یک تیم امنیتی ۱۸۰ میلیون خط کد اثبات ریاضی را در عرض هفته‌ها و بدون هیچ بازبینی انسانی نوشت. این رقم، مقیاس رسمی‌سازی کد را از حوزه‌ی تخصصی هوانوردی به سطح عمومی نرم‌افزارها کشانده است.
تیم قرمز أنتروپیک (Anthropic) در ۲۳ اکتبر ۲۰۲۶ اعلام کرد که مدل کلود (Claude) به‌صورت خودکار ۱۸۰ میلیون خط اثبات رسمی برای ۱۲۳ کتابخانه اوپن‌سورس پروژه OSS-Fuzz گوگل تولید کرده است. به نقل از گزارش The Decoder، این سیستم با همکاری Theorem ساخته شده و اثبات‌ها توسط روک (Rocq) تأیید می‌شوند.
جزئیات فنی و محدودیت‌ها:
- اثبات‌ها تنها برای معماری پردازنده خاص، برنامه‌های تک‌رشته‌ای و ورودی‌های زیر ۶۴ مگابایت معتبرند
- هر اثبات منفرد صدها میلیون توکن (Token) مصرف می‌کند
- اپاس ۵.۵ (Opus 5.5) نیمی از اثبات‌ها را با حدود ۴۰٪ توکن کمتر از اپاس ۵ (Opus 5) حل می‌کند
- نقشه‌راه Theorem شامل glibc، OpenSSL و cURL است
همان‌طور که در تحلیل قبلی ما درباره‌ی مدل های‌مموری (Hy-Memory) تنسنت اشاره کردیم، آنتروپیک اکنون محور پیشرفت را از «آیا هوش مصنوعی می‌تواند برنامه‌نویسی کند؟» به «آیا هوش مصنوعی می‌تواند امنیت کد خود را اثبات کند؟» منتقل کرده است.
رسمی‌سازی (formal verification) به‌صورت سنتی هزینه‌بر بوده — هسته seL4 بیست سال-شخص را به خود اختصاص داد. این پیشرفت در لحظه‌ای رخ می‌دهد که کدهای تولیدشده توسط هوش مصنوعی زاینده (Generative AI) رو به افزایشند و مسائل اعتماد را تشدید می‌کنند. تیم قرمز آنتروپیک تست‌های کرش را به مسائل ریاضی تبدیل، کد ماشین کامپایل‌شده را تحلیل و اثبات‌ها را تولید کرد. کلود صدها باگ را که کشف کرد برطرف نمود، از جمله یک خطای منطقی دهه‌قدیمی و یک سال باگ‌های امنیتی یک خواندۀ PDF در تنها یک هفته. حتی تلاش‌های ناموفق اثبات نیز باگ‌های واقعی را آشکار ساخت.
آنتروپیک صراحتاً اعلام کرده که «رسمی‌تأییدشده» به معنای «بدون خطا» نیست، به دلیل شرایط سخت‌گیرانه. طبق اعلام شرکت، هزینه محاسباتی همچنان بالا است و هزینه کل پروژه فاش نشده است. با این حال، این کار نشان می‌دهد که مدل‌های زبانی بزرگ (LLM) می‌توانند رسمی‌سازی را فراتر از هوانوردی به نرم‌افزار عمومی مقیاس‌دهند. بهره‌وری ۴۰ درصدی توکن بین نسخه‌های اپاس پیشرفت سریع را نشان می‌دهد. اگر رسمی‌سازی به اندازه تست عملیاتی شود، اقتصاد توسعه با کمک هوش مصنوعی به‌شکل دراماتیکی تغییر می‌کند — زمان بازبینی کمتر، اعتماد بیشتر. با این حال، محدودیت ۶۴ مگابایتی ورودی و فرض تک‌رشته بودن اکثر بارهای تولیدی را خارج می‌کنند. آزمون واقعی تعمیم به سیستم‌های هم‌زمان و غیرمحدود است. تمرکز Theorem بر زیرساخت‌های حیاتی (glibc، OpenSSL) زمینۀ آزمون مناسب است.
گام بعدی شما
- کار روی glibc و OpenSSL توسط Theorem را رصد کنید؛ موفقیت آنجا سیگنال آمادگی برای استقرار تولیدی خواهد بود
- اکنون با دستیارهای اثبات روک (Rocq) و کوک (Coq) آزمایش کنید تا برای گردش‌های کار رسمی‌سازی تقویت‌شده با هوش مصنوعی آماده شوید
- جزئیات متدولوژی در وبلاگ آنتروپیک برای تیم‌هایی که ادغام روش‌های رسمی را ارزیابی می‌کنند، قابل مطالعه است
اما داستان مقیاس‌پذیری این رویکرد به سیستم‌های هم‌زمان هنوز باز است — به تحلیل آتی ما درباره‌ی رسمی‌سازی در مقیاس تولید مراجعه کنید.
گفتگو