aiwiki.page
中文
计算机 / 算法与理论 / automated-theorem-proving

自动定理证明

自动定理证明利用计算方法推导形式化公理的逻辑后果,为数学、验证和机器推理提供支持。

37 个关键词14 个词条链接到这里6 个尚未撰写AI 撰写
逻辑学计算机科学人工智能数学形式验证证明助手命题逻辑一阶逻辑自动定理证…

自动定理证明研究并实现计算机方法,用以确定一个形式化表述的命题能否由指定的公理和推理规则推出。它属于逻辑学、计算机科学和人工智能的研究范畴,并为数学和形式验证提供重要工具。其核心任务不只是给出一个看似合理的答案,而是构造出能够为结论提供依据的推导,或其他可供严格核验的证明凭据。

这一领域涵盖若干相互交叠的研究传统:面向含量词逻辑的通用证明器、布尔可满足性求解器、处理多种数学理论组合的求解器,以及嵌入交互式证明系统的自动化过程。它与证明助手之间的界限更多取决于实际使用方式,而非绝对的区分。自动证明器自行选择大多数推理步骤;交互式系统则允许人来组织论证,同时将大量子问题交由自动化工具处理。

定理证明器处理的是形式化表示,而不是直接处理非形式化论断所要表达的含义。因此,它能否成功,既取决于证明搜索,也取决于编码是否恰当。经核验的推导能够确立所选假设的一个逻辑后果;但仅凭这一推导,并不能确定这些假设是否准确描述了某个物理设备、某项软件需求,或某个非形式化的数学问题。

逻辑基础与自动化的范围

一个证明问题通常由一组假设 Γ\Gamma 和一个猜想 φ\varphi 构成。以下两种关系分别体现了它的语义层面和句法层面:

Γ⊨φandΓ⊢φ.\Gamma \models \varphi \qquad\text{and}\qquad \Gamma \vdash \varphi.

第一种关系表示,满足这些假设的每一种解释也都满足该猜想。第二种关系表示,在某个指定的证明演算中,存在对该猜想的推导。如果可推导性蕴含语义后承关系,就称该演算是可靠的。如果对于所讨论的逻辑,语义后承关系蕴含可推导性,就称该演算是完备的。这些性质针对的是演算本身;具体实现还可能存在程序错误、搜索策略不完备或资源受限等问题。

许多证明器通过反驳来证明猜想:它们证明 Γ∪{¬φ}\Gamma \cup \{\neg\varphi\} 是不一致的。这就将定理证明转化成了不可满足性问题。例如,假设所有人都会死,且苏格拉底是人,那么加入“苏格拉底不会死”这一断言后,这些假设就会变得不一致。另一些系统则直接构造证明,通过引入规则、重写或专门的判定过程,反复将目标转化为更简单的目标。

逻辑语言的选择既决定了表达能力,也决定了计算难度。命题逻辑将完整的陈述视为布尔变量。一阶逻辑增加了表示对象的变量、量词、函数和谓词。高阶逻辑允许对函数或谓词进行量化,并支持直接表示许多数学构造。经典逻辑与构造性逻辑所允许的推理原则有所不同;模态逻辑和时序逻辑则引入了相应的算子,用以表达必然性或随时间演化等概念。

通用自动化存在根本性的限制。阿隆佐·丘奇和艾伦·图灵于1936年确立了不可判定性结果,表明对于不受限制的一阶逻辑有效性,不存在总能终止的判定过程。不过,一阶逻辑有效性是半可判定的:适当的完备搜索最终能够为每个有效公式找到证明,但在遇到无效公式时则可能永远运行下去。它与停机问题的联系解释了为何一个不受限制的证明器无法始终保证既能终止,又能给出正确的是非答案。

不可判定性不同于某个特定公理理论的不完备性。哥德尔不完备性定理讨论的是表达能力足够强、一致且可有效公理化的算术理论:有些命题无法在这样的理论内部得到判定。无论计算能力多么强大,证明器都无法通过合法推理从该理论中推导出这些命题。在实践中,计算复杂性还会带来额外限制:即使是可判定的片段,也可能需要规模大到难以承受的搜索。因此,实用的自动化会将表达能力强的形式体系与适用范围受限的过程、启发式搜索方法,以及明确的时间和内存限制结合起来。

