Partnerstwo Amazon i Anthropic staje przed nowym testem, gdy Claude znajduje słabości kryptograficzne

Partnerzy badawczy Amazon i Anthropic twierdzą, że Claude Mythos Preview znalazł dwa nowe ataki kryptograficzne, choć początkowo upierał się, że trudniejszy cel jest niemal niemożliwy do osiągnięcia. Wyniki dotyczą HAWK oraz siedmiorundowej badawczej wersji AES-128. Żaden z ataków nie zagraża systemom produkcyjnym, ale oba podważają założenia dotyczące wkładu AI w zaawansowane badania matematyczne.

Najbardziej wymownym szczegółem nie była szybkość ataku ani budżet obliczeniowy. Było nim to, jak dużej wytrwałości model potrzebował ze strony ludzkich operatorów. Claude wielokrotnie próbował rozwiązywać łatwiejsze problemy, odrzucał obiecujące kierunki i sugerował zmianę celu. Badacze stale kierowali go ku wynikowi nadającemu się do publikacji.

Ta interakcja definiuje rzeczywistą rywalizację. Istotne porównanie nie sprowadza się po prostu do Claude’a i ludzkich kryptografów. Chodzi o uporczywe, wspierane badania AI zestawione ze skłonnością modelu do porzucania pracy, która wydaje się nieproduktywna. Odkrycie zależało od obu stron, podczas gdy ludzka weryfikacja zajęła znacznie więcej czasu niż eksploracja prowadzona przez maszynę.

Claude znalazł dwa ataki, ale żaden nie łamie wdrożonego szyfrowania

Claude Mythos przyniósł realne postępy badawcze, nie naruszając szyfrowania używanego w obecnych produktach.

Anthropic opublikował wyniki 28 lipca 2026 roku. Jego badania kryptograficzne opisują ulepszony atak odzyskiwania klucza na HAWK oraz szybszy atak na siedmiorundowy AES-128.

HAWK to propozycja podpisu cyfrowego odpornego na komputery kwantowe. Podpisy cyfrowe pozwalają systemowi zweryfikować tożsamość nadawcy i potwierdzić, że informacja nie została zmieniona. Schematy postkwantowe mają zachować te gwarancje wobec przyszłych komputerów kwantowych.

Amerykański National Institute of Standards and Technology rozpoczął poszukiwanie dodatkowych algorytmów podpisu postkwantowego w 2022 roku. HAWK dotarł do trzeciej rundy tego publicznego procesu oceny po przejściu dwóch wcześniejszych rund trwających łącznie około dwóch lat.

Mythos znalazł wcześniej niewykorzystaną symetrię w leżącej u podstaw HAWK kracie. Krata to uporządkowana siatka matematyczna, której trudne problemy obliczeniowe mogą zapewniać bezpieczeństwo kryptograficzne. Symetria, nazywana nietrywialnym automorfizmem, umożliwia szybsze poszukiwanie tajnego klucza.

Według Anthropic wynik zmniejsza efektywną siłę klucza HAWK mniej więcej o połowę. Dla mniejszego zestawu parametrów HAWK-256 szacowany nakład pracy potrzebny do pełnego odzyskania klucza spadł z 2^64 operacji do 2^38.

Nie oznacza to, że każdą konfigurację HAWK można teraz łatwo zaatakować. Większe klucze nadal wymagają niepraktycznego wyszukiwania wykładniczego. Atak jest też specyficzny dla HAWK i nie osłabia innych kandydatów na podpisy postkwantowe ani kryptografii kratowej w szerszym ujęciu.

Utrzymanie zamierzonego poziomu bezpieczeństwa HAWK wymagałoby jednak znacznie większych kluczy. Taka zmiana osłabiłaby wydajność, która czyniła tę propozycję atrakcyjną. Dlatego atak ma znaczenie dla wyboru standardów, mimo że HAWK nie trafił do środowisk produkcyjnych.

