Partnerstwo Anthropic i Google w dziedzinie bezpieczeństwa staje przed nowym testem, gdy Claude Mythos wyprzedza ludzkie badania nad kryptografią

Anthropic twierdzi, że Claude Mythos Preview w ciągu kilku dni znalazł dwa ataki kryptograficzne, mimo że wcześniej były one przez lata analizowane przez ludzi. Partnerstwo Anthropic i Google w dziedzinie bezpieczeństwa staje teraz przed trudniejszym pytaniem niż wykrywanie luk w oprogramowaniu. Czy obrońcy zdołają zweryfikować i wykorzystać badania generowane przez maszyny, zanim podobne możliwości trafią do atakujących?

Wyniki nie oznaczają, że Claude złamał szyfrowanie chroniące bankowość internetową, prywatne wiadomości czy dane firmowe. Jeden z ataków dotyczy HAWK, niewdrożonej propozycji podpisu cyfrowego będącej w trakcie federalnej oceny. Drugi usprawnia atak na siedmiorundowy AES-128, celowo osłabiony wariant badawczy dziesięciorundowego szyfru używanego w praktyce.

To rozróżnienie ma znaczenie, lecz nie usuwa kluczowego odwrócenia sytuacji. Kryptoanaliza od dawna opiera się na niewielkiej społeczności specjalistów, łączących matematyczną intuicję z miesiącami lub latami analizy. Mythos miał podobno stworzyć poważny atak na HAWK w ciągu 60 godzin i w ciągu tygodnia ulepszyć badania nad uproszczonym AES.

Google pojawia się w tej historii za sprawą Project Glasswing, ograniczonej współpracy Anthropic w obszarze bezpieczeństwa z dużymi organizacjami technologicznymi i infrastrukturalnymi. Program zapewnia zweryfikowanym partnerom dostęp do zaawansowanych możliwości Claude'a na potrzeby badań obronnych. Najnowsze ustalenia podnoszą stawkę dla każdego uczestnika, ponieważ błędy kryptograficzne tworzą inny problem ujawniania niż zwykłe błędy oprogramowania.

Claude Mythos znalazł dwa różne rodzaje słabości

Najważniejszą zmianą nie jest to, że AI potrafi wyjaśniać kryptografię. Chodzi o to, że system AI miał podobno pomóc stworzyć nową, weryfikowalną kryptoanalizę.

Anthropic ujawnił wyniki 28 lipca 2026 r. Badacze firmy stwierdzili, że Mythos Preview przyczynił się do ataków na HAWK oraz uproszczoną wersję Advanced Encryption Standard, czyli AES.

HAWK to postkwantowy schemat podpisu cyfrowego. Podpisy cyfrowe pozwalają odbiorcy zweryfikować, kto podpisał wiadomość i czy ktoś ją zmienił. Schematy postkwantowe mają być odporne na ataki zarówno konwencjonalnych, jak i przyszłych komputerów kwantowych.

National Institute of Standards and Technology ocenia HAWK w ramach procesu dotyczącego dodatkowych podpisów. HAWK jest kandydatem, a nie zatwierdzonym standardem, i organizacje nie polegają obecnie na nim w celu zapewnienia bezpieczeństwa produkcyjnego.

Według Anthropic Mythos zidentyfikował nietrywialny automorfizm w leżącej u podstaw HAWK sieci. Automorfizm to symetria, która odwzorowuje strukturę matematyczną na nią samą, zachowując ważne relacje.

Ta symetria dała badaczom skrót umożliwiający odzyskanie prywatnego klucza HAWK. Atak obniżył efektywną siłę schematu na tyle, że utrzymanie zamierzonego poziomu bezpieczeństwa wymagałoby znacznie większych kluczy.

Oczekiwano, że zaatakowanie najmniejszego zestawu parametrów HAWK będzie wymagało około 2^64 operacji. Opisana metoda obniża tę wartość do około 2^38 operacji. Nadal jest to znaczna ilość obliczeń, ale zmienia ocenę bezpieczeństwa kandydata.