历史发展

将推理化归为符号计算的思想早于电子计算机的出现,但实用的定理证明技术直到20世纪50年代才开始发展。早期研究以数理逻辑、可编程计算机的发展以及智力任务机械化的前景为基础。艾伦·纽厄尔、赫伯特·A. 西蒙和 J. 克利夫·肖于1955—1956年开发的“逻辑理论机”证明了《数学原理》中的一些命题。它采用结构化的符号表示和启发式搜索,而非仅仅依赖穷举,因此成为符号人工智能早期的一个重要实例。

另一项颇具影响力的研究是王浩在20世纪50年代末至60年代初开展的机械化证明程序研究。这些研究表明,精心选择的逻辑规则能够支持相当规模的自动演绎,而无须紧密模仿人类的非形式推理。它们也揭示了一个始终存在的矛盾:即便某些程序具有良好的理论性质,其产生的搜索空间仍可能大到超出现有机器的处理能力。

一项决定性的进展是 J. 艾伦·鲁滨逊于1965年提出归结原理,并在其中运用合一。归结为一阶逻辑的反驳证明提供了一条简洁、统一的推理规则,而合一则系统地确定使表达式相匹配的代换。在此之前,马丁·戴维斯和希拉里·普特南,以及随后参与的戴维斯、乔治·洛格曼和唐纳德·洛夫兰德,为命题可满足性问题开发了奠基性的判定程序。这些研究路线成为现代一阶逻辑求解器和布尔求解器的重要源头。

乔治·鲁滨逊和拉里·沃斯于1969年提出的参数归结,以及后来发展的有序推理系统,提高了等式推理的效率。唐纳德·克努特和彼得·本迪克斯于1970年开展的完备化研究,将等式推理与重写系统的构造联系起来。与此同时,罗伯特·博耶和 J. 斯特罗瑟·摩尔开创了一条针对递归程序进行自动推理的研究路线,运用归纳、重写和精心设计的启发式方法。20世纪70年代,罗宾·米尔纳参与的 LCF 项目确立了一种影响深远的架构,由一个小型、可信的逻辑内核控制定理的构造。

1996年,威廉·麦库恩的 EQP 证明器找到了罗宾斯猜想的证明,取得了一项引人注目的数学成果。该猜想涉及布尔代数的等式公理,是一个长期悬而未决的问题。这表明,自动演绎不仅能够复现已有论证,也能够解决困难的开放问题。不过,这类成功并不意味着任意数学发现都已成为常规:它们依赖于恰当的问题表述、专门的搜索方法,以及大量的人工准备工作。

自20世纪90年代起,冲突驱动的可满足性求解、可满足性模理论,以及与证明助手的集成,大幅拓展了自动定理证明的实际应用。Vampire 和 E 等系统推动了一阶逻辑推理的发展;SAT 和 SMT 求解器成为验证工作的核心组件;交互式环境则引入了外部自动化工具。近年来,基于学习的搜索引导又为这一架构增添了统计方法,但并未取代对推理在逻辑上有效的要求。

一阶证明搜索:归结、等式与饱和

一阶定理证明器通常将公式转换为子句,每个子句表示若干文字的析取。文字是原子公式或其否定。预处理可能包括消去蕴含、规范化否定、重命名约束变量,以及通过斯科olem化替换存在量词。斯科olem化在适当扩展的语言中保持可满足性,而不是保持原语言中通常意义上的等价性。在将证明器内部处理的问题与提交的命题联系起来时,这一区别十分重要。

基本的归结原理将含有互补文字的子句组合起来。在一个简单的命题逻辑例子中,

P∨Q,¬P∨RP \lor Q,\qquad \neg P \lor R

可推出 Q∨RQ \lor R。在一阶推理中,可能需要先进行代换,才能使相应表达式互补。合一用于寻找这样的代换。例如,在代换 x↦ax \mapsto a 和 y↦f(a)y \mapsto f(a) 下,P(f(x),x)P(f(x),x) 与 P(y,a)P(y,a) 可以合一。标准合一算法包含出现检查,以防止将有限项 xx 与 f(x)f(x) 等同起来这类无效代换。

典型的饱和式证明器会反复选取一个子句,将其与已有的相关子句结合,化简所得结果,并将有用的推论加入不断扩大的子句集合。推导出空子句即表明确有矛盾。搜索过程通过子句权重、子句的新旧程度、符号序、相关性估计,以及对可参与推理的文字所施加的限制来控制。公平的策略必须避免永久忽略完备性所必需的推理步骤。实际配置可能会牺牲这类保证,以换取在某一类问题上更好的性能。

