Amazon-Anthropic-Partnerschaft steht vor neuer Bewährungsprobe, als Claude kryptografische Schwächen entdeckt

Forscher der Amazon-Anthropic-Partner sagen, Claude Mythos Preview habe zwei neue kryptografische Angriffe gefunden, obwohl das Modell zunächst darauf bestand, das schwierigere Ziel sei nahezu unmöglich. Die Ergebnisse betreffen HAWK und eine siebenteilige Forschungsversion von AES-128. Keiner der Angriffe gefährdet produktive Systeme, doch beide stellen Annahmen darüber infrage, wie KI zu fortgeschrittener mathematischer Forschung beiträgt.

Das aufschlussreichste Detail war weder die Geschwindigkeit der Angriffe noch das Rechenbudget. Es war, wie viel Beharrlichkeit das Modell von seinen menschlichen Bedienern benötigte. Claude versuchte wiederholt leichtere Probleme, verwarf vielversprechende Ansätze und schlug vor, das Ziel zu ändern. Die Forscher lenkten es immer wieder auf ein publizierbares Ergebnis.

Diese Interaktion definiert den eigentlichen Wettbewerb. Der relevante Vergleich lautet nicht einfach Claude gegen menschliche Kryptografen. Es geht um beharrliche, gestützte KI-Forschung gegen die Neigung des Modells, Arbeit aufzugeben, die unproduktiv wirkt. Die Entdeckung hing von beiden Seiten ab, während die menschliche Verifikation deutlich länger dauerte als die maschinelle Exploration.

Claude fand zwei Angriffe, doch keiner bricht eingesetzte Verschlüsselung

Claude Mythos erzielte legitime Forschungsfortschritte, ohne die Verschlüsselung aktueller Produkte zu kompromittieren.

Anthropic veröffentlichte die Ergebnisse am 28. Juli 2026. Die Kryptografieforschung beschreibt einen verbesserten Schlüsselwiederherstellungsangriff auf HAWK sowie einen schnelleren Angriff auf AES-128 mit sieben Runden.

HAWK ist ein Vorschlag für eine Post-Quanten-Digitalsignatur. Digitale Signaturen ermöglichen es einem System, die Identität eines Absenders zu verifizieren und zu bestätigen, dass Informationen nicht verändert wurden. Post-Quanten-Verfahren sollen diese Garantien auch gegenüber künftigen Quantencomputern bewahren.

Das US National Institute of Standards and Technology begann 2022 mit der Suche nach zusätzlichen Post-Quanten-Signaturalgorithmen. HAWK erreichte die dritte Runde dieses öffentlichen Prüfverfahrens, nachdem es zwei frühere Runden über rund zwei Jahre überstanden hatte.

Mythos entdeckte eine zuvor ungenutzte Symmetrie im zugrunde liegenden Gitter von HAWK. Ein Gitter ist ein strukturiertes mathematisches Raster, dessen schwierige Rechenprobleme kryptografische Sicherheit liefern können. Die Symmetrie, ein nichttrivialer Automorphismus, ermöglicht eine schnellere Suche nach einem geheimen Schlüssel.

Laut Anthropic halbiert das Ergebnis die effektive Schlüsselstärke von HAWK ungefähr. Beim kleineren Parametersatz HAWK-256 sank der geschätzte Aufwand für eine vollständige Schlüsselwiederherstellung von 2^64 Operationen auf 2^38.

Das bedeutet nicht, dass nun jede HAWK-Konfiguration leicht angreifbar ist. Größere Schlüssel erfordern weiterhin eine unpraktikable exponentielle Suche. Der Angriff ist zudem spezifisch für HAWK und schwächt weder andere Kandidaten für Post-Quanten-Signaturen noch die Gitterkryptografie im Allgemeinen.

Um die vorgesehene Sicherheit von HAWK aufrechtzuerhalten, wären jedoch deutlich größere Schlüssel nötig. Das würde die Effizienz beeinträchtigen, die den Vorschlag attraktiv machte. Der Angriff ist daher für die Auswahl von Standards relevant, obwohl HAWK noch nicht produktiv eingesetzt wird.