Odkrycie podważa również jeden z głównych powodów rozważania HAWK. Większe klucze mogłyby zrekompensować słabość, jednak taka zmiana ograniczyłaby zalety wydajnościowe, które czyniły tę propozycję atrakcyjną.

Anthropic podaje, że Mythos znalazł podstawę ataku na HAWK po około 60 godzinach. Badacze-ludzie okazjonalnie wskazywali kierunek, analizowali wyniki i przekształcili pracę modelu w formalny rezultat.

Drugi projekt dotyczył AES-128, szeroko wdrożonego szyfru symetrycznego używanego do ochrony danych. Szyfrowanie symetryczne wykorzystuje ten sam tajny klucz do szyfrowania i odszyfrowywania informacji.

Produkcyjny AES-128 stosuje dziesięć rund transformacji do każdego bloku danych. Kryptografowie badają także wersje o mniejszej liczbie rund, ponieważ warianty te pokazują, jaką ochronę zapewnia każda dodatkowa runda.

Mythos zaatakował wariant siedmiorundowy, a nie pełny szyfr. Jego głównym wkładem była technika matematyczna nazwana Möbius Bridge, która usunęła wymagające dużej pamięci wyszukiwanie z istniejącego ataku.

W połączeniu z innymi zmianami podejście to miało przyspieszyć najlepszy atak na siedmiorundowy AES od 200 do 800 razy. Nadal wymaga ono ponad 2^105 wybranych tekstów jawnych, czyli wiadomości wybranych specjalnie do analizy.

To wymaganie dotyczące danych pozostaje poza praktycznym zasięgiem. Wynik poprawia więc akademicki stan wiedzy, nie zagrażając pełnemu AES-128.

Anthropic twierdzi, że każde z badań zużyło znaczące zasoby modelu. Ważniejsze od łącznej skali zasobów jest to, co dzięki nim uzyskano: trwałą eksplorację wielu możliwych ścieżek matematycznych bez ludzkiego zmęczenia.

Są to dwa różne wyniki. Praca nad HAWK zmienia ocenę aktywnego kandydata w procesie standaryzacji. Badanie AES posuwa naprzód analizę osłabionego celu badawczego, pozostawiając szyfrowanie produkcyjne nienaruszone.

Łącznie tworzą główne napięcie tego artykułu. Claude nie złamał internetu, ale miał podobno skompresować poważne badania kryptograficzne do procesu działającego w tempie maszyny.

Dlaczego partnerstwo Anthropic i Google ma teraz większe znaczenie

Badania kryptograficzne przekształcają Project Glasswing z programu obrony oprogramowania we wczesny test zarządzania odkryciami naukowymi w tempie maszyny.

Anthropic przedstawił Claude Mythos Preview i Project Glasswing w kwietniu 2026 r. Inicjatywa zgromadziła organizacje, w tym Google, Apple, Microsoft, Cisco, CrowdStrike, Amazon Web Services, NVIDIA oraz Linux Foundation.

Partnerstwo zaprojektowano tak, aby wykrywać i naprawiać poważne luki, zanim powszechnie dostępne systemy AI zapewnią atakującym porównywalne możliwości. Anthropic początkowo ograniczył dostęp do Mythos, ponieważ model miał podobno potrafić wykrywać i wykorzystywać słabości oprogramowania przy niewielkim wsparciu.

We wcześniejszej ocenie cyberbezpieczeństwa firma podała, że Mythos mógł analizować duże bazy kodu, identyfikować wcześniej nieznane błędy i tworzyć działające exploity. Zgłoszono również słabości we wdrożeniach protokołów i bibliotek kryptograficznych.

Znalezienie wadliwej implementacji różni się od atakowania leżącej u jej podstaw matematyki. Błąd oprogramowania zwykle dotyczy konkretnych wersji programu. Opiekunowie projektu mogą poprawić kod, rozpowszechnić aktualizację i śledzić jej wdrażanie.

