一句话定义：证明泔水（Proof Slop）指由大语言模型批量生成的数学证明文本——格式工整、术语齐全、读起来像模像样，却经不起逐行检查，也无法被机器验证。
为什么会冒出来
大语言模型（Large Language Model, LLM）的训练目标是预测下一个 token，也就是让输出在统计上“像”人写的证明，而不是在逻辑上“是”证明。这两件事平时大致重合，到了数学里刚好分道扬镳：证明的价值全在每一步是否被允许，而“像证明”只要求符号，以及“显然”“不妨设”“由对称性可知”这些连接词出现在对的位置。
打个比方，这就像一份装修报价单：格式规范、项目齐全、单价和数量列得整整齐齐，但工程量算错了一处。你扫一眼觉得专业，照着施工就出事。麻烦在于，数学证明这份报价单常常有二十页。
常见破绽：引用一个不存在的定理、把特例当成通例、用“显然”跳过真正的难点、“不妨设”把一般情形偷偷设掉、符号前后不一致、结论悄悄出现在第二步。
为什么不好发现
验证成本不对称。生成二十页证明近乎免费；认真验证它，要一位受过训练的读者花上几天，而同行评审（peer review）本就是自愿、无偿、时间有限的活动，预印本平台（preprint server）大多只做最低限度的筛查。于是泔水先落地，验证往后排，引用不等人。
更麻烦的是闭环：这些文本进入公开网页，被爬进下一轮训练语料，成为模型“数学直觉”的一部分。错误就不再属于某一篇论文，而变成分布的偏移——这是模型自噬（model collapse）在数学领域的一个切片。
和相邻概念的区别
| 概念 | 外观 | 主要风险 |
|---|---|---|
| 人类笔误 | 局部出错，通常前后不自洽 | 单点错误，容易定位 |
| 论文工厂（paper mill） | 模板化、数据可疑 | 学术评价失真 |
| 幻觉（hallucination） | 常常一眼就可疑 | 单条信息不可信 |
| 证明泔水 | 工整、连贯、显得很专业 | 污染预印本、评审与语料 |
关键差别在外观：普通幻觉往往一眼可疑，Proof Slop 的卖点恰恰是“看不出问题”。它也不等于形式化证明——用 Lean、Coq 这类证明助手（proof assistant）逐行机检过的文本不在此列，因为机器不认“显然”。
对从业者和普通人的意义
给研究者：把“AI 帮我写”和“AI 帮我证”分开管理；关键引理必须能指到可核对的出处，或者能够独立复现；重要结论尽量落到可机检的形式化脚本或可执行的数值证书上。评审时优先抽查中段引理，而不是重读引言——破绽总在链条中间。
对普通职场人，这是一条通用的检查方法：任何“格式完美、链条很长、每一环都无法独立验证”的产出都值得警惕，合规意见、尽调报告、财务模型都有各自的 Proof Slop。三个低成本动作：抽中间一环问依据、换一套记号让对方重述、追问边界情形。
可读性不等于可靠性；越是看起来不用检查的东西，越要检查。