AlphaProof Code: DeepMind verifica formalmente il codice di Signal con Gemini Carbon

Il 10 novembre 2026 Google DeepMind ha presentato AlphaProof Code, un framework ad agenti pensato per la verifica formale del software. Il banco di prova scelto non è un esercizio da laboratorio, ma il codice crittografico di Signal, l’app di messaggistica cifrata usata da milioni di persone. Gli agenti, basati su Gemini Carbon, hanno scritto in Lean le dimostrazioni che il codice rispetta le proprietà di sicurezza richieste, e lo hanno fatto in circa quattro settimane.

Se ti occupi di sicurezza, di sviluppo o semplicemente di capire dove sta andando l’AI applicata al software, è una notizia che merita attenzione, a patto di leggerla con il giusto equilibrio tra entusiasmo e cautela.

Che cos’è AlphaProof Code e come funziona

Secondo il post ufficiale di DeepMind, firmato da Pushmeet Kohli e Swarat Chaudhuri, AlphaProof Code è un framework agentico per la verifica formale a una profondità senza precedenti. L’idea di fondo è una divisione dei compiti molto netta: gli esseri umani decidono che cosa vale la pena dimostrare, mentre gli agenti AI si occupano della parte più faticosa, cioè scrivere le dimostrazioni vere e proprie.

Il sistema è multi-modello. Non c’è un unico LLM che fa tutto, ma una combinazione di modelli che lavora in fasi diverse, con Gemini Carbon protagonista nella scrittura delle prove.

I quattro passaggi del processo

Il primo passaggio è la traduzione degli obiettivi di sicurezza di Signal in specifiche matematiche formali. Qui i modelli aiutano a formulare le specifiche, ma ogni singola specifica è stata rivista da esperti umani. È un dettaglio cruciale, perché una dimostrazione è affidabile solo quanto la specifica da cui parte.

Il secondo passaggio è la scrittura delle dimostrazioni in Lean, un linguaggio che permette di controllare meccanicamente la correttezza di ciò che è stato scritto. Se una prova è sbagliata, Lean la rifiuta: non c’è spazio per il «sembra giusto».

Nel terzo passaggio gli agenti hanno verificato il proprio lavoro e segnalato le aree che richiedevano un secondo sguardo umano. DeepMind indica che si tratta di circa l’1% del codice. Il resto viene controllato in automatico da Lean, che fa da arbitro finale.

Il quarto passaggio è la pubblicazione: le specifiche e le dimostrazioni sono state rese open source, in modo che la comunità possa ispezionarle, riutilizzarle e criticarle.

I numeri del caso Signal

Il risultato che ha fatto più rumore riguarda la scala. Il testo del post parla di oltre sei milioni di righe di Lean, anche se la meta description della stessa pagina cita oltre tre milioni di righe di prove verificate meccanicamente: le due cifre non vengono riconciliate nel testo, quindi conviene prendere i numeri con un minimo di prudenza e leggere il paper tecnico per i dettagli. Alcune ricostruzioni di terze parti, basate sul paper, parlano di circa 6,5 milioni di righe poggiate su circa 26.000 righe di specifiche e semantica della macchina da considerare affidabili.

Sul tempo, invece, la comunicazione è chiara: quattro settimane. DeepMind sottolinea che un lavoro di questo tipo richiede storicamente anni di impegno a team di esperti. Sempre secondo ricostruzioni di terze parti, il lavoro sarebbe stato svolto da un gruppo di cinque persone, mentre Google non avrebbe condiviso il costo dell’operazione.

Quattro settimane contro anni.

Verifica fino al codice macchina

Il punto più interessante è il livello a cui arriva la verifica. Le prove coprono il codice compilato, fino alle istruzioni macchina che girano sui dispositivi, e non solo il progetto del protocollo. DeepMind afferma che è la prima volta che l’implementazione di un protocollo molto diffuso viene verificata formalmente con qualunque metodo. Perché conta? Perché le vulnerabilità reali si nascondono spesso proprio nello scarto tra il design, che sulla carta è corretto, e l’implementazione, dove un dettaglio sfugge.

Le proprietà verificate riguardano il cuore crittografico: il codice offre le garanzie di sicurezza indicate dagli esperti, ad esempio la protezione dei messaggi prima e dopo una compromissione temporanea di un dispositivo. Il post non elenca nel dettaglio ogni proprietà, ma le analisi che citano il paper menzionano forward secrecy, autenticazione, sicurezza post-compromissione e segretezza dell’handshake.

Il test dei bug reintrodotti

Per capire se il sistema fosse davvero in grado di accorgersi dei problemi, i ricercatori hanno fatto una prova di stress. Hanno reintrodotto in una copia isolata del codice di Signal due bug già corretti in passato. In entrambi i casi, il sistema ha prodotto una dimostrazione verificata dalla macchina del fatto che la versione difettosa non era sicura.

