָן, לויפט צו 86 בלעטער - איז געווען פאַרטיק אין אונטער צוויי וואָכן.

לאָמיר זיין קלאָר וועגן וואָס איז נישט געשען: עס איז קיין נייַע באַווייז. דער מאָדעל האט נישט געפֿינען זיין אייגענע וועג צו דער טעאָרעם. עס האט עפּעס אַרגיואַבלי האַרדער - עס גענומען אַ מענטש-געשריבן דערווייַז, פול פון פראַסעס ווי "דאָס טריוויאַלי גייט," און ריראָוט עס אַזוי אַז אַ קאַמפּיילער וועראַפייז יעדער איין שריט. מאטעמאטיקער זענען געווען 99.9% זיכער אין ווילעס'ס ארגומענט זינט 1995. יעצט איז דער בטחון פולשטענדיג: Lean האט איבערגעחזרט די גאנצע קייט פון ריזאַנינג פון Lean'ס דריי סטאַנדאַרט אַקסיאָמס.

וואָס פּונקט די קאָמפּיוטער אָפּגעשטעלט

נומערן אַרבעט בעסער ווי אַדזשיקטיווז דאָ.

  • 13.4 מיליאָן שורות פון לעאַן - מער ווי פינף מאל די גרייס פון Mathlib, די פלאַגשיפּ פאָרמאַל-מאַט ביבליאָטעק פון דעם יקאָוסיסטאַם.
  • אומגעפער 30,000 ינטערמידייט טעאָרעמס זענען פּרוווד; בעערעך 29,500 פון זיי זענען געניצט אין די לעצט אַרגומענט.
  • קאַמפּיילינג די ריפּאַזאַטאָרי אויף אַ 96-האַרץ מאַשין נעמט וועגן 20 מאל מער ווי קאַמפּיילינג Mathlib. Buzzard גאַט אַ סערווער מיט 500 גיגאבייט פון באַראַן פֿאַר די וועראַפאַקיישאַן.
  • די גאנצע זאַך רעסץ אויף לעאַן ס דריי נאָרמאַל אַקסיאָמס - קיין "סימפּפּלייינג אַסאַמפּשאַנז."

קעווין בוזזאַרד - דער מאטעמאטיקער וואָס האָט געפירט די FLT פאָרמאַליזיישאַן פּרויעקט פון די קהל זינט 2024 - דאַונלאָודיד די ריפּאַזאַטאָרי, געבויט עס און לויפן אַ פאַרגלייַך: די לעצט טהעאָרעם ויסזאָגונג שטימען צו דער רעפֿערענץ איינער אין Mathlib, און יעדער טשעק פּאַסיז. זיין ווערדיקט: "אַן ויסערגעוויינלעך אַוטאָפאָרמאַליזאַטיאָן דערגרייה."

A glowing graph of linked theorems — a visual take on machine-checked proof

איין גרענעץ טאָן, דריי און אַ האַלב סענטשעריז פון אַרבעט

ארום 1637 האט Pierre de Fermat געשריבן אין די גרענעץ פון Diophantus ס Arithmetica אַ פאָדערן: פֿאַר n גרעסער ווי צוויי, די יקווייזשאַן aⁿ + bⁿ = cⁿ האט קיין לייזונג אין positive גאַנץ נומערן. אונטער אים איז די שורה, וואָס איז געוואָרן אַ לעגענדע: "איך האָב דערפֿון אַנטדעקט אַ באמת וווּנדערלעכע באַווײַז, וואָס דער דאָזיקער גרענעץ איז צו שמאָל צו אַנטהאַלטן." דורות מאטעמאטיקער, פון אוילער ביז קומער, האבן אפגעשפילט שטיקער דערפון. אין 1908, אַ פרייז פון 100,000 גאָלד מאַרקס איז מודיע פֿאַר אַ דערווייַז - און 621 פאַלש סאַבמישאַנז אנגעקומען אין דער ערשטער יאָר אַליין.

אין יוני 1993, ענדרו ווילעס דערלאנגט זיין דערווייַז אין אַ סעריע פון ​​רעפֿעראַטן אין קיימברידזש. צוויי חדשים שפּעטער, אַ שויפעט ס קשיא יקספּאָוזד אַ ריס אין איינער פון די קאַנסטראַקשאַנז. ווילעס האט פארבראכט א יאר צו פאטשן עס, ערשט אליין און דערנאך מיט זיין געוועזענער סטודענט ריטשארד טיילער, איז געווען נאענט צו געבן זיך, און ענדליך ארויס די 129-בלאַט פּאַפּיר אין 1995. עס איז געבליבן איין "אינזשעניריע" קשיא: קען מען מאַכן אַ קאָמפּיוטער צו באַשטעטיקן דאָס אַלץ?