Drugie odkrycie dotyczy AES, Advanced Encryption Standard przyjętego przez NIST w 2001 roku. AES-128 chroni dane, stosując 10 powtarzanych rund transformacji. Każda runda dodatkowo zaciera zależność między tekstem jawnym, kluczem i zaszyfrowanym wynikiem.

Claude nie zaatakował tych 10 rund. Za cel obrał celowo osłabioną wersję siedmiorundową, której badacze używają do mierzenia marginesu bezpieczeństwa pełnego szyfru.

To rozróżnienie ma decydujące znaczenie. Kryptoanaliza zredukowanej liczby rund sprawdza, czy metody ataku zaczynają przynosić postępy przed osiągnięciem pełnej konstrukcji szyfru. Przypomina to testowanie wytrzymałości części mostu, a nie dowodzenie, że most się zawalił.

Atak zakłada również dostęp do 2^105 wybranych tekstów jawnych. W modelu wybranego tekstu jawnego atakujący wybiera dane wejściowe i otrzymuje ich zaszyfrowane wyniki przy użyciu nieznanego, stałego klucza. Już samo zapotrzebowanie na dane czyni ten eksperyment niemożliwym w praktyce.

Anthropic szacuje, że nawet implementacja teoretycznego ataku wymagałaby setek milionów dolarów. Pełny AES-128 pozostaje poza jego zasięgiem.

Te ograniczenia wyjaśniają, dlaczego Anthropic stwierdził, że żadne oprogramowanie produkcyjne nie wymaga zmian. Uniemożliwiają również wyciągnięcie efektownego, lecz nieprawdziwego wniosku, że Claude „złamał AES”.

Zmiana jest węższa i bardziej interesująca. System AI rozwinął poważne badania kryptoanalityczne przeciwko dwóm intensywnie badanym celom. Jeden wynik istotnie osłabił kandydata do standardu, podczas gdy drugi ulepszył najlepszą znaną metodę dla klasycznego problemu badawczego.

To połączenie wywiera presję daleko wykraczającą poza projektantów HAWK. Organy normalizacyjne, twórcy modeli, dostawcy chmury i zespoły ds. bezpieczeństwa muszą teraz zdecydować, jak powinny być tworzone, sprawdzane i ujawniane odkrycia generowane przez AI.

Dlaczego relacja Amazon i Anthropic ma tutaj znaczenie

Ten eksperyment sprawia, że infrastruktura modeli granicznych staje się częścią procesu badań kryptograficznych, a nie jedynie sposobem na uruchomienie chatbota.

Amazon nie był autorem tych dwóch prac, a AWS nie ogłaszał ataków. Badania przeprowadzili badacze Anthropic, korzystając z Claude Mythos Preview. Mimo to relacja Amazon i Anthropic zapewnia istotny kontekst komercyjny i infrastrukturalny.

Amazon zainwestował łącznie 8 miliardów dolarów w Anthropic, zachowując pozycję mniejszościową. Anthropic wskazuje również AWS jako swojego głównego partnera chmurowego i szkoleniowego. Modele Claude są dostępne dla klientów korporacyjnych za pośrednictwem Amazon Bedrock.

Partnerstwo łączy możliwości modeli, wyspecjalizowaną infrastrukturę obliczeniową i dystrybucję dla przedsiębiorstw. Anthropic współpracuje z AWS nad akceleratorami Trainium i powiązanym oprogramowaniem, podczas gdy Amazon zyskuje ważnego dostawcę modeli dla swojej platformy chmurowej.

Najnowsze prace kryptograficzne pokazują, co może wspierać intensywne wnioskowanie. Każdy główny wynik pochłonął według szacunków 100 000 dolarów w wykorzystaniu API. Według Anthropic projekt AES ostatecznie wygenerował miliard tokenów wyjściowych.

Liczby te nie opisują zwykłych obciążeń przedsiębiorstw. Pokazują model badań, który zużywa duże ilości mocy obliczeniowej na wielu agentów, hipotezy, eksperymenty, krytyczne oceny i ślepe ścieżki.