Słabość projektu kryptograficznego ma szerszy promień oddziaływania. Jeśli organizacje wdrożą taki projekt na szeroką skalę, jego zastąpienie może wymagać zmian w oprogramowaniu, sprzęcie, protokołach, certyfikatach, archiwizowanych danych i systemach zgodności.

HAWK nie jest wdrożony, co czyni tę wersję historii korzystną. Słabość ujawniła się podczas oceny, zanim propozycja została osadzona w infrastrukturze.

Właśnie to powinien zapewniać otwarty proces standaryzacji. Kandydaci są poddawani długotrwałej publicznej analizie, aby słabe projekty można było zmodyfikować lub odrzucić przed wdrożeniem.

Ellen Boehm, starsza wiceprezeska Keyfactor ds. strategii i innowacji AI, powiedziała CyberScoop, że odkrycie pokazuje sprawne działanie procesu oceny. Jej ocena umieszcza Mythos wewnątrz istniejącego systemu przeglądu, zamiast przedstawiać go jako jego zastępstwo.

Relacja Anthropic i Google ma znaczenie, ponieważ Google prowadzi oprogramowanie, przeglądarki, usługi chmurowe, systemy tożsamości i infrastrukturę zależne od kryptografii. Zatrudnia również badaczy projektujących i analizujących protokoły bezpieczeństwa.

Udział Google nie oznacza, że jego badacze stworzyli ani niezależnie poparli ustalenia dotyczące HAWK i AES. Publicznie dostępne informacje wskazują jedynie, że Google uczestniczy w Project Glasswing i otrzymał dostęp w ramach tego defensywnego modelu.

Mimo to Google reprezentuje rodzaj organizacji, która musi zareagować, jeśli zautomatyzowana kryptoanaliza zyska skalę. Utrzymuje wystarczająco dużą infrastrukturę, aby rozumieć zarówno szansę obronną, jak i ciężar migracji.

Presja nie ogranicza się do Google. Organy normalizacyjne muszą zdecydować, jak przyjmować, odtwarzać i dokumentować zgłoszenia wspomagane przez AI. Dostawcy muszą śledzić, gdzie algorytmy występują w ich produktach. Zespoły bezpieczeństwa muszą przygotować się na większą liczbę ustaleń, niż ludzcy recenzenci mogą szybko przetworzyć.

Partnerstwo Anthropic i Google oferuje więc wczesny model kontrolowanego dostępu. Łączy twórców modeli z organizacjami zdolnymi do weryfikowania ustaleń i koordynowania napraw.

Takie podejście koncentruje również informacje i możliwości w rękach niewielkiej grupy. Organizacje spoza partnerstwa muszą zaufać, że uczestnicy szybko, dokładnie i sprawiedliwie ujawnią istotne wyniki.

Badania kryptograficzne czynią tę kwestię bardziej pilną. Dostawca oprogramowania może zazwyczaj otrzymać prywatne zgłoszenie błędu i wydać poprawkę. Nowo odkryta słabość matematyczna może jednocześnie wpłynąć na konkurujących dostawców, rządy, badaczy i procesy standaryzacji.

Wyzwanie nie polega już wyłącznie na znajdowaniu błędów przed atakującymi. Chodzi o zbudowanie procesu przeglądu, który będzie w stanie dotrzymać tempa, nie dając prywatnemu konsorcjum nadmiernego wpływu na publiczne decyzje dotyczące bezpieczeństwa.

Prawdziwym postępem jest kompresja procesu badawczego

Mythos nie wyeliminował kryptografów-ludzi. Zmienił skalę pracy eksploracyjnej, jaką mały zespół ludzi może podjąć w ustalonym czasie.

Kryptoanaliza łączy teorię, eksperymentowanie, implementację i powtarzające się niepowodzenia. Badacze formułują hipotezy, testują mniejsze przypadki, piszą kod, analizują wyniki, korygują założenia i decydują, która ścieżka zasługuje na dalszą uwagę.