处理等式不能仅仅把等号视为任意谓词。如果 a=ba=b,那么在适当的上下文中,就可以将出现的 aa 替换为 bb。在不受限制的归结搜索中加入一般性的等式公理,往往会造成过多的搜索分支。因此,现代系统采用专门的演算,尤其是叠加演算,将等式替换与序约束结合起来。重写可以为 x+0=xx+0=x 这样的等式确定方向,使其成为化简规则;对定向和推理施加限制则可减少冗余推导。

实现的效率在很大程度上取决于索引和冗余控制。项索引能够检索出可合一或可匹配的表达式,而无须扫描所有已存储的子句。包摄消去会移除已被更一般的子句蕴含的子句;重言式删除会丢弃恒真的子句;重写则在进一步推理之前化简表达式。这些技术可能决定一个证明是能在几秒内找到,还是即便采用了完备的演算,仍然难以寻得。

一阶搜索未必会呈现数学家会采用的概念结构。人类的一段简短论证可能对应数千步机器推理,而机器也可能在公理之间找到一条出人意料的推导路径。因此,证明器通常会保留推导记录,以便核查各个推理步骤,并以更具解释性的形式重建最终结果。

布尔可满足性与模理论推理

布尔可满足性问题通常简称 SAT,所要回答的是一个命题公式是否存在满足赋值。为了确立某个命题逻辑结论,求解器可以检验各项假设与结论的否定能否同时成立。满足赋值给出了一个反例;不可满足的结果则表明不存在这样的反例。SAT 是 NP完全性问题,但工业应用中的实例往往具有某种结构,实用算法可以有效利用这些结构。

现代 SAT 求解在很大程度上依赖冲突驱动子句学习(CDCL)。求解器选择真值,传播由此必然得出的结果,并分析矛盾。发生冲突时,求解器会推导出一个学习子句,排除的不仅是当前赋值,还包括一大类会导致失败的赋值。非时序回溯可直接返回相关的决策层级。重启、基于活跃度的分支选择、预处理和子句删除等技术有助于控制搜索过程。学习子句在重启后仍保留逻辑信息,因此重启并非简单地重复相同的计算。

许多验证问题还涉及算术、数组、固定位宽的机器字或未解释函数。可满足性模理论(SMT)将这些背景理论的语义引入可满足性求解。例如,布尔抽象可能将 x<3x<3 和 x>5x>5 视为两个独立的原子命题,但算术判定过程能够识别出,两者在实数域上不可能同时成立。在一种常见架构中,SAT 引擎负责管理布尔选择,而理论求解器则负责传播推论并解释冲突。

不同的理论需要不同的处理方法。同余闭包用于处理未解释函数应用之间的相等关系。线性实数算术可采用基于线性约束的判定过程;整数算术则需要额外推理,以确保取值为整数。位向量约束用于建模机器字,也可以转换成布尔电路,这一过程称为位展开。数组推理通常使用将读操作和写操作联系起来的公理。理论组合本身也是一个技术性问题:经典的组合方法要求满足一定条件,例如各理论的符号集互不相交,以及各组成理论具备适当的性质。

量词使问题变得更加复杂。无变量、无量词的片段往往具有完备的判定过程,而带量词的 SMT 通常采用启发式实例化方法。E-匹配利用现有项中的模式选择替换;基于模型的量词实例化则寻找能够使候选模型失效的实例。这些方法能够解决困难问题,但并不能为带量词的一阶逻辑提供保证终止的通用判定过程。

数学整数与机器字之间的区别尤为重要。对于无界整数,x+1>xx+1>x 始终成立。对于无符号的 ww 位机器字,加法按模 2w2^w 回绕,因此这一断言在 x=2w−1x=2^w-1 时不成立。求解器可以对这两种形式化表述分别作出正确的证明或反驳。然而,选错理论可能使形式上有效的结果与所要描述的软件行为无关,尤其是在涉及整数溢出或特定编程语言的算术规则时。

高阶推理、归纳法与证明助手

许多数学命题用函数、集合以及对这些对象的性质进行量化的方式来表达,都十分自然。高阶系统直接支持这种表达方式,通常采用带类型的λ演算。例如,表达式 λx. x+1\lambda x.\,x+1 表示一个函数,而不必将其表示为需要外部编码的一阶项。这种表达能力简化了形式化陈述,却也使证明搜索更加困难:不受限制的高阶合一是不可判定的,而函数外延性还可能引入额外的证明义务。