Dla Amazona ważne pytanie nie brzmi, czy klienci odtworzą ten dokładny eksperyment za pomocą standardowego promptu Bedrock. Mythos Preview nie jest powszechnie dostępny, a Anthropic ograniczył do niego dostęp ze względu na jego możliwości w dziedzinie cyberbezpieczeństwa.

Kwestia polega na tym, czy infrastruktura chmurowa staje się kluczowym wkładem w zautomatyzowane badania. Jeśli użyteczne odkrycia wymagają długotrwałej pracy wielu agentów, powtarzanych eksperymentów i ogromnych budżetów tokenowych, dostawcy mocy obliczeniowej zajmują strategiczną pozycję w tym procesie.

Inwestycja Amazona w Anthropic wygląda więc inaczej z tej perspektywy. Partnerstwo nie dotyczy wyłącznie hostowania ogólnych asystentów. Umieszcza AWS blisko eksperymentów, w których modele przeszukują literaturę techniczną, obsługują narzędzia matematyczne i testują oryginalne pomysły.

Ta szansa niesie również odpowiedzialność. Większa moc obliczeniowa pozwala badaczom zajmującym się obroną analizować zaniedbane algorytmy. To samo skalowanie może przyspieszać analizę ofensywną, gdy modele lub równoważne możliwości się rozpowszechnią.

Anthropic wcześniej stwierdził, że Mythos potrafi znajdować i wykorzystywać podatności oprogramowania w głównych systemach operacyjnych i przeglądarkach. Badania nad projektowaniem kryptografii przenoszą pytanie z błędów programistycznych w stronę słabości tkwiących w samej matematyce.

Błędy implementacyjne mają konkretne narzędzia weryfikacji. Zawieszający się program, raport sanitizera lub działający exploit mogą dostarczyć obiektywnego wyniku. Nowa kryptoanaliza jest trudniejsza, ponieważ poprawność zależy od założeń matematycznych, wcześniejszej literatury i precyzyjnych oszacowań złożoności.

To sprawia, że ludzka ocena jest ważniejsza, a nie mniej ważna. Czyni też strukturę kosztów mniej przewidywalną. Model może generować setki wiarygodnych pomysłów szybciej, niż wykwalifikowani eksperci są w stanie je odrzucić.

Nabywcy korporacyjni nie powinni interpretować eksperymentu jako zgody na delegowanie decyzji dotyczących bezpieczeństwa modelowi. Zamiast tego pokazuje on, dlaczego pochodzenie, dzienniki eksperymentów i ludzka ocena muszą pozostać przypisane do każdego istotnego twierdzenia.

Zespoły inżynieryjne już teraz mają trudności z zachowaniem kontekstu stojącego za złożonymi decyzjami. Przeszukiwalna baza wiedzy staje się bardziej istotna, gdy agent tworzy tysiące pośrednich artefaktów, które recenzenci muszą prześledzić.

Wyścig infrastrukturalny idzie więc w parze z wyścigiem walidacyjnym. AWS, Anthropic i inne platformy modeli mogą zwiększać liczbę potencjalnych odkryć. Rzadkim zasobem staje się uwaga ekspertów zdolnych odróżnić wynik nadający się do publikacji od pewnego siebie matematycznego szumu.

Kluczowym mechanizmem była wytrwałość, a nie jeden idealny prompt

Decydująca przewaga Claude’a ujawniła się dopiero wtedy, gdy ludzie powstrzymali go przed przedefiniowaniem zadania wokół łatwiejszej pracy.

W projekcie HAWK Mythos działał półautonomicznie w środowisku agentowym. Takie środowisko łączy prompty, narzędzia, pamięć i kod, aby model mógł realizować dłuższy cel zamiast odpowiadać jednorazowo.

Środowisko przypominało Claude Code i obsługiwało wielu agentów roboczych. Agenci mogli korzystać z opublikowanych prac oraz narzędzi obliczeniowych, takich jak Python i Sage, system do obliczeń symbolicznych i matematycznych.