Modele językowe mogą obecnie uczestniczyć w całej tej pętli. Potrafią czytać specyfikacje, wyprowadzać równania, implementować eksperymenty, korzystać z narzędzi matematycznych, porównywać wyniki i zachowywać przydatne rezultaty pośrednie.

Ten zakres ma większe znaczenie niż pojedyncza odpowiedź. Tradycyjna automatyzacja dobrze sprawdza się wtedy, gdy badacze znają już dokładną procedurę wyszukiwania. Modele z czołówki mogą proponować i testować różne procedury, reagując na nieoczekiwane dowody.

Przypadek HAWK miał podobno rozpocząć się od zidentyfikowania przez Mythos strukturalnej symetrii w sieci tego schematu. Badacz-człowiek następnie pomagał ukierunkować dochodzenie i ocenić, czy obserwacja wspiera rzeczywisty atak.

Ten sposób pracy komplikuje proste twierdzenia o autonomii. Model wniósł kluczową ideę i wykonał dużą część analizy, ale ludzie wybrali cel badawczy, skonfigurowali środowisko, ocenili wyniki i przygotowali rezultat.

„Autonomiczny” powinno zatem opisywać części procesu, a nie cały projekt naukowy. Mythos mógł kontynuować techniczną eksplorację bez stałego podpowiadania. Nie wybierał jednak samodzielnie celu społecznego ani standardu publikacji.

Projekt dotyczący uproszczonego AES pokazuje inną formę wartości. Cel ten był przedmiotem rozległej ludzkiej analizy, a model nie wykazał praktycznego złamania. Znalazł bardziej efektywną drogę w ramach ściśle ograniczonego ataku teoretycznego.

Zgłoszone przyspieszenie wynikało częściowo z wyeliminowania tabeli wyszukiwania zawierającej 256 wpisów. Nie usunęło to ogromnego zapotrzebowania ataku na dane, ale poprawiło jego charakterystykę czasową i pamięciową.

To rozróżnienie pokazuje, dlaczego badania wspomagane przez AI mogą rozwijać się, zanim modele staną się powszechnie niezawodne. Kandydacki atak można często sprawdzić za pomocą równań, wykonywalnego kodu lub formalnego eksperymentu bezpieczeństwa.

Kryptoanaliza oferuje wyjątkowo jasną informację zwrotną. Proponowana metoda odzyskiwania klucza albo odzyskuje klucz w określonych warunkach, albo nie. Badacze mogą odrzucać wiele halucynowanych ścieżek, nie polegając na prozie modelu.

Nowo opublikowany CryptanalysisBench dostarcza szerszych dowodów na tę zmianę możliwości. Jego autorzy ocenili 191 zadań obejmujących sześć rodzin prymitywów kryptograficznych.

Pięć modeli z czołówki rozwiązało od 65 do 86 procent zadań dotyczących schematów ze znanymi praktycznymi atakami. Claude Mythos 5 osiągnął 42 sukcesy w 49 zadaniach Tier 1, co jest najwyższym zgłoszonym wynikiem.

Benchmark obejmował również trudniejsze schematy bez znanych praktycznych przełamań. Mythos 5 przełamał 61 schematów po uwzględnieniu wariantów pełnych i skalowanych, wobec 37 w przypadku Claude Opus 4.8.

Liczby te nie pokazują, że modele potrafią pokonać współczesną kryptografię stosowaną produkcyjnie. Poziom wyzwań pozostaje w dużej mierze nierozwiązany, a wiele sukcesów benchmarkowych dotyczy osłabionych konfiguracji lub schematów o znanych wadach.

Wyniki pokazują natomiast, że modele potrafią poruszać się w technicznych środowiskach badawczych, implementować ataki i czasem znajdować wcześniej niezgłoszone problemy projektowe. To wyższy próg niż streszczanie istniejących publikacji.

