Google DeepMind veröffentlicht AlphaProof als Open Source und bringt formale Mathematikverifikation in die LLM-Ära
Das System, das 2024 Probleme der Internationalen Mathematik-Olympiade löste, hat Quellcode und Gewichte freigegeben, sodass Forscher Sprachmodelle an formale Beweiser wie Lean koppeln können
Google DeepMind hat den Quellcode und die Gewichte von AlphaProof freigegeben, dem System, das 2024 Probleme der Internationalen Mathematik-Olympiade (IMO) löste, indem es ein Sprachmodell an einen formalen Beweiser koppelte. Die Veröffentlichung übergibt der Forschungsgemeinschaft eine der einflussreichsten Architekturen für verifizierbares automatisiertes Schlussfolgern.
Die Entscheidung verwandelt ein geschlossenes Laborexperiment in offene Infrastruktur für Universitäten, Startups und unabhängige Gruppen, die mit maschinell unterstützten mathematischen Beweisen arbeiten.
Wie das System in der Praxis funktioniert
AlphaProof erzeugt keinen losen Text: Es produziert Beweise in der formalen Sprache Lean, in der jeder logische Schritt von einem unabhängigen Kernel geprüft wird. Wenn ein Schritt nicht standhält, wird der Beweis abgelehnt — was einen Großteil der für Sprachmodelle typischen Halluzinationen eliminiert.
Die Architektur kombiniert ein Sprachmodell, das Beweisstrategien vorschlägt, mit einem Suchmechanismus, der jeden Versuch gegen den Verifizierer testet und verfeinert. Das Lernen erfolgt durch Reinforcement Learning, wobei das System im Laufe des Trainings gültige Beweise ansammelt.
Warum formale Verifikation wichtig ist
Die Verifikation durch Lean ist zu einem der umkämpftesten Felder der KI-Forschung geworden. Anders als ein Chatbot, der selbstbewusst auf eine falsche Gleichung antwortet, muss ein System, das formale Beweise schreibt, einen mathematischen Verifizierer überzeugen — nicht einen menschlichen Leser.
Diese Eigenschaft weckt das Interesse von Laboren, die zuverlässige Modelle für Software-Engineering, Kryptographie und wissenschaftliche Entdeckung suchen, Bereiche, in denen ein stiller Fehler teuer ist.
Was sich mit Open Source ändert
Mit Zugang zu Code und Gewichten können Forscher die Trainings-Pipeline reproduzieren, das System an andere formale Beweiser anpassen und seine Leistung an eigenen Benchmarks messen. Die Veröffentlichung ermöglicht zudem die Prüfung der Designentscheidungen von DeepMind.
Der Schritt folgt der Strategie des Labors, Forschungsartefakte in der formalen Mathematik zu veröffentlichen, einem Feld, in dem maschinelle Verifikation zum Standard wissenschaftlicher Qualität geworden ist.