Ludzki operator miał doświadczenie w teoretycznej informatyce, ale nie był specjalistą od kryptografii kratowej. Ludzkie wskazówki koncentrowały się głównie na zarządzaniu badaniami, takim jak śledzenie pomysłów i wybór bibliotek weryfikacyjnych.

Dwóch agentów roboczych wskazało kluczowy kierunek dotyczący HAWK. Jeden odrzucił go przedwcześnie, podczas gdy drugi rozwinął go dalej. Dalsze wymiany ostatecznie doprowadziły obu agentów do rozpoznania wykonalnego ataku.

Pełny proces odkrycia i weryfikacji HAWK trwał około 60 godzin. Mythos przeprowadził przegląd literatury, zbadał matematykę, wykonał eksperymenty obliczeniowe i zbudował kompleksowy proces weryfikacji.

Proces AES ujawnia jeszcze wyraźniejszy podział pracy. Badacz Anthropic zbudował rusztowanie, które pozwalało Claude’owi proponować hipotezy, testować je, odrzucać nieudane próby i kontynuować poszukiwania. Zadanie wymagało ulepszenia najlepszego opublikowanego ataku.

Claude początkowo się opierał. Twierdził, że AES o zredukowanej liczbie rund został zbadany zbyt dokładnie, i sugerował, że inny wynik wymagałby innego celu. Taka odpowiedź była rozsądna na poziomie rozmowy, lecz nieprzydatna w oryginalnych badaniach.

Ludzki operator odpowiedział coraz bardziej bezpośrednimi instrukcjami. Wiadomości podkreślały, że model powinien szukać nowych ataków, pozostać przy AES-128 z siedmioma rundami i unikać wyników o małej wartości. Anthropic opublikował prompty z zachowaniem ich błędów ortograficznych i gramatycznych.

Simon Willison zwrócił uwagę na te wiadomości w swojej analizie promptów. Ich znaczenie wynika z tego, co ujawniają o zachowaniu agentów, a nie z ich sformułowania.

Prompty wniosły niewiele specjalistycznej wiedzy kryptograficznej. Zapewniły ambicję, stabilność celu i zgodę na większy wysiłek. Model miał już dostęp do literatury technicznej, narzędzi i wcześniejszych wyników agentów.

Po otrzymaniu takiego polecenia Mythos przez trzy dni wygenerował kilkaset milionów tokenów. Ostatecznie zaproponował Most Möbiusa, metodę tworzenia odcisków, która eliminuje jedno kosztowne zgadywanie z poprzedniego ataku.

Atak typu meet-in-the-middle oszczędza czas, prowadząc obliczenia z dwóch kierunków i dopasowując stany pośrednie. Zwykle wymienia krótszy czas działania na dużą tablicę zapisanych obliczeń.

Poprzednia metoda dla siedmiu rund AES wymagała wyliczenia 256 możliwych wartości na jednym etapie i sprawdzenia ich względem tablicy. Mythos skonstruował odcisk, który pozostaje niezmieniony niezależnie od tego zgadywania, eliminując potrzebę wyliczenia.

Obliczenie nowej transformacji wprowadziło dodatkową pracę. Claude opracował następnie kolejne optymalizacje, aby zrównoważyć ten koszt. Anthropic szacuje, że połączona metoda działa od 200 do 800 razy szybciej, w zależności od sposobu pomiaru czasu działania.

To centralny mechanizm stojący za tym wynikiem. Claude nie odpowiedział na sprytne pytanie gotowym atakiem. Prowadził rozległy proces poszukiwań, którego użyteczny kierunek wyłonił się po tym, jak ludzie wielokrotnie blokowali łatwiejsze wyjścia.

Nazywanie tego „inżynierią promptów” zaniża skalę tego procesu. Badacze wyznaczali cele, utrzymywali obiekt badań, przydzielali zasoby obliczeniowe, zachowywali wyniki pośrednie i wymagali weryfikacji. To funkcje zarządzania badaniami.