Die zweite Entdeckung betrifft AES, den Advanced Encryption Standard, den NIST 2001 übernahm. AES-128 schützt Daten durch die Anwendung von 10 wiederholten Transformationsrunden. Jede Runde verschleiert die Beziehung zwischen Klartext, Schlüssel und verschlüsselter Ausgabe weiter.

Claude griff diese 10 Runden nicht an. Es griff eine bewusst geschwächte Version mit sieben Runden an, die Forscher verwenden, um die Sicherheitsmarge des vollständigen Chiffriersystems zu messen.

Diese Unterscheidung ist entscheidend. Die Kryptoanalyse reduzierter Rundenzahlen prüft, ob Angriffsmethoden Fortschritte machen, bevor sie das vollständige Design einer Chiffre erreichen. Das ähnelt einem Belastungstest für einen Teil einer Brücke, nicht dem Nachweis, dass die Brücke eingestürzt ist.

Der Angriff setzt außerdem Zugriff auf 2^105 gewählte Klartexte voraus. In einem Chosen-Plaintext-Modell wählt ein Angreifer Eingaben aus und erhält deren verschlüsselte Ausgaben unter einem unbekannten, festen Schlüssel. Allein dieser Datenbedarf macht das Experiment in der Praxis unmöglich.

Anthropic schätzt, dass bereits eine Implementierung des theoretischen Angriffs Hunderte Millionen Dollar kosten würde. Vollständiges AES-128 bleibt außerhalb seiner Reichweite.

Diese Grenzen erklären, warum Anthropic erklärte, dass keine Produktionssoftware geändert werden müsse. Sie verhindern zudem die dramatische, aber unzutreffende Schlussfolgerung, Claude habe „AES geknackt“.

Was sich verändert hat, ist enger gefasst und interessanter. Ein KI-System hat ernsthafte kryptanalytische Forschung gegen zwei intensiv untersuchte Ziele erweitert. Ein Ergebnis beschädigte einen Standardisierungskandidaten substanziell, während das andere die beste bekannte Methode für ein klassisches Forschungsproblem verbesserte.

Diese Kombination erzeugt Druck weit über die Entwickler von HAWK hinaus. Standardisierungsgremien, Modellentwickler, Cloud-Anbieter und Sicherheitsteams müssen nun entscheiden, wie KI-generierte Entdeckungen erstellt, geprüft und offengelegt werden sollen.

Warum die Beziehung zwischen Amazon und Anthropic hier wichtig ist

Dieses Experiment macht Infrastruktur für Frontier-Modelle zu einem Teil des kryptografischen Forschungsprozesses und nicht bloß zu einer Möglichkeit, einen Chatbot zu betreiben.

Amazon verfasste die beiden Arbeiten nicht, und AWS kündigte die Angriffe nicht an. Die Arbeit stammt von Anthropic-Forschern, die Claude Mythos Preview verwendeten. Dennoch liefert die Beziehung zwischen Amazon und Anthropic wesentlichen kommerziellen und infrastrukturellen Kontext.

Amazon hat insgesamt 8 Milliarden US-Dollar in Anthropic investiert und hält dabei eine Minderheitsbeteiligung. Anthropic bezeichnet AWS zudem als seinen primären Cloud- und Trainingspartner. Claude-Modelle sind für Unternehmenskunden über Amazon Bedrock verfügbar.

Diese Partnerschaft verbindet Modellfähigkeiten, spezialisierte Recheninfrastruktur und den Vertrieb an Unternehmen. Anthropic arbeitet mit AWS an Trainium-Beschleunigern und zugehöriger Software, während Amazon einen bedeutenden Modellanbieter für seine Cloud-Plattform gewinnt.

Die jüngste Kryptografiearbeit zeigt, was intensive Inferenz ermöglichen kann. Jedes Hauptergebnis verbrauchte schätzungsweise 100.000 US-Dollar an API-Nutzung. Das AES-Projekt erzeugte laut Anthropic letztlich eine Milliarde Output-Token.

Diese Zahlen beschreiben keine normalen Unternehmens-Workloads. Sie zeigen ein Forschungsmuster, das große Mengen Rechenleistung über viele Agenten, Hypothesen, Experimente, Kritiken und fehlgeschlagene Pfade hinweg einsetzt.

