Theorem.chat Säiten.
Theorem.chat hëlt eng mathematesch Behauptung un a probéiert se ze entscheeden. Dir gitt d' Behauptung un, an de Standard deen se erfëllen muss. Eng Grupp vu KI-Modeller - sou vill wéi Dir wëllt, vu wéi enge Verkeefer Dir wëllt - attackéiert et, an nach ee Modell ass Referee. Da gëtt d'Argument an Lean 4 géint Mathlib formaliséiert, an de Lean Kernel entscheet ob et bewisen ass. De leschte Schrëtt ass d'Produkt.
Firwat e Kernel, an net en anert Modell
Stellt engem Modell eng schwiereg Fro an Dir kritt eng flësseg Äntwert ob et richteg ass oder net. Stellt e puer Froen an se sinn dacks eens, wat sech wéi eng Korrektur fillt an net ass: Modeller deelen Trainingsdaten an deelen blind Spots. E zweet Modell, dat d'éischt kontrolléiert ass nach ëmmer déi selwecht Aart vu Bewäertung, an et kann ëmgesat ginn. De Lean Kernel kann et net. Et enthält entweder d'Ausso vun den Axiomen an Mathlib, oder et mécht et net, an Vertrauen huet keng Auswierkung op d'Resultat.
D' üblech Weeër fir e formalen Beweis ze fälschen ginn iwwerpréift an ofgelehnt. E Beweis, deen e Loch mat sorry léisst, deen op native_decide appelléiert fir de Kernel eng Berechnung op Vertrauen ze maachen, oder deen e neien Axiom stilleg anféiert, gëtt entdeckt an ofgelehnt anstatt als Erfolleg ze zielen.
Wat d'Panel tatsächlech maachen kann
Argumentatioun ass de bëllegsten Deel. D'Panel schafft mat der Literatur - arXiv, OpenAlex, Crossref - sou datt e bekannt Resultat zitéiert gëtt an net schlecht erofgezunn gëtt. Et huet SageMath an PARI/GP fir Berechnungen, Z3 an CVC5 fir SMT Léisung, OEIS Sich fir d'Identifikatioun vun enger Sequenz déi et gebaut huet, an eng Sandbox Python Ëmwelt ouni Netzwierk Zougang. Eng Vermutung kann géint zéngdausend Fäll getest ginn ier iergendeen eng Ronn verbréngt fir et ze beweisen, an e Gegenbeispill beendegt d'Diskussioun soufort.
D'Evolutioun ass no der Eloquenz.
Eng Kopplung gëtt net op Basis vun der Argumentqualitéit bewäert. D' Behauptung gëtt an Akzeptanzkritären zerkläert, an e Kriterium gëtt nëmmen ofgeschloss wann eppes hannert him vun enger Drëtter Partei eriwwergesicht ka ginn: eng Quell mat der relevanter Zitater oder Code, deen tatsächlech mat senger realer Ausgab ausgefouert gouf. De Schiedsrichter kontrolléiert dës Beweiser selwer eriwwer, ier hien entscheet, an et kann d' Kopplung net als ofgeschloss deklaréieren, wann e Kriterium nach ëmmer op ass.
Dir setzt d'Limit
De Standard ass Är Entscheedung, an de Referee hält et liicht. Frot no deem, wat e virsiichtege Expert akzeptéiere géif an Dir kritt dat. Frot no engem komplette deduktive Argument mat all Uerdnung an Dir kritt géint dat geriicht. Frot no der Bar, déi eng Präisiwwerreechung géif konfrontéieren, an d' ehrlich Resultat ass normalerweis e präzis Konto wou d' Panel kuerz war - wat méi wäert ass wéi eng zouverléisseg Behauptung déi Dir selwer iwwerpréiwen musst.
Fir et kloer ze soen: dat ass keng Maschinn, déi opgaang Problemer léist. Et ass eng Maschinn, déi e Argument net als geléist iwwerginn, wann et dat net ass, an déi Iech genau seet, wéi en Schrëtt verluer gaangen ass.
D'Formatioun ass eng vun de wichtegsten Aktivitéiten.
Wann de Lean de Beweis net zoumaacht, kritt Dir dat exakt Zil, dat nach bleift. An der Praxis ass dat bal ëmmer déi Plaz, wou d' informell Argumentatioun mat der Hand gewäsch gouf - de Schrëtt, deen all déi, déi d' Prosa- Versioun gelies hunn, iwwerholl hunn. Dat Zil gëtt dann un deen Sëtz iwwerreecht, deen am beschten dofir ass, et unzehuelen, zesumme mat deem, wat schonns probéiert gouf, an näischt anert. Modeller falen of, wann se fest sinn, a stellen sech selwer mat vollem Präis eriwwer; eng spezifesch Fro ze passéieren, erlaabt normalerweis fir e Bruchteel vun de Token ze entspriechen.
D'Lëtzebuerger Land
All Lemma, dat d'Panel festleet, geet an e gedeelt Buch mat sengem Beweis, sou datt d'Resultater eemol geschriwen a ni erëm ofgeleet ginn, an d'Sackgassen ginn opgezielt, sou datt nieft hinnen nieft hinnen. Matchs lafen op der Serversäit a pauséieren op eng sécher Manéier - op Budget, op Provider-Ausfall, oder well Dir d'Tab geschloss hutt - an fueren genau do weider, wou se gestoppt hunn.
Wat ass dat net fir
Theorem ass e deduktive Wuert. Dës Säit ass fir Mathematik, Logik, theoretesch Informatik, theoretesch Physik an ekonomesch Theorie gebaut - Felder wou eng Behauptung duerch Beweis befestegt gëtt. Empiresch Froen an der Biologie, Medizin, Chemie oder Sozialwëssenschaften produzéieren keng Theoremen, se produzéieren Resultater, an keng Quantitéit vun Formaliséierung wäert se entscheeden. Eis Schwëstersäit referee.chat féiert den selwechte Panel- an Referee-Prozess ouni de Lean-Schrëtt, fir genau dës Froen.