Proces ten podważa także pogląd, że inteligentny model nie powinien potrzebować zachęty. Modele frontierowe optymalizują odpowiedzi pod kątem użyteczności, a stwierdzenie, że słynny problem jest trudny, może brzmieć odpowiedzialnie. Badania wymagają jednak kontynuowania pracy po udzieleniu tej społecznie akceptowalnej odpowiedzi.

Tworzy to subtelny problem ewaluacyjny. Model może posiadać komponenty potrzebne do dokonania odkrycia, ale ponieść porażkę, ponieważ nie przeznacza na nie wystarczającego wysiłku. Standardowe benchmarki często mierzą, czy rozwiązuje ustalony problem w ramach jednego ograniczonego uruchomienia.

Długotrwale działający agenci badawczy zachowują się inaczej. Ich wyniki zależą od rusztowania, równoległych pracowników, dostępu do narzędzi, zarządzania kontekstem, informacji zwrotnej oraz budżetu na nieudane próby. Zdolność częściowo należy do systemu otaczającego model.

Wynik dotyczący AES nie dowodzi, że każdy zdeterminowany użytkownik może zamienić krótki prompt w kryptanalizę na elitarnym poziomie. Pokazuje, że trwała orkiestracja może ujawnić możliwości modelu ukryte przez wczesny pesymizm.

Weryfikacja przez ludzi stała się prawdziwym wąskim gardłem

Model generował badania szybciej, niż zespół Anthropic był w stanie ustalić, czy są one poprawne, nowatorskie i użyteczne.

Anthropic twierdzi, że Mythos opracował ulepszony atak na AES w około tydzień. Dwóch badaczy spędziło następnie niemal miesiąc na uzyskaniu pewności co do wyniku.

Firma podaje również, że badacze poświęcili kilkaset godzin na zdobycie wystarczającej wiedzy z zakresu kryptografii, aby zweryfikować twierdzenie i przygotować artykuł. Anthropic wyraźnie zaznacza, że nie byli oni ekspertami w dziedzinie kryptografii.

To ujawnienie zasługuje na równie dużą uwagę jak sam atak. Badania matematyczne nie stają się wiarygodne dlatego, że model dostarcza równania, kod i autorytatywne wyjaśnienie. Recenzenci muszą zweryfikować każde założenie i porównać metodę z dziesięcioleciami wcześniejszych prac.

HAWK oferował bardziej konkretną ścieżkę walidacji. Zespół mógł zaimplementować metodę odzyskiwania klucza od początku do końca i sprawdzić, czy odzyskuje wybrany klucz. Dzięki temu wynik jest łatwiejszy do przetestowania niż rozległy, teoretyczny atak na AES.

W przypadku AES nikt nie może przeprowadzić kompletnego ataku przy deklarowanych założeniach dotyczących zasobów. Recenzja opiera się więc na udowodnieniu poprawności algorytmu, sprawdzeniu jego złożoności oraz eksperymentalnej walidacji mniejszych komponentów.

Anthropic twierdzi, że konsultował się z naukowcami, udostępnił wynik dotyczący HAWK jego twórcom w czerwcu oraz koordynował publikację za pośrednictwem listy mailingowej NIST. Przed publikacją firma poinformowała również partnerów z rządu USA i przemysłu.

Kroki te zmniejszają prawdopodobieństwo oczywistego błędu. Nie zastępują jednak szerszej recenzji naukowej. Dwa artykuły i związany z nimi kod dają teraz niezależnym kryptografom możliwość podważenia tych twierdzeń.

Publiczny charakter kryptograficznej recenzji ma znaczenie. Bezpieczeństwo zwykle wynika z powtarzanej analizy przez przeciwników, a nie z zaufania do organizacji ogłaszającej wynik. Eksperci muszą próbować odtworzyć tok rozumowania i zidentyfikować ukryte założenia.