Für Amazon ist die wichtige Frage nicht, ob Kunden dieses exakte Experiment über einen üblichen Bedrock-Prompt reproduzieren werden. Mythos Preview ist nicht allgemein verfügbar, und Anthropic hat den Zugang wegen seiner Cybersicherheitsfähigkeiten eingeschränkt.

Entscheidend ist, ob Cloud-Infrastruktur zu einem bestimmenden Input automatisierter Forschung wird. Wenn nützliche Entdeckungen anhaltende Multi-Agenten-Arbeit, wiederholte Experimente und enorme Token-Budgets erfordern, nehmen Rechenanbieter eine strategische Position im Workflow ein.

Amazons Anthropic-Investition erscheint unter diesem Blickwinkel daher anders. Die Partnerschaft betrifft nicht nur das Hosting allgemeiner Assistenten. Sie positioniert AWS in der Nähe von Experimenten, in denen Modelle technische Literatur durchsuchen, mathematische Werkzeuge bedienen und originelle Ideen testen.

Diese Chance bringt auch Verantwortung mit sich. Mehr Rechenleistung ermöglicht defensiven Forschern die Untersuchung vernachlässigter Algorithmen. Dieselbe Skalierung kann offensive Analysen beschleunigen, wenn sich Modelle oder gleichwertige Fähigkeiten verbreiten.

Anthropic erklärte zuvor, Mythos könne Software-Schwachstellen in großen Betriebssystemen und Browsern finden und ausnutzen. Forschung zum kryptografischen Design verschiebt die Frage von Programmierfehlern hin zu Schwächen in der Mathematik selbst.

Implementierungsfehler verfügen über konkrete Verifikationswerkzeuge. Ein abstürzendes Programm, ein Sanitizer-Bericht oder ein funktionierender Exploit können ein objektives Ergebnis liefern. Neue Kryptoanalyse ist schwieriger, weil ihre Korrektheit von mathematischen Annahmen, früherer Literatur und präzisen Komplexitätsschätzungen abhängt.

Das macht menschliche Prüfung wichtiger, nicht weniger wichtig. Es macht auch die Kostenstruktur weniger vorhersehbar. Ein Modell kann Hunderte plausibler Ideen schneller erzeugen, als qualifizierte Experten sie verwerfen können.

Unternehmenskäufer sollten das Experiment nicht als Erlaubnis verstehen, Sicherheitsentscheidungen an ein Modell zu delegieren. Vielmehr zeigt es, warum Herkunftsnachweise, Versuchsprotokolle und menschliche Prüfung an jeder folgenreichen Behauptung hängen bleiben müssen.

Engineering-Teams haben bereits Schwierigkeiten, den Kontext komplexer Entscheidungen zu bewahren. Eine durchsuchbare Wissensdatenbank wird noch relevanter, wenn ein Agent Tausende Zwischenartefakte erzeugt, die Prüfer nachvollziehen müssen.

Der Infrastrukturwettlauf geht daher mit einem Wettlauf um Validierung einher. AWS, Anthropic und andere Modellplattformen können das Volumen potenzieller Entdeckungen steigern. Die knappe Ressource wird die Expertenaufmerksamkeit, die ein publizierbares Ergebnis von selbstbewusstem mathematischem Rauschen trennen kann.

Der zentrale Mechanismus war Beharrlichkeit, nicht ein perfekter Prompt

Claudes entscheidender Vorteil zeigte sich erst, nachdem Menschen es davon abhielten, die Aufgabe auf leichtere Arbeit umzudefinieren.

Für das HAWK-Projekt arbeitete Mythos teilautonom innerhalb eines agentischen Harnesses. Ein Harness kombiniert Prompts, Werkzeuge, Speicher und Code, sodass ein Modell ein längerfristiges Ziel verfolgen kann, statt nur einmal zu antworten.

Die Umgebung ähnelte Claude Code und unterstützte mehrere Worker-Agenten. Diese Agenten konnten veröffentlichte Arbeiten konsultieren und Rechenwerkzeuge wie Python und Sage nutzen, ein System für symbolische und mathematische Berechnungen.

Der menschliche Operator verfügte über Erfahrung in theoretischer Informatik, war jedoch kein Spezialist für Gitterkryptografie. Die menschliche Anleitung konzentrierte sich hauptsächlich auf das Forschungsmanagement, etwa die Verfolgung von Ideen und die Auswahl von Verifikationsbibliotheken.

