Google DeepMind применил AlphaProof Code для проверки компонентов Signal
10 ноября 2026 года Google DeepMind опубликовала работу AlphaProof Code, выполненную вместе с разработчиками Signal. Система помогала формально доказывать отдельные свойства реализации библиотеки libsignal - компонентов, связанных с протоколом Signal. Спецификации написали и проверили люди, а доказательства были представлены в Lean и проверены машиной. По сообщению компании, команда подготовила около 6,5 миллиона строк Lean-кода и завершила формализацию выбранных свойств примерно за четыре недели. Результат важен как пример применения ИИ для создания проверяемых доказательств в существующей кодовой базе. Он не означает, что весь Signal автоматически доказан безопасным: область проверки ограничена выбранными свойствами и компонентами.

Что изменилось
Формальная спецификация задает проверяемое свойство
В обычном code review специалист изучает изменения и ищет ошибки, но вывод остается человеческой оценкой. Формальная верификация задает утверждение в точной логической форме и строит доказательство того, что реализация ему соответствует в определенных предположениях. Для проекта Signal спецификации подготовили и проверили инженеры. Эта роль людей принципиальна: автоматический помощник может предложить доказательство, однако неверное или слишком слабое утверждение останется неверным описанием нужного поведения. Поэтому команда должна согласовать границы свойства, предусловия и отношение спецификации к реальному коду до запуска инструмента.
Lean проверяет структуру доказательства
AlphaProof Code генерировал доказательства, которые проверяются ядром Lean. Такая проверка позволяет обнаружить некорректный шаг в доказательстве в рамках формальной системы. Это сильнее, чем ответ модели на естественном языке, однако сама проверка не гарантирует, что формальная модель правильно описывает все требования Signal. Разрыв между исходным кодом, спецификацией, компилятором и средой сборки остается отдельным вопросом. Воспроизводимый процесс должен хранить исходную версию кода, спецификации, инструменты и команды сборки, чтобы другой инженер мог повторить результат и увидеть, какие именно предположения были приняты.
Работа охватывает выбранные компоненты
DeepMind описывает проект как верификацию ключевых свойств отдельных компонентов реализации Signal, а не всего приложения и всей инфраструктуры. В цифровом мессенджере есть протоколы, клиентские приложения, хранилища, сетевые взаимодействия, зависимости и операционные процессы. Доказательство для ограниченной части не распространяется автоматически на интерфейс, управление ключами, серверы или все возможные конфигурации. При чтении результата полезно выписать перечень функций, версий и свойств, которые действительно вошли в формализацию, а затем отдельно отметить оставшиеся поверхности риска. Это позволяет обсуждать доказанную гарантию точно, без переноса ее на весь продукт.
Объем работы потребовал взаимодействия инженеров и модели
Компания сообщает о примерно 6,5 миллиона строк Lean-кода и четырех неделях работы над выбранной формализацией. Эти показатели показывают масштаб инженерного процесса, но сами по себе не измеряют качество или полноту доказательства. Число строк может включать вспомогательные определения, леммы и инфраструктуру; срок зависит от навыков команды и состояния кода. В описанном подходе специалист задает спецификацию и проверяет результат, а модель помогает строить доказательные шаги. Для оценки производительности нужно учитывать объем ручного перевода, диагностику неудачных доказательств, поддержку изменений и повторную проверку после обновления библиотеки.
Доказательство должно сопровождать изменения
Формальная проверка особенно полезна, если она встроена в жизненный цикл разработки. После изменения реализации или спецификации проект может запускать проверку в сборке, требовать ревью доказательства и сохранять отчет о версии инструментария. Если доказательство выполняется только один раз на снимке кода, будущие изменения могут незаметно нарушить свойство. Нужно определить владельца спецификации, процедуру обновления и действие при несовпадении версий. Для библиотек безопасности важны и обычные тесты, fuzzing, аудит зависимостей и реагирование на уязвимости: формальные методы дополняют эти практики, а не отменяют их.
Открытые артефакты дают возможность воспроизведения
DeepMind сообщает, что артефакты проекта опубликованы с открытым исходным кодом. Для исследователей это создает возможность изучить формализацию и проверить доказательства независимо, если доступны необходимые версии и инструкции. Воспроизведение следует начинать с идентификатора релиза и зафиксированных зависимостей, а не с плавающей ветки. Затем можно сопоставить формальные определения с документацией протокола и исходной реализацией. Даже успешная сборка артефактов не является новым аудитом всей системы, но независимое изучение помогает обнаружить неясные предположения и оценить применимость метода к другим критичным библиотекам.
Что это дает пользователю
Работа показывает применение модели для формальных доказательств рядом с реальным кодом.
Спецификации и их проверка оставались работой инженеров Signal.
Открытые артефакты позволяют изучить ограниченный проверенный набор свойств.
Что нужно учитывать
Верифицированы выбранные свойства компонентов, а не все приложение Signal.
Корректность доказательства не гарантирует полноту спецификации или безопасность системного окружения.
Число строк и срок проекта приведены разработчиком и не являются независимой оценкой эффективности.
Коротко
AlphaProof Code иллюстрирует полезное разделение работы: человек определяет требование, а машина помогает построить доказательство, проверяемое Lean. Практический смысл зависит от ясной спецификации и постоянной проверки изменений в той части системы, которую действительно формализовали.
