Google DeepMind 推出 AlphaProof Code，用 AI 智能体形式化验证 Signal 协议代码

2026年11月10日 研究

Pushmeet Kohli 和 Swarat Chaudhuri

Google DeepMind 的研究人员如何构建了一个新的智能体框架，对 Signal 加密协议的代码进行了形式化验证——这长期以来被视为一项重大安全挑战

今天，我们分享软件安全领域的一个里程碑，这一领域长期以来被视为一项重大挑战：Google DeepMind 的研究人员引导 AI 智能体，对 Signal 协议实际底层代码的关键安全属性进行了数学证明，该技术保护着 Signal 和 Google Messages 等应用中数十亿次私人对话。

这一突破性发现使用了 AlphaProof Code，这是一个新颖的智能体框架，能够以前所未有的深度进行形式化验证，将人类专业知识与 AI 智能体相结合。 形式化验证——用数学方法证明代码运行正确且无缺陷——是安全保证的最高标准；然而，它难度大且通常耗费大量人力。

我们的工作标志着 AI 首次被用于以这种深度对广泛部署的加密协议进行形式化验证。这也是首次通过任何方法（无论是否使用 AI）对如此广泛部署的协议实现进行形式化验证。

我们如何验证 Signal

AlphaProof Code 是一个多 LLM 智能体框架，它像研究团队一样拆分形式化验证工作：人类专家与 AI 合作决定要证明什么，然后由一组 AI 智能体来完成。

首先，我们的研究人员与多种模型协作，将 Signal 的安全目标转化为形式化数学规范，并由人类专家逐一审查。随后，由 Gemini Carbon 驱动的智能体完成证明，生成了超过六百万行 Lean 代码，Lean 是一种用数学方法证明代码准确性的计算机语言。

接下来，智能体审计了证明，并标出了需要人工复核的部分——仅占代码库的百分之一，大幅节省了时间。由于 Lean 会自动检查其余部分，我们的专家可以将审查集中在最需要人类判断的地方。

加密协议支撑着几乎所有数字通信，从网上银行到网页浏览，一个缺陷就可能同时暴露数百万人的信息。这就是专家们花费数十年对其进行形式化分析的原因。

但大多数协议验证止步于设计层面。我们的智能体更进一步，证明编译后的代码满足关键安全属性——例如在设备暂时被攻破前后保持消息受保护——直至设备上运行的确切代码。由于现实世界的漏洞往往隐藏在设计与其实现之间的差距中，弥合这一差距使这些证明变得复杂得多。

即使在这种复杂度下，我们的验证过程仅用了四周——这项任务历史上需要专家团队花费数年——证明了 Signal 的核心加密代码提供了我们专家指定的安全保护。

为了确认 AlphaProof Code 能够区分正确代码和有缺陷的代码，我们在 Signal 代码的隔离版本中重新引入了两个真实的、此前已修复的缺陷。在这两种情况下，系统都生成了机器校验的证明，表明有缺陷的版本是不安全的。

虽然以往的形式化验证工作必然聚焦于较小的范围，但这一新方法实现了显著的扩展。传统上，要验证生产代码严格符合其密码学设计需要大量人工投入，因此利用 AI 智能体将实际运行的代码自动转换为有效的 Lean 定理是一项重大突破。随着 AI 驱动的安全威胁不断增长，借助自动定理证明对 Signal 协议核心进行严格验证，让我们更有信心确信我们的代码能够兑现其隐私保证。

安全的未来

攻克这一长期挑战表明，AI 能够为企业、政府和关键基础设施带来顶尖的安全保障，帮助抵御由智能体驱动的网络威胁。

验证 Signal 的核心密码学为保护其他关键系统奠定了基础，从医疗设备固件到电网软件。

推广这些技术需要持续研究。配合 CodeMender 等自动化防御智能体，形式化验证可以帮助应对现代网络威胁的速度和规模，打造出拥有数学证明其防护有效的软件。

我们正在开源我们的形式化验证产物供社区使用。请阅读下方的技术论文。

致谢

本研究由 Swarat Chaudhuri、Andrew Ferraiuolo、Anton Kovsharov、Tej Chajed、Sam Schlesinger、Karn Seth、Jonathan Katz、Charles Sutton 和 Pushmeet Kohli 完成。

我们感谢 Eric Wieser 协助开源我们的代码，Owen Jones 提供项目管理支持，以及 Martín Abadi、Christopher Henson、Katerina Hristova、Henryk Michalewski、Jonathan Protzenko 和 George Tsoukalas 的有益讨论。我们感谢 Signal 的 Rolfe Schmidt、Michael Rosenberg 和 Ehren Kret 对我们方法的反馈。我们也感谢 Tulsee Doshi、Four Flynn、Kate Olszewska、Alicia Huang、Andy Liu、Benoit Schillings、Raluca Ada Popa、Melvin Johnson、Koray Kavukcuoglu、Demis Hassabis 和 Sundar Pichai 对本项目的支持。