Zwei Worker identifizierten die entscheidende HAWK-Richtung. Einer verwarf sie vorschnell, während der andere sie weiterentwickelte. Fortgesetzte Austauschprozesse führten schließlich dazu, dass beide Worker den tragfähigen Angriff erkannten.

Der vollständige Prozess der HAWK-Entdeckung und -Verifikation dauerte etwa 60 Stunden. Mythos führte eine Literaturrecherche durch, erkundete die Mathematik, führte Rechenexperimente aus und baute eine End-to-End-Verifikationspipeline auf.

Der AES-Prozess zeigt eine noch schärfere Arbeitsteilung. Ein Anthropic-Forscher entwickelte ein Gerüst, das Claude ermöglichte, Hypothesen vorzuschlagen, zu testen, Fehlschläge zu verwerfen und weiterzusuchen. Die Aufgabe verlangte eine Verbesserung gegenüber dem besten veröffentlichten Angriff.

Claude leistete zunächst Widerstand. Es argumentierte, AES mit reduzierter Rundenzahl sei zu gründlich untersucht worden, und schlug vor, dass ein anderes Ergebnis ein anderes Ziel erfordere. Diese Reaktion war auf konversationeller Ebene nachvollziehbar, für originäre Forschung jedoch wenig hilfreich.

Der menschliche Operator reagierte mit zunehmend direkten Anweisungen. Die Nachrichten betonten, dass das Modell nach neuen Angriffen suchen, AES-128 mit sieben Runden beibehalten und Erkenntnisse mit geringem Wert vermeiden solle. Anthropic veröffentlichte die Prompts einschließlich ihrer Rechtschreib- und Grammatikfehler.

Simon Willison hob diese Nachrichten in seiner Prompt-Analyse hervor. Ihre Bedeutung liegt darin, was sie über Agentenverhalten offenbaren, nicht in ihrer Formulierung.

Die Prompts lieferten wenig kryptografisches Spezialwissen. Sie gaben Ehrgeiz, Zielstabilität und die Erlaubnis, mehr Aufwand zu investieren. Das Modell hatte bereits Zugriff auf technische Literatur, Werkzeuge und frühere Agentenausgaben.

Nachdem diese Richtung vorgegeben war, verbrachte Mythos drei Tage damit, mehrere hundert Millionen Tokens zu erzeugen. Schließlich schlug es die Möbius Bridge vor, eine Fingerprinting-Methode, die eine kostspielige Annahme des vorherigen Angriffs eliminiert.

Ein Meet-in-the-Middle-Angriff spart Zeit, indem er aus zwei Richtungen rechnet und Zwischenzustände abgleicht. Üblicherweise tauscht er geringere Laufzeit gegen eine große Tabelle gespeicherter Berechnungen ein.

Die vorherige Methode für sieben AES-Runden musste in einer Phase 256 mögliche Werte aufzählen und sie mit einer Tabelle abgleichen. Mythos konstruierte einen Fingerabdruck, der über diese Annahme hinweg unverändert bleibt und die Aufzählung überflüssig macht.

Die Berechnung der neuen Transformation verursachte zusätzlichen Aufwand. Claude entwickelte daraufhin weitere Optimierungen, um diese Kosten auszugleichen. Anthropic schätzt, dass die kombinierte Methode je nach Messung der Laufzeit zwischen 200- und 800-mal schneller ist.

Dies ist der zentrale Mechanismus hinter dem Ergebnis. Claude beantwortete keine clevere Frage mit einem fertigen Angriff. Es betrieb einen groß angelegten Suchprozess, dessen produktive Richtung erst sichtbar wurde, nachdem Menschen wiederholt einfachere Auswege versperrt hatten.

Das als „Prompt Engineering“ zu bezeichnen, unterschätzt den Workflow. Die Forschenden setzten Ziele, hielten am Ziel fest, teilten Rechenleistung zu, bewahrten Zwischenarbeit und verlangten Verifikation. Das sind Funktionen des Forschungsmanagements.