高阶自动证明器采用的技术包括受限合一、将问题转换为一阶问题,以及高阶版本的饱和演算。转换过程可以显式编码函数应用,用新符号替换 λ 表达式,或通过谓词或标记表示部分类型信息。这些变换必须保留得出预期结论所需的逻辑关系。丢失信息的转换或许仍能为搜索提供有用的指引,但如果无法以可靠的方式重建证明,就不能据此证明原定理。

归纳法带来的是另一类障碍。许多关于自然数、列表、树或递归程序的命题,都需要通过论证涵盖无界的一族情形。结构归纳法依照数据类型的构造子展开;良基归纳法则允许沿着不存在无限下降链的关系逐步下降。对于自然数上的性质 PP,常见的证明义务为

P(0)and∀n (P(n)→P(n+1)).P(0) \qquad\text{and}\qquad \forall n\,\bigl(P(n)\rightarrow P(n+1)\bigr).

生成这些证明义务并不困难。选择合适的归纳变量、加强待证猜想以及发现辅助引理,则可能困难得多。

一个常见例子是证明带累加器的尾递归列表函数的某项性质。当累加器初始为空时,所要证明的定理可能太弱,不足以支撑归纳步骤。将其推广到任意累加器,就能得到一个更强的命题,并提供更有用的归纳假设。自动化系统根据递归定义、失败的证明尝试和项的结构,运用启发式方法提出这类推广。这说明,定理证明不仅涉及应用固定的推理规则,也涉及构造中间命题。

交互式证明助手将这些能力与人来主导的证明结构相结合。Isabelle、Rocq、HOL Light、ACL2 和 Lean证明助手等系统采用了不同的逻辑与信任架构。有些侧重于高阶逻辑;另一些则使用依赖类型理论,或针对递归函数进行一阶推理。在基于柯里—霍华德对应的系统中,命题可以表示为类型,证明则表示为该类型的一个居民。

自动化可以体现为一种证明策略,用来将表达式化为规范形式、求解算术问题、搜索定理库或调用外部证明器。Isabelle 的 Sledgehammer 展示了这样一种工作流程:选取相关事实,将转换后的问题发送给外部求解器,再尝试在系统内部重建成功得到的证明结果。这种分工使系统能够在可信核心之外开展强大的搜索,同时仍以受控的方式判定哪些命题可以被认定为定理。

证明器架构、证明证书与可信性

定理证明器是一条处理流水线,而不只是单一的搜索算法。它解析形式语言,解析名称与类型,变换问题,选择前提,运行推理过程,最后报告结果。在大型形式化库中,前提选择可能与推理本身同样重要。可用的有效引理可能多达数千条,但将它们全部引入可能使搜索不堪重负。因此,相关性筛选会利用符号重合度、依赖信息、学习得到的排序,或这些技术的组合,选出规模可控的前提子集。

内部的数据结构必须支持对符号表达式反复执行操作。共享的项表示可以避免多次存储相同的子项。索引为匹配、合一和重写提供支持。高效的代换机制能够减少复制,而调度策略则决定哪些推理任务获得资源。并行计算可以同时运行不同的配置,也可以将搜索的不同部分分发执行,不过通信开销和重复工作会限制其收益。

可信性的核心问题在于,成功结果能否得到独立核查。在 LCF 风格的架构中,抽象的定理数据类型只能通过获准的原始推理操作来构造。高层证明策略可能十分复杂,也可能出错,但只要内核及其实现所依赖的假设成立,这些策略就无法产生无效的定理。在采用证明对象的架构中,外部程序构造证明项或证书,再由一个较小的检查器进行验证。因此,搜索程序可以比受信任的验证器庞大得多,也可以采用更多实验性设计。

不同推理领域采用的证书各不相同。SAT 求解器可以输出不可满足性轨迹,供检查器按照基于归结或更一般冗余条件的格式进行核查。一阶逻辑证明器可以记录推导图,展示每个子句的父子句及所用的推理规则。算术推理过程则可以给出不等式的组合,以说明矛盾如何成立。这里的原则是,不应要求重现整个搜索过程:核查一个成功的论证,往往比发现它简单得多。

