شرکت Google DeepMind در ۱۰ نوامبر ۲۰۲۶ نوشته‌ای پژوهشی منتشر کرد که AlphaProof Code را توصیف می‌کند؛ چارچوبی عاملی که به گفته نویسندگان کمک کرد ویژگی‌های امنیتی کلیدی کد واقعی پشت پروتکل Signal به‌صورت ریاضی اثبات شود. نوشته با امضای Pushmeet Kohli و Swarat Chaudhuri است. آنان راستی‌آزمایی صوری یک پروتکل رمزنگاری پرکاربرد را در این عمق چالشی دیرینه خواندند و گفتند نخستین بار است که هوش مصنوعی برای این کار به کار رفته است. همچنین گفتند نخستین بار است که پیاده‌سازی چنین پروتکل گسترده‌ای با هر روشی، با هوش مصنوعی یا بدون آن، به‌طور صوری راستی‌آزمایی شده است.
نویسندگان نوشتند پروتکل Signal گفت‌وگوهای خصوصی را در برنامه‌هایی مانند Signal و Google Messages پاس می‌دارد. به گفته آنان بیشتر کارهای پیشین راستی‌آزمایی در سطح طراحی پروتکل می‌ایستاد، نه در سطح کد ترجمه‌شده‌ای که روی دستگاه اجرا می‌شود. AlphaProof Code چنان توصیف شده که کار را مانند یک گروه پژوهشی تقسیم می‌کند: متخصصان انسانی با مدل‌ها تصمیم می‌گیرند چه چیز باید اثبات شود و سپس گروهی از عامل‌ها اثبات‌ها را پیش می‌برند.
DeepMind گفت پژوهشگرانش با ترکیبی از مدل‌ها همکاری کردند تا هدف‌های امنیتی Signal را به مشخصات ریاضی صوری برگردانند و متخصصان انسانی هر مشخصات را بازبینی کردند. سپس عامل‌هایی که با Gemini Carbon کار می‌کردند بیش از شش میلیون خط به زبان Lean پدید آوردند؛ زبانی که برای نوشتن اثبات‌های ریاضی قابل بررسی با ماشین به کار می‌رود. عامل‌ها اثبات را هم حسابرسی کردند و حدود یک درصد از کد را برای نگاه دوباره انسانی علامت زدند. نویسندگان نوشتند چون Lean بقیه را به‌طور خودکار می‌سنجد، متخصصان توانستند بازبینی را جایی متمرکز کنند که هنوز داوری انسانی اهمیت دارد.
از عامل‌ها برای اثبات این نکته استفاده شد که کد ترجمه‌شده ویژگی‌های مشخص‌شده را برآورده می‌کند، از جمله اینکه پیام‌ها پیش و پس از اینکه دستگاهی موقتاً به خطر بیفتد محافظت‌شده می‌مانند. نویسندگان گفتند این فرآیند چهار هفته طول کشید، در برابر کاری که از نظر تاریخی گروه‌های خبره را سال‌ها مشغول می‌کند. برای آزمودن اینکه سامانه کد درست را از کد معیوب تشخیص می‌دهد، دو نقص واقعی ازپیش‌رفع‌شده را دوباره در نسخه‌ای جدا از کد Signal وارد کردند. به گفته آنان در هر دو مورد سامانه اثباتی ماشین‌سنجیده پدید آورد که نسخه معیوب ناامن است.
Ehren Kret، مدیر فناوری Signal، نقل شده که راستی‌آزمایی صوری پیشین روی بخش‌های کوچک‌تری از کد متمرکز بود و استفاده از عامل‌های هوش مصنوعی برای برگرداندن کد زنده به قضیه‌های معتبر Lean پیشرفتی بزرگ است. او گفت با رشد تهدیدهای امنیتی برخاسته از هوش مصنوعی، راستی‌آزمایی سخت‌گیرانه پیاده‌سازی پروتکل به Signal اطمینان بیشتری نسبت به تضمین‌های حریم خصوصی می‌دهد. DeepMind کارکنان دیگری از Signal از جمله Rolfe Schmidt و Michael Rosenberg را نیز در میان کسانی آورد که درباره روش بازخورد دادند.
نویسندگان نتیجه را گامی به‌سوی بردن این نوع اطمینان به نرم‌افزارهای حیاتی دیگر دانستند، از میان‌افزار تجهیزات پزشکی تا سامانه‌های شبکه برق، و گفتند مصنوعات راستی‌آزمایی صوری را برای استفاده جامعه به‌صورت متن‌باز منتشر می‌کنند. خوانندگان را به مقاله‌ای فنی در همان صفحه هم ارجاع دادند. این کار در کنار عرضه همان‌روز Gemini 4 Carbon قرار می‌گیرد که اطلاعیه Carbon آن را مدل به‌کاررفته همراه سامانه‌های دیگر درون AlphaProof Code معرفی می‌کند. این دو نوشته مرتبط‌اند اما رویدادهای متفاوتی را شرح می‌دهند: یکی نتیجه پژوهشی درباره کد Signal است و دیگری تغییر دسترس‌پذیری یک محصول.
ادعاها درباره تازگی کار، بازه چهار هفته‌ای، شش میلیون خط Lean و دو نقص بازدرج‌شده از DeepMind می‌آید و با تأیید نقل‌شده Signal از این رویکرد همراه است. این گزارش اثبات‌ها را دوباره اجرا نکرد و مصنوعات منتشرشده را حسابرسی نکرد. باید این رقم‌ها و مقایسه با تلاش‌های چندساله متخصصان را روایت نویسندگان دانست و توجه داشت که راستی‌آزمایی ویژگی‌های کلیدی مشخص‌شده پیاده‌سازی پروتکل را پوشش می‌دهد، نه وعده‌ای بی‌کران که هر نقص ممکنی کنار گذاشته شده است.