CyberScoop podał, że dyrektorka Keyfactor, Ellen Boehm, uznała odkrycie za dowód, iż proces oceny kryptografii postkwantowej działa. Algorytmy kandydujące trafiają do publicznych konkursów właśnie po to, by badacze mogli znaleźć ich słabości przed wdrożeniem.

Taka interpretacja zapobiega wyciągnięciu niewłaściwego wniosku na temat HAWK. Jego niepowodzenie nie oznacza, że standaryzacja kryptografii postkwantowej zawiodła. Oznacza, że publiczny kandydat przeszedł wymagający test, zanim stał się częścią infrastruktury.

Historia konkursów NIST wspiera ten pogląd. SIKE, wcześniejszy kandydat postkwantowy, przez lata wytrzymywał uwagę badaczy, zanim odkryli oni niszczycielski atak działający na laptopie.

AI dodaje nowe źródło presji ze strony przeciwników. Organy standaryzacyjne mogą wykorzystywać modele do testowania większej liczby konstrukcji i badania większej liczby wariantów. Projektanci mogą też stosować te same techniki przed zgłoszeniem propozycji.

Większa zdolność wyszukiwania tworzy jednak problem kolejkowania. Jeśli modele generują ataki znacznie szybciej, niż specjaliści potrafią je ocenić, zaległości rosną. Błędne wyniki mogą pochłaniać miesiące uwagi, podczas gdy prawdziwe odkrycia mogą czekać niezauważone.

Modele mogą również tworzyć fałszywe poczucie weryfikacji, pisząc testy potwierdzające ich własne błędne założenia. Niezależne implementacje i recenzenci pozostają konieczni, ponieważ wewnętrzna spójność nie jest tym samym co poprawność.

Partnerstwo Amazon i Anthropic znajduje się blisko tego wąskiego gardła, ponieważ skalowanie modeli i obsługa dłuższych sesji agentowych zwiększają napływ wyników na wcześniejszym etapie. Infrastruktura może zwiększać liczbę kandydatów szybciej, niż społeczności akademickie są w stanie zwiększać liczbę wykwalifikowanych recenzentów.

Właściwą odpowiedzią nie jest tłumienie wszelkiej zautomatyzowanej eksploracji. Jest nią budowanie równolegle z nią systemów recenzji. Systemy te potrzebują kompletnych dzienników, odtwarzalnego kodu, jawnych modeli zagrożeń, wersjonowanej literatury i klarownych zapisów interwencji człowieka.

CryptanalysisBench stanowi jedną z prób uczynienia wydajności modeli bardziej mierzalną. Anthropic stworzył ten benchmark wraz z badaczami akademickimi, aby ująć problemy kryptograficzne w formę, z którą mogą mierzyć się różne modele.

Benchmarki nadal uchwycą tylko część obrazu. Najsilniejszy wynik Anthropic zależał od wytrwałego człowieka, który nie pozwolił Claude zmienić celu. Projekty ewaluacji muszą zatem mierzyć zarówno autonomiczną pracę, jak i wydajność pod realistycznym nadzorem badawczym.

Czego wyniki nie dowodzą

Ataki są wystarczająco wiarygodne, by je badać, ale zbyt ograniczone, by uzasadniać twierdzenia, że Claude złamał współczesne szyfrowanie lub zastąpił kryptografów.

Pierwszym ograniczeniem jest praktyczny wpływ. HAWK jest kandydatem, a nie wdrożonym standardem. Siedem rund AES to celowo osłabiony obiekt badań. Pełny AES-128 używa 10 rund i pozostaje niewzruszony.

Drugie ograniczenie dotyczy wykonalności obliczeniowej. Atak na AES zakłada 2^105 wybranych tekstów jawnych, czyli ilość danych dalece wykraczającą poza możliwość zebrania w jakimkolwiek realistycznym środowisku. Usprawnienie od 200 do 800 razy nie zamienia niemożliwego ataku w użyteczny.

Trzecie ograniczenie dotyczy autonomii. Mythos samodzielnie przeprowadził większość eksploracji technicznej, ale ludzie wybrali cele, skonstruowali rusztowania, monitorowali postępy, przekierowywali model i walidowali wyniki.