Porównanie z ludźmi również wymaga ostrożności. 60-godzinne uruchomienie modelu nie jest równoważne jednemu kryptografowi pracującemu przez 60 godzin. System może wykorzystywać duże zasoby obliczeniowe, równoległe eksperymenty i rozległą wcześniejszą wiedzę zakodowaną podczas treningu.

Znaczące porównanie dotyczy upływu czasu badań i efektów pracy zespołu. Niewielka grupa uzyskała dostęp do znacznie większej ilości pracy eksploracyjnej, niż mogłaby wykonać ręcznie w tym samym tygodniu.

To kompresja badań. Model zamienia moc obliczeniową w dodatkowe próby, podczas gdy ludzie decydują, które z nich zasługują na zaufanie.

Ta równowaga wywiera presję na laboratoria, by przeprojektowały działalność badawczą. Ekspertyza przesuwa się w stronę wyboru celów, budowania ewaluacji, wykrywania subtelnych błędów modeli oraz przekształcania wstępnych wyników w twierdzenia możliwe do obrony.

Ludzki osąd pozostaje niezbędny, ale pojawia się później w pętli. Badacze spędzają mniej czasu na generowaniu każdego kandydata, a więcej na walidowaniu znacznie większego strumienia kandydatów.

Ustalenia nie przełamują szyfrowania produkcyjnego

Najsilniejszy powód do ostrożności jest zarazem najprostszy: żaden z opublikowanych ataków nie kompromituje systemu kryptograficznego, z którego ludzie korzystają obecnie.

HAWK pozostaje propozycją. Jego projektanci mogą zmienić parametry, odpowiedzieć na analizę lub wycofać dotkniętą konfigurację, nie zmuszając użytkowników do migracji wdrożonych systemów.

Specyfikacja HAWK opisuje kompaktowy system podpisów oparty na założeniach kratowych. Założenia te od zawsze wymagały publicznej kontroli przed standaryzacją.

Wynik Mythos wnosi wkład w tę kontrolę. Nie oznacza, że każdy podpis oparty na kratach ma tę samą słabość. Atak zależy od konkretnej struktury matematycznej HAWK.

Nie unieważnia też ukończonych standardów postkwantowych NIST. HAWK jest częścią odrębnego procesu analizującego dodatkowe opcje podpisów cyfrowych.

Wynik dotyczący AES wymaga jeszcze mocniejszego zastrzeżenia. Siedmiorundowy AES-128 to wariant badawczy zaprojektowany tak, by był słabszy od wdrożonej formy dziesięciorundowej.

Atakowanie mniejszej liczby rund pomaga kryptografom mierzyć margines bezpieczeństwa szyfru. Postęp wobec siedmiu rund może być wartościowy matematycznie, nie wyznaczając jednak ścieżki przez wszystkie dziesięć.

Atak wspomagany przez Mythos zakłada także nadzwyczajną liczbę wybranych tekstów jawnych. Scenariusz z wybranym tekstem jawnym pozwala atakującemu wybierać wiadomości i obserwować ich zaszyfrowane wyniki.

Rzeczywiste systemy ograniczają dostęp, rotują klucze, limitują dane i dodają protokoły wokół bazowego szyfru. Te mechanizmy sprawiają, że opublikowane warunki teoretyczne są jeszcze mniej praktyczne.

Nazywanie wyniku „przełamaniem AES” wprowadzałoby więc czytelników w błąd. Jest to ulepszenie ataku na AES o zredukowanej liczbie rund, a nie kompromitacja AES-128 w jego wdrożonej postaci.

Ta sama ostrożność dotyczy twierdzeń, że AI przewyższyła wszystkich ludzkich kryptografów. Model działał w rusztowaniu zaprojektowanym przez ludzi i czerpał z dziesięcioleci opublikowanych badań osadzonych w jego środowisku treningowym.