ניט אַ נייַע דערווייַז, אָבער אַ נייַע פיייקייַט

די פאָרמאַליזיישאַן גייט די 1995 דאַרמאָן-דיאַמאָנד-טיילער ויסשטעלונג פון די ווילעס-טיילער אַרגומענט, דורכגעגאנגען דורך די Langlands-Tunnell טהעאָרעם און Ribet ס מדרגה-לאָוערינג. דער געדאַנק פון פאָרמאַליזירן ווילעס איז צוריק צו די 2000 ס, ווען דער האָלענדיש קאָמפּיוטער געלערנטער דזשאַן בערגסטראַ האט עס פארגעלייגט, אָבער ביז לעצטנס עס האט אויסגעזען ווי אַ קאַריערע ס ווערט פון אַרבעט פֿאַר אַ גאַנץ פעלד. עטלעכע קאַסעס - דער פערט מאַכט, רעגולער פּריים - זענען שוין געווען טראַנספּאָרטאַד צו לעאַן. מיט די נייַע ריפּאַזאַטאָרי, Wiedijk ס רשימה פון 100 פאָרמאַליזיישאַן טשאַלאַנדזשיז, די צוואַנציק-יאָר-אַלט בענטשמאַרק פון דעם שטח, איז גאָר פֿאַרמאַכט.

בוזאַרד איז ערלעך וועגן די מאַט זיך: פאָרמאַלי, די אַרבעט דערציילט אונדז גאָרנישט נייַ - ער האט שוין געגלויבט ווילעס. די ווערט ליגט אנדערש. וועראַפייינג אַ פריש מאטעמאטיק פּאַפּיר הייַנט נעמט חדשים אָדער יאָרן; אויב אַ מאַשין קענען פאָרמאַליזירן אַ דערווייַז אויף די פליען, רעצענזיע שרינקס, און פאַרבאָרגן אַסאַמפּשאַנז פון די "באקאנט צו עקספּערץ" פאַרשיידנקייַט אָנהייבן צו סערפאַסינג. פֿאַר אַ דיסציפּלין געבויט אויף דער ערלעכקייט פון זייַן קאַנקלוזשאַנז, דאָס איז אַ ערנסט יבעררוק.

ווי די 11 טעג האָבן אויסגעזען פון אינעווייניק

די אַרבעט איז געווען געפירט דורך Tianyi Peng, אַן אַנטהראָפּיק פאָרשער וואָס פריער געבויט אַ גרופּע פון ​​אַי-פאָרמאַליזיישאַן מכשירים אין קאָלאָמביע אוניווערסיטעט. ער זאגט אז ער האט קיינמאל נישט געפלאנט צו דערגרייכן די ענדיקן ליניע - ער האָט נאָר געוואָלט זען ווי ווייט קלאַודע קען שטופּן בוזאַרד ס פּרויעקט. עס האט געשטופט דעם גאנצן וועג.

אסאך אגענטן האבן געארבעט פאראלעל: טייל האבן אנגעפילט מאטעמאטישע דעפיניציעס, אנדערע האבן אטאקירט די צווישן-לעמעס, אנדערע זענען ארויף אויפן בוים פון טעארעם, און נאך אנדערע האבן ווידער פארזאמלט די שטיקלעך אין איין ארגומענט. די ערשטע טעג זענען סיידווייז - אגענטן פאַרפאַלן שפּור פון די קוילעלדיק שטאַט פון די פּרויעקט, און בלויז וועגן זיבן פּראָצענט פון פרי פרווון סערווייווד אין די לעצט קאָד. די טורנינג פונט געקומען ווען די מאַנשאַפֿט אריבערגעפארן צו אַ פּלאַטפאָרמע גערופן Prove2Me: דער דערווייַז לעבט דאָרט ווי אַ גראַפיק פון טהעאָרעם נאָודז, אַזוי אין קיין מאָמענט איר קענען זען וואָס איז פּרוווד, וואָס איז ווארטן פֿאַר פּרירעקוואַזאַץ און וואָס צו באַפאַלן ווייַטער. סטעיטמענטן ווערן אפגעשיידט פון באווייזן, די זאַמלונג איז אַקסעלערייטיד, און יעדער טעאָרעם טראגט אַ טעקסט באַשרייַבונג פֿאַר זוכן. די וואָג: אַרום זעקס ביליאָן רעזולטאַט טאָקענס, מיט מענטש אַרייַנשרייַב לימיטעד צו הויך-מדרגה הינץ ווי "דעם ריכטונג האט בילכערקייַט."

ווו צו קוקן

די ריפּאַזאַטאָרי איז אויף GitHub - איר קענען לויפן די וועראַפאַקיישאַן זיך אויב איר קענען געפֿינען אַ 96-האַרץ מאַשין און עטלעכע געדולד. ערשטיק מקורים:אַנטהראָפּיק ס שרייַבן-אַרויףאוןBuzzard ס פּאָסטןאויף די Xena Project בלאָג.

און אויב אַ דערציילונג וועגן 13 מיליאָן שורות מאכט איר טשיקאַווע ווי מאָדערן מאָדעלס שעפּן קלענערער טאַסקס - אַלגערידאַמז, קאָד, חשבונות - פּרוּווט דיקאָדאוןשמועסןסעקשאַנז אויף NeuralSpace, אָדער פאַרטשעפּען די מאָדעלס צו דיין אייגענע פּראַדזשעקס דורך די API.