Opisanie tej pracy jako w pełni autonomicznej wymazałoby te wkłady. Opisanie jej jako zaledwie ludzkiego odkrycia spisanego przez AI również byłoby nieprecyzyjne. Użyteczną jednostką jest połączony system badawczy.

Czwarte ograniczenie to walidacja zewnętrzna. Anthropic udostępnił artykuły, kod i wybrane artefakty rozumowania, ale szersza społeczność kryptograficzna dopiero zaczęła je analizować. Niezależna recenzja określi, czy każde deklarowane usprawnienie przetrwa krytyczną ocenę.

Udostępnione rozumowanie nie jest też kompletnym zapisem każdego wewnętrznego tokenu. Anthropic twierdzi, że dokument został przepisany przez Claude, aby przedstawić bardziej czytelny opis jednej udanej sesji. Wiele innych sesji nie doprowadziło do żadnego odkrycia.

Ta selekcja czyni artefakt użytecznym do zrozumienia udanej ścieżki, ale mniej przydatnym do szacowania wskaźników sukcesu. Czytelnicy nie mogą wywnioskować, jak często podobne nakłady prowadzą do badań nadających się do publikacji.

Piąte ograniczenie dotyczy uogólniania. Symetria w HAWK nie oznacza, że ta sama słabość występuje w całej kryptografii opartej na kratach. Usprawnienie oparte na odciskach przeciw siedmiu rundom AES nie oznacza drogi przez pozostałe trzy.

Rundy kryptograficzne projektuje się tak, aby złożoność narastała. Postęp wobec zredukowanej wersji pomaga mierzyć marginesy bezpieczeństwa, jednak końcowe rundy mogą pozostawać poza zasięgiem każdej znanej techniki.

Wstępne twierdzenia Anthropic dotyczące dalszych prac również wymagają ostrożności. Firma informuje o ataku na 13-rundowy LEA działającym na komputerze stacjonarnym oraz o innym ataku na sześci rundowy Serpent-128. Żaden z nich nie dotyczy pełnych wersji tych szyfrów.

Zespół planuje opublikować więcej szczegółów po dalszych pracach. Do tego czasu wyniki te pozostają twierdzeniami firmy, a nie w pełni możliwymi do zbadania ustaleniami.

Pojawia się też kwestia ekonomiczna. Wydanie około 100 000 USD na jeden wynik może mieć sens dla laboratorium frontierowego badającego najważniejsze standardy. Jest to mniej dostępne dla grup uniwersyteckich, opiekunów projektów i mniejszych zespołów bezpieczeństwa.

Ta nierównowaga mogłaby skoncentrować wczesny dostęp do kryptanalizy wspomaganej przez AI wśród firm modelowych, dostawców chmury hiperskalowej, rządów i dobrze finansowanych dostawców. Organizacje uzyskujące wyniki mogłyby również kontrolować systemy potrzebne do ich odtworzenia.

Ograniczony dostęp do Mythos dodatkowo komplikuje niezależną replikację. Badacze mogą analizować opublikowane artefakty, ale niekoniecznie mogą ponownie uruchomić ten sam model i rusztowanie.

Ograniczenia te nie podważają ustaleń. Określają, co one znaczą. Claude Mythos wydaje się zdolny do wnoszenia oryginalnych pomysłów w ramach starannie zarządzanego programu badawczego. Nie wykazał ogólnej zdolności do łamania wdrożonej kryptografii na żądanie.

Właściwy sceptycyzm powinien dotyczyć towarzyszących twierdzeń, a nie wartości testowania algorytmów. Silniejsza recenzja przed wdrożeniem jest korzystna, niezależnie od tego, czy użyteczny pomysł pochodzi od człowieka, modelu czy ich współpracy.

Obserwatorzy Amazon i Anthropic powinni śledzić trzy sygnały

O kolejnej fazie zdecydują niezależna replikacja, mierzalna wiarygodność badań oraz zasady ujawniania wyników o rzeczywistym wpływie operacyjnym.

