SocienceAI · 学术研究2026 年第 11 期

科学知识库不能抹掉推导:证明相关性是可信聚合的地基

摘 要同一论断的两条不同推导,在 Coq 与 Lean 4 这类主流证明助手看来竟全然等价——「证明无关性」这条看似无害的约定,正在成为可验证科学知识库的第一道裂缝。Will 指出,证明助手把证明无关性内建于定义转换之中,对固定公理之上的数学这确属自然,但验证型科学知识库的职责恰恰是检视并比对同一论断的独立推导,判断性证明无关性与这一职责根本不相容;其应对之道是一套证明相关的类型理论,让论断连同其推导结构以带类型知识的形式入库。socienceAI实验室认为,这一转向把智能体知识生态的信任问题从「结论是否为真」推进到「由谁、循何种路径、在何种制度下得出」,可信聚合的版图上,可审计的推导链比更聪明的结论生成器更接近那块缺失的拼图。

关键词可信智能体;知识溯源;可验证知识;知识生态

1 引言

智能体之间的知识协作正在从「交换结论」走向「交换论证」。当一条科学论断可以被某个智能体生成、被另一个智能体复用、再被第三个智能体聚合时,真正决定生态质量的不是单点智能的高度,而是结论在流转过程中能否保持可核验。这条信任链的最底层,其实埋在一个多数人不会留意的地方:支撑机器可检验推理的证明助手系统,在语言设计的最深处做了一个看似无害的简化——只要两个推导证明的是同一个命题,系统就把它们当作同一个东西。

Will 在近期一项工作中对这一约定提出了正面质疑[1]。该工作指出,Coq、Agda 与 Lean 4 等证明助手将证明无关性(proof irrelevance)内建于定义转换之中:对于处于命题世界 Prop 中的类型 P,其上的任意两个证明 p 与 q 都被判为定义相等(p ≡ q)。对固定公理之上的数学而言,这种简化确实自然——数学关心的是定理是否成立,而非由哪条路径确立。但对验证型科学知识库而言,情形恰好相反:知识库的核心职责就是检视与比对同一论断的多条独立推导,判断性证明无关性与之根本不相容。

这段讨论的分量,远超类型论领域的一个技术细节。它触及的问题是:一门面向科学的知识表示,究竟应该以结论为中心,还是以推导为中心。答案决定了智能体协作生态里「可信」二字有没有落脚之处。

2 领域进展评述

2.1 证明无关性的来历与代价

证明助手的类型论根基里,命题被建模为一个宇宙 Prop,其中的元素就是证明。所谓证明无关性,是指当 P : Prop 时,其上的任意两个证明 p 与 q 都满足定义等价 p ≡ q——等价判定发生在「定义转换」这一层面,无需任何显式假设,也不留下任何可供区分的痕迹。这不是可选的插件式设计,而是内建在系统核心的判断规则里。

这种设计的理由并不神秘。在经典数学实践中,一个定理的「真」由公理系统保证,至于是构造性证明还是经典证明、是长推导还是短推导,对使用者往往无关紧要;把证明压扁成一个点,能让等价推理、重写与自动化处理更为轻快。Coq、Agda 与 Lean 4 在这一点上达成了事实上的共识[1]。

代价在科学场景里显形。验证型科学知识库要回答的不是「P 是否成立」,而是「P 是被哪条推导确立的、该推导依赖哪些假设、它与另一条独立推导分歧在哪里」。一旦判断性证明无关性生效,这些问题的答案在语言层面就被抹掉了:两条来源、方法、假设截然不同的推导,在系统内部完全不可区分。换言之,证明无关性对数学是便利,对科学知识库是实打实的信息损失。

2.2 从固定公理到构造性制度:知识库需要什么样的类型论

Will 给出的回应是重构知识表示的地基:提出「构造性制度上的带类型知识」,主张面向验证科学的知识应当建立在一种证明相关的类型理论之上[1]。所谓制度,可以理解为承载知识的逻辑与语义环境——公理、推理规则与语义解释共同构成的框架。数学知识依附于相对固定的制度,而科学知识所处的制度是开放、可扩展、可竞争的:新的实验范式、新的建模约定、新的统计方法,都会改变哪些推导算数、哪些论断成立。