Badacze nie ustalili publicznie, jak często Mythos podążał fałszywymi tropami, ile uruchomień zakończyło się niepowodzeniem ani jak zmienia się wydajność przy stałym budżecie obliczeniowym. Historie sukcesu ujawniają możliwości, lecz nie dostarczają pełnej miary produktywności.

Odtwarzalność stanowi kolejny problem. Niezależni specjaliści potrzebują wystarczającej ilości szczegółów, aby zweryfikować matematykę i kod. Transkrypcje modelu mogą pomóc, jednak długie ślady działania agentów mogą być trudniejsze do audytu niż konwencjonalne wyprowadzenie.

Publiczny sceptycyzm koncentrował się na poziomie nadzoru specjalistów. Krytycy argumentują, że nadzwyczajne twierdzenia kryptograficzne zasługują na ocenę uznanych ekspertów, zanim zostaną szeroko przedstawione w promocyjnej narracji.

Tej krytyki nie należy odrzucać jako oporu wobec automatyzacji. Błędy kryptograficzne mogą przetrwać recenzję naukową, a pozornie wiarygodny atak może skrywać błędne założenie dotyczące przeciwnika lub modelu bezpieczeństwa.

Zewnętrzne potwierdzenie wzmacnia argumentację. Doniesienia wskazują, że projektanci HAWK uznali istotę ataku, podczas gdy niezależni kryptografowie przeanalizowali wynik dotyczący AES o zredukowanej liczbie rund.

Formalna publikacja i dalsza recenzja naukowa pozostają konieczne. Imponujący ślad działania modelu jest dowodem procesu badawczego, a nie zamiennikiem kompletnego dowodu.

Dowody z benchmarku ujawniają także wyraźne ograniczenia. Nawet Mythos nie poradził sobie z niektórymi schematami o znanych atakach, a najtrudniejsze zadania zorientowane na zastosowania produkcyjne pozostają otwarte.

Modele mogą marnować budżet na implementowanie poprawnej koncepcji, obierać niewłaściwą grę bezpieczeństwa lub wykorzystywać słabości mechanizmu testowego. Są to znane porażki agentów o wyjątkowo wysokiej stawce.

Organizacja zajmująca się bezpieczeństwem powinna zatem traktować kryptanalizę wygenerowaną przez AI jako niezaufane badania, dopóki eksperci jej nie odtworzą. Taka polityka wykorzystuje wartość defensywną bez przekształcania twierdzeń dostawcy w fakty operacyjne.

Kryptoanaliza z prędkością maszyn zmienia wąskie gardło obrońców

Szybsze odkrywanie pomaga obrońcom tylko wtedy, gdy weryfikacja, ujawnianie informacji i migracja mogą postępować w porównywalnym tempie.

Bezpieczeństwo oprogramowania już mierzy się z tą nierównowagą. Zautomatyzowane narzędzia mogą generować więcej potencjalnych ustaleń, niż opiekunowie projektów są w stanie przejrzeć. Mythos przenosi tę samą presję na systemy złożone matematycznie.

Pierwszym wąskim gardłem jest walidacja. Model może szybko badać wiele hipotez, lecz wykwalifikowanych kryptografów wciąż brakuje. Każde poważne twierdzenie może wymagać starannego przeglądu dowodów, kodu, założeń dotyczących parametrów i modeli zagrożeń.

Drugim wąskim gardłem jest ujawnianie informacji. Niewdrożony status HAWK uprościł koordynację, lecz przyszłe ustalenia mogą dotyczyć szeroko używanych prymitywów. Zbyt wczesna publikacja mogłaby narazić systemy, zanim dostawcy przygotują środki łagodzące.

Zbyt długie oczekiwanie również stwarza ryzyko. Niewielka grupa firm lub rządów mogłaby posiadać wiedzę wpływającą na wszystkich, podczas gdy organizacje spoza tego kręgu pozostawałyby niezdolne do oceny własnej ekspozycji.