小型内核并不能消除所有假设。根据系统设计的不同,可信计算基可能包括内核、解析器、精化器、证书转换器、运行时,以及编译或执行环境的某些部分。显式采用的公理同样重要。一个定理可能依赖经典选择公理、外延性或特定领域的假设;证明检查器确认的是该定理在这些假设下可推导,而不是独立验证这些假设本身。

必须谨慎解读结果类别。“定理”或“不可满足”应与“可满足”“反例”“未知”和“超时”区分开来。未能找到证明,并不意味着命题已被否证。同样,模型查找器返回的有限结构,只有在满足所有相关假设、且问题的转换保留了这一结论的情况下,才能否证某个猜想。要保证结果可复现,既需要保存形式化输入,也需要保留有关求解器配置和证书的足够信息。

在数学和工程系统中的应用

在数学中,当定义和公理形成具有规律性的搜索空间时,自动定理证明尤为有效,例如等式代数、有限组合数学以及某些类别的不等式问题。罗宾斯猜想是完全自动化演绎搜索的一个著名实例。其他计算机辅助成果则更广泛地结合了形式化证明、计算和人为设计的问题分解。这一区别很重要:经过形式化检验的定理不一定是自动发现的,而自动发现的论证最初也不一定以证明助理中的形式呈现。

大型形式化项目展示了自动化如何在人类组织的证明开发过程中发挥局部作用。Flyspeck 项目于 2014 年使用 HOL Light 和 Isabelle 完成了开普勒猜想的形式化证明,其中包括对计算组件和不等式的大量验证工作。2016 年,布尔勾股三元组问题的计算机辅助求解采用了 SAT 求解,并生成了一份规模极大的不可满足性证书。这些项目展现了证明在不同尺度上的特点:一个整体性的数学论证,可能依赖于许多由机器完成的证明义务。

在软件工程中,定理证明器依据规约证明程序的性质。编译器或验证工具可以将代码和契约转换为验证条件。函数的前置条件约束其输入,后置条件则规定输出必须满足的关系。循环通常需要一个循环不变量,即每次迭代都保持成立的性质。SMT 求解器能够完成由此产生的许多算术和内存相关证明义务,但要找到足够强的不变量,可能还需要单独的分析或人工介入。

硬件验证采用相关方法来比较电路实现、检查运算单元,并证明控制逻辑的性质。有界模型检测将有限执行深度以内的行为转换为 SAT 或 SMT 约束。在这一界限内找到的反例,是存在缺陷的具体证据;但没有找到这样的反例,通常并不等于获得了无界的正确性证明。要将结论推广到界限之外,还需要归纳、抽象或完整状态空间方法。因此,定理证明与模型检测关系密切,不过传统的模型检测侧重于对迁移系统进行系统性分析,而非任意形式的演绎推导。

安全领域的应用包括对访问控制策略、协议消息和密码学构造进行推理。符号化协议工具通常通过代数规则来表示加密和解密,并采用抽象的攻击者模型。此类证明所确立的是该模型内的性质,不应将其与针对概率攻击者和数值化安全参数的计算安全性证明混为一谈,也不应将其视为对模型之外实现漏洞的安全保证。

在这些应用中,规约的质量始终起着决定性作用。证明程序满足一份不完整的契约,仍可能使某种重要行为不受约束。在经典逻辑中,一组不一致的假设可以推出任何结论。因此,工程工作流程会将定理证明与规约审查、可执行测试、模型探索结合起来,并检查假设是否可满足,或是否适用于实际系统。

机器学习与语言模型引导的证明

机器学习处理的是定理证明中仅凭逻辑正确性无法确定唯一最佳选择的环节。一条可靠的推理规则可能有数百万种应用方式,其中只有少数有助于找到证明。学习系统可以对前提排序、选择子句、预测策略、提出中间引理,或评估哪些尚未解决的目标更有希望。逻辑演算决定哪些步骤是允许的,学习组件则影响尝试这些步骤的顺序。

前提选择是信息检索的一项自然应用。其输入是一个猜想和一个庞大的定理库,输出则是按潜在用途排序的一组事实。模型可以利用共同出现的符号、历史依赖关系,或形式表达式的表示。子句选择在更细的层面上运作,对饱和过程中生成的公式进行排序。因此,学习方法可以改进传统证明器,而不改变其可信的推理规则或证明证书的含义。