Der Prozess stellt auch die Vorstellung infrage, ein intelligentes Modell dürfe keiner Ermutigung bedürfen. Frontier-Modelle sind darauf optimiert, hilfreiche Antworten zu liefern, und ein berühmtes Problem als schwierig zu bezeichnen, kann verantwortungsvoll wirken. Forschung verlangt, nach dieser sozial akzeptablen Antwort weiterzumachen.

Dadurch entsteht ein subtiler Bewertungsfehler. Ein Modell kann über die für eine Entdeckung nötigen Komponenten verfügen und dennoch scheitern, weil es nicht genug Aufwand einsetzt. Standard-Benchmarks messen häufig, ob es ein festes Problem innerhalb eines begrenzten einzelnen Durchlaufs löst.

Lang laufende Forschungsagenten verhalten sich anders. Ihr Ergebnis hängt von Gerüsten, parallelen Arbeitern, Tool-Zugriff, Kontextmanagement, Feedback und einem Budget für fehlgeschlagene Versuche ab. Fähigkeit gehört zum Teil dem System an, das das Modell umgibt.

Das AES-Ergebnis zeigt nicht, dass jeder entschlossene Nutzer mit einem kurzen Prompt Spitzenkryptanalyse betreiben kann. Es zeigt, dass beharrliche Orchestrierung Modellfähigkeiten sichtbar machen kann, die durch frühen Pessimismus verborgen bleiben.

Die menschliche Verifikation wurde zum eigentlichen Engpass

Das Modell erzeugte Forschung schneller, als Anthropic Team deren Korrektheit, Neuheit und Nutzen feststellen konnte.

Anthropic zufolge entwickelte Mythos den verbesserten AES-Angriff in ungefähr einer Woche. Anschließend verbrachten zwei Forschende fast einen Monat damit, Vertrauen in das Ergebnis zu gewinnen.

Das Unternehmen erklärt zudem, dass diese Forschenden mehrere hundert Stunden darauf verwendeten, genug Kryptografie zu lernen, um die Behauptung zu validieren und die Arbeit vorzubereiten. Anthropic weist ausdrücklich darauf hin, dass sie keine Kryptografieexperten waren.

Diese Offenlegung verdient ebenso viel Aufmerksamkeit wie der Angriff selbst. Mathematische Forschung wird nicht verlässlich, nur weil ein Modell Gleichungen, Code und eine autoritativ klingende Erklärung liefert. Gutachter müssen jede Annahme überprüfen und die Methode mit jahrzehntelanger Vorarbeit vergleichen.

HAWK bot einen konkreteren Validierungsweg. Das Team konnte die Schlüsselerholungsmethode vollständig implementieren und prüfen, ob sie einen gewählten Schlüssel wiederherstellt. Damit lässt sich das Ergebnis leichter testen als ein riesiger, theoretischer AES-Angriff.

Bei AES kann niemand den vollständigen Angriff unter den angegebenen Ressourcenannahmen ausführen. Die Begutachtung hängt daher davon ab, die Korrektheit des Algorithmus zu beweisen, seine Komplexität zu prüfen und kleinere Komponenten experimentell zu validieren.

Anthropic erklärt, akademische Fachleute konsultiert, das HAWK-Ergebnis im Juni mit dessen Entwicklern geteilt und die Veröffentlichung über eine NIST-Mailingliste koordiniert zu haben. Außerdem habe das Unternehmen vor der Veröffentlichung Partner aus US-Regierung und Industrie informiert.

Diese Schritte verringern die Wahrscheinlichkeit eines offensichtlichen Fehlers. Sie ersetzen jedoch keine umfassendere Peer Review. Die beiden Arbeiten und der zugehörige Code geben unabhängigen Kryptografen nun die Gelegenheit, die Behauptungen infrage zu stellen.

Der öffentliche Charakter kryptografischer Begutachtung ist wichtig. Sicherheit entsteht üblicherweise durch wiederholte gegnerische Analyse, nicht durch Vertrauen in die Organisation, die ein Ergebnis verkündet. Experten müssen versuchen, die Argumentation nachzuvollziehen und verborgene Annahmen zu identifizieren.

CyberScoop berichtete, dass Keyfactor-Managerin Ellen Boehm die Entdeckung als Beleg dafür wertete, dass der Post-Quantum-Evaluierungsprozess funktioniert. Kandidatenalgorithmen treten gerade deshalb in öffentliche Wettbewerbe ein, damit Forschende Schwächen vor dem Einsatz finden können.