Trzecim wąskim gardłem jest inwentaryzacja kryptograficzna. Wiele przedsiębiorstw nie wie, od których algorytmów, rozmiarów kluczy, certyfikatów, bibliotek lub urządzeń wbudowanych zależy.

Nowo odkrytą słabością trudno zarządzać bez takiej mapy. Zespoły nie mogą priorytetyzować migracji, jeśli nie potrafią zlokalizować każdego dotkniętego zastosowania.

W tym miejscu współpraca Anthropic i Google nabiera znaczenia operacyjnego. Google i inni partnerzy Glasswing utrzymują systemy wystarczająco duże, by sprawdzić, czy ustalenia generowane przez maszyny mogą trafić do rzeczywistych programów naprawczych.

Partnerstwo może pomóc opracować metody przeglądu, standardy dowodowe i procedury ujawniania informacji. Może też ujawnić, czy duże organizacje potrafią przetwarzać ustalenia bez przytłaczania opiekunów projektów.

Kontrola dostępu nie rozwiązuje jednak podstawowego problemu dyfuzji. Porównywalne możliwości kryptanalityczne nie pozostaną w nieskończoność wyłączne dla jednego modelu lub jednego partnerstwa.

CryptanalysisBench ocenił systemy zamknięte i systemy z otwartymi wagami. Model GLM-5.2 z otwartymi wagami ustępował Mythos, ale nadal rozwiązał 32 z 49 zadań Tier 1.

Ta różnica ma znaczenie, lecz szerszy kierunek ma większe. Wiele rodzin modeli potrafi już wykonywać znaczące części przepływu pracy ataku.

Przewaga ofensywna zależy od tego, co wydarzy się dalej. Jeśli obrońcy wykorzystają zaawansowane systemy do badania kandydatów przed wdrożeniem, AI może wzmocnić standardy. Jeśli atakujący uzyskają zdolne modele, zanim poprawi się migracja, odkrywanie może wyprzedzić naprawę.

Kryptografia czyni opóźnione działania naprawcze szczególnie niebezpiecznymi. Wymiana komponentu przeglądarki może zająć tygodnie. Wymiana prymitywu osadzonego w sprzęcie i długowiecznych certyfikatach może zająć lata.

Archiwizowane zaszyfrowane dane tworzą kolejną ekspozycję. Przeciwnik może gromadzić informacje teraz i odszyfrować je później, jeśli przyszły atak osłabi bazową ochronę.

Obecne ustalenia nie tworzą takiego scenariusza dla AES. Wzmacniają jednak argument za elastycznością kryptograficzną, czyli zdolnością do zastępowania algorytmów bez przebudowy całego systemu.

Organizacje standaryzacyjne będą także potrzebować jaśniejszych zasad dla zgłoszeń wspomaganych przez AI. Badacze powinni ujawniać wersje modeli, rusztowanie, budżety obliczeniowe, interwencje ludzi, nieudane uruchomienia i metody weryfikacji.

Te szczegóły pozwalają recenzentom odróżnić wynik naukowy od selektywnej demonstracji. Ułatwiają też mierzenie trendów dotyczących możliwości w różnych modelach.

Najbardziej użyteczną odpowiedzią w krótkiej perspektywie nie jest panika ani ogólne ograniczenia. Jest nią zwiększanie ludzkich i instytucjonalnych zdolności otaczających zautomatyzowane odkrywanie.

Większa liczba walidatorów, odtwarzalne narzędzia, jaśniejsze kanały ujawniania informacji i kompletne inwentaryzacje kryptograficzne zadecydują o tym, czy badania z prędkością maszyn najpierw przyniosą korzyść obrońcom.

Na co zwrócić uwagę po wynikach Claude Mythos w kryptografii

Trzy sygnały pokażą, czy ten epizod stanie się trwałą zmianą w badaniach, czy pozostanie wyjątkową demonstracją.