È una verifica sensata, perché risponde a un dubbio legittimo: un sistema che dimostra solo cose vere potrebbe, in teoria, essere semplicemente incapace di dimostrare qualsiasi cosa. Qui invece ha saputo distinguere il codice corretto da quello sbagliato. Il post non descrive i due bug, quindi non possiamo giudicare quanto fossero sottili.

Alla ricerca hanno contribuito Swarat Chaudhuri, Andrew Ferraiuolo, Anton Kovsharov, Tej Chajed, Sam Schlesinger, Karn Seth, Jonathan Katz, Charles Sutton e Pushmeet Kohli. Dal lato di Signal è citato il direttore tecnico Ehren Kret.

I limiti da non dimenticare

Una dimostrazione formale non è una garanzia assoluta di sicurezza. Dimostra che il codice rispetta le proprietà scritte nella specifica, e solo quelle. Se la specifica è troppo ristretta o contiene ipotesi sbagliate, un codice difettoso può comunque superare il controllo. Il paper stesso, come riportano le analisi di terze parti, avverte che le specifiche non possono essere verificate automaticamente e che l’AI può ridurre il costo della scrittura delle specifiche e dell’assicurazione, ma non sostituire del tutto il giudizio umano.

Poi c’è la questione dell’ambito. Il risultato riguarda il nucleo crittografico di una base di codice critica, non l’intera app di Signal. Secondo quanto riportato dalla stampa tecnica, le verifiche non avrebbero fatto emergere nuove vulnerabilità nelle parti controllate, e il risultato presuppone che la crittografia di base sia perfetta.

Infine, la maggior parte del software non ha alcuna specifica formale. Prima di verificare un programma bisogna sapere con precisione che cosa deve fare, e questo è un lavoro che pochi progetti hanno mai fatto. Lo stesso DeepMind ammette che estendere queste tecniche richiede ulteriore ricerca.

In sintesi: un passo enorme, ma su un terreno dove le specifiche esistevano ed erano curate da specialisti.

Perché è importante per l’ecosistema AI

Questo annuncio si inserisce in un filone che il nostro sito segue da settimane: l’AI che non si limita a generare codice, ma lo controlla. Ne abbiamo parlato raccontando FlashProve di Anthropic e l’inferenza verificabile, e a proposito della ricerca di DeepMind su RSA-1024 e gli agenti AI nella crittografia. AlphaProof Code unisce i due fili: agenti capaci di ragionare su matematica e crittografia, con un verificatore meccanico che non si fida delle parole ma controlla ogni passaggio.

C’è anche un legame con la strategia più ampia di Google sul fronte modelli. Gemini Carbon, il modello che muove gli agenti, è lo stesso di cui ci siamo occupati nell’articolo su Gemini 4 Carbon e la cybersicurezza a lungo orizzonte. Qui lo vediamo applicato a un compito concreto, dove il successo non si misura con un benchmark ma con una prova che la macchina può controllare.

DeepMind guarda già oltre la messaggistica. Il post cita come possibili applicazioni altri sistemi vitali, come il firmware dei dispositivi medici e il software delle reti elettriche, e colloca il lavoro accanto a CodeMender, l’agente di difesa automatizzata dell’azienda. Se il metodo reggerà fuori da Signal, la verifica formale potrebbe smettere di essere un lusso per pochi progetti e diventare una pratica più accessibile.

Cosa cambia per chi sviluppa

Nel breve periodo non cambia nulla nel tuo flusso di lavoro quotidiano: nessuno ti chiederà domani di scrivere prove in Lean. Cambia però la direzione. Se gli agenti riescono a produrre dimostrazioni controllabili a un costo di tempo molto inferiore, il collo di bottiglia si sposta sulla qualità delle specifiche. Saper dire con precisione che cosa un software deve garantire diventa una competenza di valore, forse più di quella di scrivere il codice stesso.

Per chi lavora con l’AI nel marketing, nella SEO o nella blockchain, il messaggio è utile: in ambiti dove un errore costa caro, come i contratti e i protocolli, la verifica formale assistita dall’AI è un tema da tenere d’occhio.

Conclusioni

AlphaProof Code non dimostra che il software sia diventato infallibile, e DeepMind non lo sostiene. Dimostra che, con specifiche scritte da esperti e agenti capaci di produrre prove controllabili, la verifica a livello di codice macchina può passare da progetto di anni a lavoro di settimane. La parte più preziosa, probabilmente, è che i risultati siano aperti: chiunque può leggere le specifiche, cercarne le lacune e costruirci sopra.

Se vuoi approfondire, parti dal post originale di DeepMind e dal paper tecnico collegato, poi confrontali con le analisi critiche. E seguici qui su Intelligenza Artificiale.net: continueremo a raccontare come l’AI sta cambiando il modo in cui si scrive e si controlla il software.