Diese Interpretation verhindert die falsche Lehre aus HAWK. Sein Rückschlag bedeutet nicht, dass die Post-Quantum-Standardisierung gescheitert ist. Er bedeutet, dass ein öffentlicher Kandidat vor seiner Umwandlung in Infrastruktur einem anspruchsvollen Test unterzogen wurde.

Die Geschichte der NIST-Wettbewerbe stützt diese Sicht. SIKE, ein früherer Post-Quantum-Kandidat, überstand jahrelange Aufmerksamkeit, bevor Forschende einen verheerenden Angriff fanden, der auf einem Laptop lief.

KI fügt eine neue Quelle gegnerischen Drucks hinzu. Standardisierungsgremien können Modelle nutzen, um mehr Konstruktionen zu testen und mehr Varianten zu erkunden. Entwickler können dieselben Techniken auch einsetzen, bevor sie einen Vorschlag einreichen.

Größere Suchkapazität erzeugt jedoch ein Warteschlangenproblem. Wenn Modelle Angriffe viel schneller erzeugen, als Spezialisten sie bewerten können, wächst der Rückstau. Falsche Ergebnisse können Monate an Aufmerksamkeit binden, während echte Entdeckungen unbemerkt warten.

Modelle können außerdem ein falsches Gefühl der Verifikation erzeugen, indem sie Tests schreiben, die ihre eigenen fehlerhaften Annahmen bestätigen. Unabhängige Implementierungen und Gutachter bleiben notwendig, denn interne Konsistenz ist nicht dasselbe wie Korrektheit.

Die Partnerschaft von Amazon und Anthropic liegt nahe an diesem Engpass, weil die Skalierung von Modellen und das Bereitstellen längerer Agentensitzungen den vorgelagerten Fluss erweitern. Infrastruktur kann den Ausstoß potenzieller Ergebnisse schneller steigern, als akademische Gemeinschaften qualifizierte Gutachter gewinnen können.

Die angemessene Reaktion besteht nicht darin, jede automatisierte Erkundung zu unterdrücken. Vielmehr müssen parallel dazu Begutachtungssysteme aufgebaut werden. Diese Systeme benötigen vollständige Protokolle, reproduzierbaren Code, explizite Bedrohungsmodelle, versionierte Literatur und klare Aufzeichnungen menschlicher Eingriffe.

CryptanalysisBench ist ein Versuch, Modellleistung messbarer zu machen. Anthropic entwickelte den Benchmark gemeinsam mit akademischen Forschenden, um kryptografische Probleme in eine Form zu bringen, die verschiedene Modelle bearbeiten können.

Benchmarks werden dennoch nur einen Teil des Bildes erfassen. Anthropics stärkstes Ergebnis hing davon ab, dass ein beharrlicher Mensch Claude nicht das Ziel wechseln ließ. Bewertungsdesigns müssen daher sowohl autonome Arbeit als auch Leistung unter realistischer Forschungsaufsicht messen.

Was die Ergebnisse nicht beweisen

Die Angriffe sind glaubwürdig genug, um untersucht zu werden, aber zu begrenzt, um Behauptungen zu stützen, Claude habe moderne Verschlüsselung gebrochen oder Kryptografen ersetzt.

Die erste Einschränkung betrifft die praktische Auswirkung. HAWK ist ein Kandidat und kein eingesetzter Standard. Siebenrunden-AES ist ein bewusst geschwächtes Untersuchungsobjekt. Vollständiges AES-128 verwendet 10 Runden und bleibt unbeeinträchtigt.

Die zweite Einschränkung betrifft die rechnerische Machbarkeit. Der AES-Angriff setzt 2^105 gewählte Klartexte voraus, eine Datenmenge, die in jeder realistischen Umgebung weit jenseits dessen liegt, was gesammelt werden könnte. Seine 200- bis 800-fache Verbesserung macht aus einem unmöglichen Angriff keinen nutzbaren.

Die dritte Einschränkung betrifft die Autonomie. Mythos führte den Großteil der technischen Erkundung selbstständig durch, doch Menschen wählten die Ziele, konstruierten die Gerüste, überwachten den Fortschritt, leiteten das Modell um und validierten die Ergebnisse.