Pierwszym sygnałem będzie ocena artykułów o HAWK i AES przez zewnętrznych kryptografów. Odtworzone obliczenia, skorygowane szacunki złożoności i niezależne implementacje pokażą, czy wyniki wytrzymują presję ekspertów.

Silna replikacja wsparłaby twierdzenie Anthropic, że modele frontierowe mogą wnosić wkład w nowatorską kryptanalizę. Poważne korekty osłabiłyby szerszą narrację o możliwościach, nawet jeśli eksperymenty pozostałyby pouczające.

Drugim sygnałem będzie wydajność w CryptanalysisBench i podobnych ewaluacjach. Badacze potrzebują wyników z wielu modeli, powtarzanych uruchomień, udokumentowanych budżetów oraz różnych poziomów ludzkiego wsparcia.

Benchmark powinien odróżniać odkrycie od ponownego odkrycia. Powinien także rejestrować nieudane sesje, zużycie tokenów, użycie narzędzi i interwencje, które zmieniły kierunek agenta.

Jeśli kilka rodzin modeli będzie tworzyć nowe, zwalidowane ataki w kontrolowanych warunkach, kryptanaliza AI stanie się zdolnością ogólnobranżową. Jeśli sukces pozostanie rzadki i zależny od infrastruktury specyficznej dla Mythos, wniosek pozostanie węższy.

Trzecim sygnałem będzie sposób, w jaki Anthropic, Amazon, organy standaryzacyjne i rządy potraktują odkrycie wpływające na wdrożone oprogramowanie. Te dwa ataki umożliwiły uporządkowane ujawnienie, ponieważ żaden nie zagrażał systemowi produkcyjnemu.

Praktyczne przełamanie zabezpieczeń wymusiłoby trudniejsze decyzje. Badacze musieliby powiadomić dostawców, skoordynować poprawki lub migracje, ograniczyć szczegóły techniczne oraz zdecydować, kiedy opinia publiczna powinna zostać ostrzeżona.

Anthropic twierdzi już, że konsultował bieżące prace z liderami administracji publicznej i branży. Kolejnym testem będzie to, czy te relacje zaowocują przejrzystymi zasadami przed kryzysem, a nie improwizowanymi kontrolami po fakcie.

Dla deweloperów i osób odpowiedzialnych za bezpieczeństwo przedsiębiorstw najpilniejszym działaniem nie jest wymiana szyfrowania ani panika wokół AES. Chodzi o lepszą widoczność miejsc, w których algorytmy kryptograficzne, biblioteki, klucze i protokoły trafiają do ich systemów.

Zespoły powinny też przygotować się do oceny twierdzeń dotyczących bezpieczeństwa generowanych przez maszyny. Oznacza to zachowywanie materiałów źródłowych, eksperymentów, promptów, kodu i decyzji recenzentów, zamiast bezkrytycznie przyjmować dopracowany raport końcowy.

Historia Amazon i Anthropic dotyczy ostatecznie wpływu. Amazon zapewnia kapitał, infrastrukturę chmurową i drogę do dystrybucji w przedsiębiorstwach. Anthropic dostarcza model o ograniczonym dostępie, zdolny prowadzić wyjątkowo dogłębne poszukiwania techniczne.

Prace Claude nad kryptografią pokazują, co może umożliwić takie połączenie, ale ujawniają też jego czynnik ograniczający. Obliczenia mogą generować potencjalne odkrycia na ogromną skalę. Pewność wciąż posuwa się naprzód w tempie starannej ludzkiej weryfikacji.

Pytanie na najbliższe kilka miesięcy jest więc konkretne: czy niezależni eksperci potwierdzą te ataki i odtworzą ten wzorzec badań z użyciem innych modeli? Te dowody przesądzą, czy był to wyjątkowy eksperyment, czy początek powtarzalnej metody audytowania matematyki leżącej u podstaw cyfrowego bezpieczeństwa.