Pierwszym sygnałem będzie sposób traktowania HAWK w procesie NIST. Recenzenci muszą ustalić, czy zmienione parametry zachowują wystarczającą wydajność i wiarygodność, aby kandydat mógł pozostać w procesie.

Istotne przeprojektowanie lub usunięcie wzmocniłoby argument, że Mythos wpłynął na rzeczywistą decyzję standaryzacyjną. Wąska korekta parametrów wskazywałaby na użyteczne, ale bardziej ograniczone ustalenie.

Każdy z tych wyników nadal potwierdzałby wartość testowania przed wdrożeniem. Kluczowe pytanie brzmi, czy analiza wspomagana przez AI stanie się normalną częścią oceny przyszłych kandydatów.

Drugim sygnałem będzie niezależne odtworzenie ataków na HAWK i AES o zredukowanej liczbie rund. Zewnętrzni kryptografowie muszą zweryfikować założenia, wyprowadzenia, implementację i zgłoszoną wydajność.

Jednoznaczne odtworzenie wzmocniłoby twierdzenie Anthropic, że Mythos wniósł autentyczny wkład badawczy. Istotne korekty zawęziłyby wynik i ujawniły słabości obecnego procesu walidacji.

Trzecim sygnałem będzie kolejna generacja kontrolowanych benchmarków. Badacze powinni skupić się na schematach o pełnej sile, nieopublikowanych problemach testowych i zadaniach chronionych przed zanieczyszczeniem danymi treningowymi.

CryptanalysisBench już rozdziela znane ataki od trudniejszych schematów i audytuje ślady pod kątem oznak zapamiętywania. Jego nienasycone poziomy stanowią użyteczny punkt wyjścia.

Postęp na tych poziomach byłby bardziej miarodajny niż powtarzanie rozwiązanych ataków. Model, który konsekwentnie znajduje nowe wady przy stałych budżetach, uzasadniałby silniejsze twierdzenie o zautomatyzowanych badaniach naukowych.

Partnerstwo Anthropic i Google w obszarze bezpieczeństwa powinno także ujawnić, jak uczestniczące organizacje obsługują ustalenia kryptograficzne. Użyteczne dowody obejmowałyby harmonogramy walidacji, wyniki ujawniania informacji oraz odsetek raportów modelu odrzuconych przez ekspertów.

Czytelnicy powinni oprzeć się obu wygodnym skrajnościom. Claude Mythos nie złamał powszechnie stosowanego szyfrowania, lecz odrzucenie tych prac tylko dlatego, że ich cele nie zostały wdrożone lub zostały ograniczone, byłoby niezrozumieniem celu badań kryptograficznych.

Marginesy bezpieczeństwa bada się, zanim znikną. Standardy kandydujące atakuje się, zanim użytkownicy zaczną na nich polegać. Najnowsze wyniki sugerują, że AI może wnieść istotny wkład w oba te działania.

Deweloperzy i nabywcy korporacyjni powinni zapytać, czy ich organizacje potrafią zidentyfikować każdy kluczowy algorytm, z którego korzystają. Powinni też zastanowić się, jak szybko te zależności mogą się zmienić, gdy zaufanie do standardu zostanie podważone.

Badacze powinni obserwować, czy niezależne zespoły odtworzą te wyniki oraz czy NIST zmieni status HAWK. Odpowiedzi na te pytania powiedzą więcej niż jakikolwiek dramatyczny nagłówek.

Najbardziej wiarygodny wniosek jest węższy, lecz ma większe konsekwencje. Mythos miał podobno skondensować lata zgromadzonej wiedzy specjalistycznej do kilku dni ukierunkowanych badań, podczas gdy ludzie nadal odpowiadali za weryfikację.

To połączenie wywiera presję na każdą instytucję bezpieczeństwa zbudowaną wokół wolniejszego cyklu badawczego. Kolejnym sprawdzianem będzie to, czy obrońcy zdołają przeprojektować swoje procesy, zanim odkrycia dokonywane z szybkością maszyn staną się powszechnie dostępne.