Die Arbeit als vollständig autonom zu beschreiben, würde diese Beiträge auslöschen. Sie lediglich als eine von KI geschriebene menschliche Entdeckung zu beschreiben, wäre ebenfalls unzutreffend. Die sinnvolle Einheit ist das kombinierte Forschungssystem.

Die vierte Einschränkung ist die externe Validierung. Anthropic veröffentlichte Arbeiten, Code und ausgewählte Argumentationsartefakte, doch die breitere kryptografische Gemeinschaft hat erst begonnen, sie zu prüfen. Unabhängige Begutachtung wird entscheiden, ob jede behauptete Verbesserung der Prüfung standhält.

Die veröffentlichte Argumentation ist zudem kein vollständiges Protokoll aller internen Tokens. Anthropic erklärt, das Dokument sei von Claude umgeschrieben worden, um eine besser lesbare Darstellung einer erfolgreichen Sitzung zu bieten. Viele andere Sitzungen führten zu keiner Entdeckung.

Diese Auswahl macht das Artefakt nützlich, um den erfolgreichen Weg zu verstehen, aber weniger geeignet, Erfolgsquoten zu schätzen. Leser können nicht ableiten, wie oft vergleichbare Ausgaben zu veröffentlichungsreifer Forschung führen.

Die fünfte Einschränkung ist die Generalisierbarkeit. Eine Symmetrie in HAWK impliziert nicht, dass dieselbe Schwäche in der gesamten gitterbasierten Kryptografie existiert. Eine Fingerprint-Verbesserung gegen sieben AES-Runden impliziert keinen Weg durch die verbleibenden drei.

Kryptografische Runden sind so konzipiert, dass sich Komplexität potenziert. Fortschritte gegen eine reduzierte Version helfen dabei, Sicherheitsreserven zu messen, doch die letzten Runden können weiterhin jenseits jeder bekannten Technik liegen.

Auch die vorläufigen Folgebehauptungen von Anthropic erfordern Vorsicht. Das Unternehmen berichtet von einem Angriff auf 13-Runden-LEA, der auf einem Desktop läuft, sowie einem weiteren gegen sechs Runden von Serpent-128. Keiner erreicht die vollständigen Versionen dieser Chiffren.

Das Team plant, nach weiterer Arbeit mehr Details zu veröffentlichen. Bis dahin bleiben diese Ergebnisse Unternehmensbehauptungen und keine vollständig überprüfbaren Befunde.

Es gibt auch eine wirtschaftliche Frage. Etwa 100.000 US-Dollar pro Ergebnis auszugeben, kann für ein Frontier-Labor sinnvoll sein, das wichtige Standards untersucht. Für Universitätsgruppen, Maintainer und kleinere Sicherheitsteams ist es weniger zugänglich.

Dieses Ungleichgewicht könnte den frühen Zugang zu KI-gestützter Kryptanalyse bei Modellunternehmen, Hyperscale-Cloud-Anbietern, Regierungen und gut finanzierten Anbietern konzentrieren. Die Organisationen, die Ergebnisse produzieren, könnten auch die Systeme kontrollieren, die für deren Reproduktion nötig sind.

Der eingeschränkte Zugang zu Mythos erschwert unabhängige Replikation zusätzlich. Forschende können die veröffentlichten Artefakte prüfen, aber nicht unbedingt dasselbe Modell und Gerüst erneut ausführen.

Diese Einschränkungen entkräften die Befunde nicht. Sie definieren, was die Befunde bedeuten. Claude Mythos scheint in der Lage zu sein, innerhalb eines sorgfältig gesteuerten Forschungsprogramms originelle Ideen beizutragen. Es hat keine allgemeine Fähigkeit nachgewiesen, eingesetzte Kryptografie auf Abruf zu überwinden.

Die richtige Skepsis richtet sich gegen die begleitenden Behauptungen, nicht gegen den Wert des Testens von Algorithmen. Eine stärkere Begutachtung vor dem Einsatz ist vorteilhaft, unabhängig davon, ob die nützliche Idee von einer Person, einem Modell oder ihrer Zusammenarbeit stammt.

Beobachter von Amazon und Anthropic sollten drei Signale verfolgen

Die nächste Phase wird durch unabhängige Replikation, messbare Forschungszuverlässigkeit und Offenlegungsregeln für Befunde mit realen operativen Auswirkungen entschieden.