在这一图景里,知识条目不再只是一个命题,而是命题连同其证明对象的一体化封装。推导本身成为一等公民:它可以被存取、被比对、被引用,也可以在假设变更时被重新检查。命题与证明的捆绑意味着,知识库不仅能回答「有什么结论」,还能回答「结论从何而来」——这正是可验证科学对知识表示的最低要求,却长期被证明无关的表示形式挡在门外。

表 1 证明无关与证明相关两种知识形态的能力边界
维度证明无关的表示(主流证明助手)证明相关的表示(验证型科学知识库所需)
等价判定同一命题的不同推导被判为定义等价保留推导差异,推导本身可区分
可回答的问题定理是否成立定理由哪条推导确立、依赖何种假设
独立推导不可区分,无法并列检视可检视、可比对、可聚合
适用场景固定公理之上的数学开放制度之下的科学知识库
信任链形态结论可信即整体可信逐条推导可审计、可归因

2.3 与智能体知识生态的衔接

当知识的生产者从人类研究者扩展为智能体,上述能力边界直接决定协作质量。智能体生成的知识条目如果不携带推导结构,下游智能体面对的就只是一句断言,既无法核实其前提,也无法在其失效时定位原因。多条智能体各自产出的结论汇入同一知识池时,缺乏推导链的聚合只能按断言的表面一致性取信,独立推导之间的分歧信号在聚合前就已丢失。从这个角度看,证明相关的知识表示为智能体协作补上了机器可读的溯源标准:每条结论自带「它如何被确立」的说明,聚合层才有真正的材料可用,跨智能体的可信聚合才有起点。

3 方法论意涵

socienceAI实验室认为,这项工作的意义要放在智能体知识生态的整体格局里评估。该领域近年的一条主线是追求个体能力的涌现:更大的模型、更强的工具调用、更长的自主执行。但分工之后的聚合环节长期缺乏对称的投入——多个智能体的产出汇到一起时,用什么标准决定谁的意见算数?证明相关的类型理论给出的答案是:不按声音大小,而按推导的可核验性。这恰好回应了评价任何智能体系统的第一性问题:它的信任链是否可审计、失败是否可归因、知识是否可溯源。当推导成为知识的一等属性,这三个问题在表示层面就有了着力点——信任链的每一环是显式的推导结构;推导失效时,前提假设的变更可以精确定位到受影响的条目;知识的出处不再是元数据里的一个字符串,而是可机检的证明对象。

同样的立场也要求保持审慎。证明相关并不等于自动可信:类型理论保证的是推导结构被完整保留且机器可检,而推导所依赖的经验前提、制度约定的合理性,仍然需要研究者判断。智能体在这里的角色是增强而非替代——它们可以把海量推导纳入统一的可检空间,把假设变更的影响面算得清清楚楚,但哪条推导值得采信、哪个制度适合承载哪类知识,判断权应当留在研究者手里。socienceAI实验室认为,不可验证的协同只是噪声放大器;反过来,有了可验证的推导表示,协同才第一次拥有可以谈「可信」的对象。

4 挑战与展望

要把证明相关的知识表示落到真实的科学工作流,仍有几道清晰可见的门槛。其一是形式化门槛:把自然语言承载的科学论述——实验设计、统计推断、模拟结果——转化为带类型的推导,工作量远超当前多数团队愿意承担的范围,表达力与可用性之间的张力会长期存在。其二是制度的互认:不同知识库可能建立在不同的构造性制度之上,两条推导在各自制度内部无懈可击,跨制度聚合时如何互认、冲突如何裁决,目前尚无成熟协议。其三是存量迁移:已被广泛引用的知识资产大多以无推导的断言形式存在,如何在不推倒重来的前提下为它们补上推导链,决定了这套理想能落地多快。

尽管如此,方向上的判断并不含糊。socienceAI实验室认为,这项进展让可信聚合更近了:它把「可审计」从外挂的流程约定下沉为类型系统的内建属性,使信任链第一次有了可机检的载体。眼下缺的那块拼图,是跨制度的推导互认协议——单库内部的证明相关表示已见雏形,而开放生态里多条制度、多个知识库之间的推导如何彼此承认,还没有出现等价的公共约定。在那之前,可验证科学知识库与智能体协作生态的融合,仍将停留在各自为政的孤岛状态。

参考文献

  1. [1] Hans-Martin Will. Typed Knowledge over Constructive Institutions: A Proof-Relevant Type Theory for Verified Science[EB/OL]. arXiv:2611.15108 (2026-11-11)[2026-10-07]. https://arxiv.org/abs/2611.15108