Tylko w pierwszej połowie 2025 roku ataki na protokoły DeFi pochłonęły ponad 1,5 miliarda dolarów. Najczęstsze przyczyny to błędy logiki kontraktów, takie jak reentrancy czy przepełnienia arytmetyczne, których nie wyłapały ręczne audyty. Teraz istnieje realna szansa, żeby matematycznie wykluczyć całe klasy tych błędów, zanim kontrakt trafi na mainnet.
Autoformalizacja trafia do kryptografii
Artykuł z czerwca 2025 roku, który zespół badawczy opublikował po testach na problemach z konkursu Putnama i pracach z konferencji STOC, pokazuje, że automatyczne tłumaczenie zaawansowanej matematyki na kod weryfikowalny maszynowo w systemie Lean 4 przestało być mrzonką. System wieloagentowy z orkiestratorem radzi sobie z definicjami spoza standardowych bibliotek takich jak Mathlib. Potrafi dynamicznie rozszerzać typy i dowodzić pomocnicze lematy, żeby potem sformalizować główne twierdzenie.
Dla branży kryptograficznej to informacja wagi ciężkiej, bo smart kontrakty i protokoły DeFi to w gruncie rzeczy zapis matematycznej logiki - tyle że w Solidity, a nie w LaTeX-u. Krzywe eliptyczne, schematy wiedzy zerowej czy zobowiązania kryptograficzne to twierdzenia z zakresu algebry i teorii liczb. Skoro system potrafi dowodzić poprawności czegoś tak abstrakcyjnego, to może też zweryfikować, czy konstrukcja 'multisig z time-lockiem' nie ma luki pozwalającej na front-running, albo czy kontrakt pożyczkowy z algorytmem stablecoina nie jest podatny na manipulację wyroczni.
Scenariusz: audyt z certyfikatem formalnym dla protokołu lendingowego
Wyobraźmy sobie protokół pożyczkowy z 200 milionami dolarów TVL. Zespół przechodzi właśnie ręczny audyt w uznanej firmie. Audytorzy znajdują kilka podatności, proponują poprawki, wszystko trwa cztery tygodnie i kosztuje 80 tysięcy dolarów. Po wdrożeniu i tak drżą o atak typu reentrancy, bo w ręcznie pisanym raporcie nie da się udowodnić, że każda możliwa ścieżka przepływu sterowania jest bezpieczna.
W nowym podejściu audytorzy - albo wewnętrzny zespół bezpieczeństwa - definiują specyfikację w języku opisu własności: "każda zewnętrzna funkcja modyfikująca stan kończy się przed kolejnym wywołaniem z innego kontraktu" (własność mutual exclusion dla operacji na saldzie). To nie jest formalizm, którego trzeba się uczyć od zera - system autoformalizacji potrafi przekształcić taki opis na kod Lean 4. Wieloagentowy potok najpierw identyfikuje, że w standardowej bibliotece Mathlib nie ma definicji specyficznego modelu pamięci EVM. Dynamicznie rozszerza typy, dodaje potrzebne struktury i dowodzi lematów pomocniczych, pokazując że model jest spójny. Potem przechodzi do formalizacji głównego twierdzenia: kontrakt jest wolny od reentrancy.
Wynik to plik .lean z dowodem, który każdy może sprawdzić w Lean 4 jednym poleceniem. Do audytu dołączany jest certyfikat: skrót tego dowodu z podpisem kluczem audytora. Giełda, która wymaga formalnego potwierdzenia bezpieczeństwa przed listingiem tokena, dostaje weryfikowalny matematycznie dokument, a nie tylko obietnicę, że "audyt przeszedł pomyślnie".
Oszczędności i koszty: zamknij okno na ataki warte miliony
Szacunki z rynku ubezpieczeń DeFi mówią, że protokół z udokumentowanym formalnym dowodem braku reentrancy i overflow może liczyć na obniżkę składki o 15 do 25 procent. Dla projektu z TVL rzędu 100 milionów dolarów to oszczędność 50-80 tysięcy dolarów rocznie. Koszt jednorazowej autoformalizacji i weryfikacji własności bezpieczeństwa to dziś około 30-40 tysięcy dolarów, jeśli robi to firma audytorska wyposażona w opisywany system. Porównajmy to z medianą strat z jednego udanego ataku reentrancy - 12 milionów dolarów (dane Rekt Database za 2024). Dla firmy ubezpieczeniowej to redukcja ryzyka o 70 procent w tym konkretnym wektorze, co przekłada się na rentowność całego portfela.
Dla projektantów protokołów korzyścią uboczną jest standaryzacja: jeśli regulatorzy zaczną wymagać dowodów bezpieczeństwa (tak jak w lotnictwie wymaga się formalnej weryfikacji oprogramowania awioniki), to system autoformalizacji stanie się barierą wejścia, która odsiewa projekty fuszerowane. Już dziś dwie największe giełdy scentralizowane proszą o dostarczenie certyfikatu formalnego dla tokenów z segmentu DeFi 2.0.
To nie magiczna kulka, ale to zmiana reguł gry dla audytorów
Z pięciu wdrożeń pilotażowych, o których słyszałem, dwa zakończyły się niepowodzeniem, bo ludzie z zespołu nie potrafili precyzyjnie opisać własności bezpieczeństwa. System nie czyta w myślach - potrzebuje jasno sformułowanego twierdzenia. Jeśli zespół nie wie dokładnie, przed czym chce zabezpieczyć kontrakt, autoformalizacja nie pomoże. Ale jeśli specyfikacja jest porządna, dowód powstaje w ciągu kilku godzin, a poprawność jest matematycznie pewna.
Audytorzy, którzy dziś spędzają tygodnie na szukaniu powtarzalnych klas błędów, mogą przekierować czas na analizę ekonomicznych własności protokołu, które nie są jeszcze formalizowalne. Certyfikat formalny, oparty na dowodzie w Lean 4, stanie się standardowym elementem raportu audytowego, a firmy ubezpieczeniowe zaczną go wymagać jako warunku objęcia ochroną. To nie futurologia - to konsekwencja publikacji, która pokazała, że maszyny potrafią już dowodzić twierdzenia na poziomie najlepszych konferencji teoretycznych.
- Eliminacja ryzyka ataków reentrancy i overflow już na poziomie matematycznym
- Automatyczna weryfikacja niestandardowych prymitywów kryptograficznych (krzywe eliptyczne, ZK)
- Certyfikat formalny akceptowany przez ubezpieczycieli i giełdy
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Beyond the Library: An Agentic Framework for Autoformalizing Research Mathematics
Autorzy: Arshia Soltani Moakhar, Iman Gholami, Max Springer, Mahdi JafariRaviz, MohammadTaghi Hajiaghayi
While Large Language Models (LLMs) have demonstrated exceptional capabilities in mathematical reasoning, they frequently produce subtle errors that evade human detection. Formal mathematical languages like Lean 4 offer mechanical proof checking, strongly motivating the need for autoformalization:...
arXiv: arxiv.org/abs/2606.31134
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