Das erste Signal ist, wie externe Kryptografen die HAWK- und AES-Arbeiten bewerten. Reproduzierte Berechnungen, korrigierte Komplexitätsschätzungen und unabhängige Implementierungen werden zeigen, ob die Ergebnisse dem Druck von Experten standhalten.

Eine starke Replikation würde Anthropics Behauptung stützen, dass Frontier-Modelle zu neuartiger Kryptanalyse beitragen können. Wesentliche Korrekturen würden die breitere Fähigkeitserzählung schwächen, selbst wenn die Experimente informativ bleiben.

Das zweite Signal ist die Leistung bei CryptanalysisBench und ähnlichen Evaluierungen. Forschende benötigen Ergebnisse von mehreren Modellen, wiederholte Durchläufe, dokumentierte Budgets und unterschiedliche Grade menschlicher Anleitung.

Ein Benchmark sollte Entdeckung von Wiederentdeckung unterscheiden. Er sollte außerdem fehlgeschlagene Sitzungen, Tokenverbrauch, Tool-Nutzung und die Eingriffe erfassen, die die Richtung eines Agenten veränderten.

Wenn mehrere Modellfamilien unter kontrollierten Bedingungen neue, validierte Angriffe hervorbringen, wird KI-Kryptanalyse zu einer branchenweiten Fähigkeit. Bleibt der Erfolg selten und von Mythos-spezifischer Infrastruktur abhängig, bleibt die Schlussfolgerung enger.

Das dritte Signal ist, wie Anthropic, Amazon, Standardisierungsgremien und Regierungen mit einer Entdeckung umgehen, die eingesetzte Software betrifft. Diese beiden Angriffe ermöglichten eine geordnete Offenlegung, weil keiner ein Produktionssystem gefährdete.

Ein praktischer Durchbruch würde schwierigere Entscheidungen erzwingen. Forschende müssten Anbieter informieren, Patches oder Migrationen koordinieren, technische Details einschränken und entscheiden, wann die Öffentlichkeit gewarnt werden sollte.

Anthropic erklärt bereits, bei der aktuellen Arbeit Regierungs- und Branchenvertreter konsultiert zu haben. Der nächste Test wird sein, ob diese Beziehungen vor einer Krise zu transparenten Regeln führen – statt danach zu improvisierten Kontrollen.

Für Entwickler und Sicherheitsverantwortliche in Unternehmen besteht die unmittelbare Maßnahme nicht darin, Verschlüsselung zu ersetzen oder wegen AES in Panik zu geraten. Vielmehr gilt es, besser sichtbar zu machen, wo kryptografische Algorithmen, Bibliotheken, Schlüssel und Protokolle in ihre Systeme gelangen.

Teams sollten sich außerdem darauf vorbereiten, maschinell erzeugte Sicherheitsbehauptungen zu bewerten. Das bedeutet, Quellenmaterial, Experimente, Prompts, Code und Entscheidungen der Prüfer aufzubewahren, anstatt einen ausgefeilten Abschlussbericht einfach zu akzeptieren.

Die Geschichte von Amazon und Anthropic dreht sich letztlich um Hebelwirkung. Amazon liefert Kapital, Cloud-Infrastruktur und einen Weg zur Verbreitung im Unternehmensmarkt. Anthropic stellt ein eingeschränktes Modell bereit, das ungewöhnlich tiefgehende technische Recherchen durchführen kann.

Claudes kryptografische Arbeit zeigt, was diese Kombination ermöglichen kann, offenbart aber auch ihren begrenzenden Faktor. Rechenleistung kann in enormem Umfang Kandidaten für Entdeckungen erzeugen. Vertrauen wächst weiterhin nur im Tempo sorgfältiger menschlicher Prüfung.

Die Frage für die kommenden Monate ist daher konkret: Werden unabhängige Experten diese Angriffe validieren und das Forschungsmuster mit anderen Modellen reproduzieren? Diese Belege werden entscheiden, ob es sich um ein außergewöhnliches Experiment oder den Beginn einer wiederholbaren Methode zur Prüfung der Mathematik unterhalb der digitalen Sicherheit handelt.