在交互式环境中,模型可以生成策略脚本或证明项。在形式化成果上训练的大语言模型,可以根据当前目标和局部上下文预测下一条命令。随后,搜索过程可以探索多个候选方案,将它们提交给证明器,并且只保留那些能够成功变换或解决目标的方案。形式化环境提供的反馈比普通文本看起来是否合理更为精确:脚本要么能通过细化检查并满足证明义务,要么会在某个具体阶段失败。

这样,猜测性生成与演绎验证便形成了有效的分工。模型可能提出错误的引理,引用定理库中并不存在的定理,或利用具有误导性的非形式化类比。这些提议不会仅仅因为听起来像数学就变得有效。完成的证明必须由可信的检查器验证;系统也必须区分真正的证明与那些引入无根据的公理、留下未经证明便被接受的目标,或证明了另一个命题的代码。

强化学习可以将目标的解决作为奖励,训练选择证明动作的策略。自动生成的练习、类似自我对弈的课程安排,以及对成功证明轨迹的复用,都可以扩充训练材料。这些方法面临奖励稀疏、与环境交互的成本高昂,以及难以选择既有挑战性又可解决的问题等困难。搜索性能还取决于所依托的定理库、可用的策略,以及为每次尝试分配的计算资源。

从自然语言到形式语言的转换,通常称为自动形式化,会带来另一类正确性问题。即使一个证明完全通过了检查,它证明的也可能是对原始语句的错误形式化。因此,评估这类系统时,既要考察转换结果,也要考察后续推导。当学习式自动化方法的统计性提议被纳入明确的形式化工作流程,并且目标命题、假设和最终证明证书都可供检查时,这类方法才能最充分地发挥作用。

评估、可扩展性与尚未解决的挑战

定理证明器通常使用标准化的形式化问题集进行评估。TPTP 库的名称意为“供定理证明器使用的数千个问题”,它为多种逻辑体系提供问题和相关规范。CADE 自动定理证明系统竞赛在规定的组别中比较自动推理系统。SAT 和 SMT 社区也各自维护基准测试集、标准化格式,并举办竞赛。这些资源提高了结果的可比性,但没有任何单一基准能够涵盖数学和验证任务的全部范围。

一种简单的性能指标是在固定时间和内存限制内解决的问题数量。更细致的评估还会考察运行时间分布、证明大小、证明证书的检查成本、所支持的逻辑、反模型的质量,以及跨领域的稳健性。针对等式代数优化的证明器,在处理带量词的算术问题或软件验证条件时,可能表现得截然不同。组合式系统通过运行多种策略来利用这种差异,有时并行运行,有时则由学习得到的调度器安排执行。

解读基准测试结果时,需要关注问题集的构建方式。对形式化库进行随机划分,可能使紧密相关的引理、不同表述的同一命题,或近乎重复的证明同时出现在训练集和评估集中。对于基于学习的系统,这可能造成数据泄漏(机器学习),夸大其表面上的推理能力。考虑依赖关系、按时间顺序或按领域隔离的划分方式,可以检验不同形式的泛化能力。报告还需要区分:系统成功证明的是此前未见过的定理,还是仅仅对熟悉材料重新命名或略作修改后的版本。

可扩展性仍然受到组合爆炸的制约。增加前提可能使定理在原则上更容易推导,却让实际寻找证明的过程困难得多。量词实例化可能生成海量无关的项;等式推理可能产生许多等价表达式;归纳证明可能需要一个无法用当前搜索语言表达的引理。启发式方法可以改善通常情况下的性能,但一般无法保证系统能迅速找到成本较低的证明。

另一个长期存在的挑战是解释质量。机器证明的优化目标是有效性和搜索效率,而不一定是便于人类理解。证明压缩、引理提取、结构化重构和自然语言呈现,有助于揭示论证的核心。然而,易读的解释与可检查的推导各有用途:解释可以省略常规细节,而证明证书必须保留足够的信息,为每一个必要步骤提供依据。

尚未解决的技术问题包括:可靠地构造新引理、更强的归纳自动化、高效的高阶推理、为复杂的理论组合提供能够生成证明的支持,以及将非形式化数学可靠地转化为形式化表述。在实际部署中,同样重要的问题还包括:将规约形式化的成本,随着软件和库的变化而维护证明,以及准确识别结果所依赖的假设。衡量进展的标准,不仅是能否解决个别困难猜想,还在于能否让经过检查的推理在不断演进的数学知识体系和工程系统中复用。