Obserwacja Anthropic Schneier: kryptoanaliza LLM znalazła nowe ataki, ale współczesne szyfry nadal się bronią

Badacze Anthropic pomogli przetestować nowy benchmark, w którym czołowe modele AI znalazły wcześniej niezgłoszone ataki kryptograficzne, choć nie poradziły sobie z najtrudniejszymi celami produkcyjnymi. Sygnał anthropic schneier ma znaczenie, ponieważ Bruce Schneier wskazał te wyniki jako coś, co specjaliści od bezpieczeństwa powinni obserwować, a nie odrzucać jako kolejny pokaz zdolności rozumowania.

CryptanalysisBench sprawdza, czy agent AI potrafi przekształcić analizę matematyczną w wykonywalny atak na schemat kryptograficzny. Jego 191 zadań obejmuje sześć rodzin prymitywów kryptograficznych, w tym szyfry blokowe, funkcje skrótu, szyfrowanie uwierzytelnione i systemy klucza publicznego.

Główny konflikt można teraz zmierzyć. Wspomagana przez AI kryptoanaliza może wzmocnić przeglądy defensywne przed wdrożeniem, podczas gdy ta sama zdolność może ostatecznie pomóc atakującym badać systemy w skali, której ludzcy eksperci nie są w stanie dorównać. Obecne modele są wciąż dalekie od złamania pełnej wersji AES lub podobnie dojrzałych szyfrów, ale benchmark pokazuje, że już teraz mogą wnieść oryginalny wkład.

CryptanalysisBench zamienia twierdzenia badawcze w wykonywalne ataki

Benchmark zmienia debatę o rozumowaniu AI, wymagając działającego kodu ataku, a nie przekonujących wyjaśnień czy ocen wystawianych przez inny model.

Badacze przedstawili CryptanalysisBench w preprincie z lipca 2026 r.. Jego autorzy pochodzą z ETH Zurich, Anthropic, University of Haifa, Technische Universität Berlin i Tel Aviv University.

Benchmark czerpie przede wszystkim z czterech konkursów National Institute of Standards and Technology. Programy te oceniały kandydatów dla AES, SHA-3, lekkiej kryptografii i kryptografii postkwantowej.

Zbiór obejmuje 191 zadań w sześciu rodzinach prymitywów. Prymityw to podstawowy algorytm kryptograficzny służący do zapewniania takich właściwości jak szyfrowanie, uwierzytelnianie, odporność na kolizje czy podpisy cyfrowe.

Każde zadanie dostarcza agentowi AI kod źródłowy, dokumentację i dostęp do formalnej gry bezpieczeństwa. Gra bezpieczeństwa precyzyjnie określa, o co atakujący może pytać i co jest uznawane za sukces.

Model musi wybrać cel ataku i stworzyć samodzielny skrypt. Osobny kontroler przechowuje tajne klucze i odpowiada wyłącznie na dozwolone żądania za pośrednictwem interfejsu.

Następnie weryfikacja uruchamia skrypt z nową losowością. Ataki odzyskujące klucz, fałszerstwa i ataki kolizyjne muszą spełniać odpowiednie warunki sukcesu bez ręcznej interwencji.

Niektóre gry probabilistyczne wymagają więcej niż jednej udanej próby. W przypadku tych zadań benchmark uruchamia 20 niezależnych instancji i wymaga co najmniej 17 zwycięstw. Artykuł szacuje, że losowe zgadywanie przekroczyłoby ten próg z prawdopodobieństwem około 0,1 procenta.

Ta struktura ogranicza uporczywy problem benchmarków AI. Model może tworzyć wiarygodną matematykę, przywoływać znane ataki lub przekonać sędziego będącego modelem językowym, nie dostarczając poprawnego wyniku.

CryptanalysisBench zamiast tego zadaje binarne pytanie operacyjne. Czy przesłany atak pokonuje schemat zgodnie z podanymi zasadami?

Zadania są podzielone na dwa poziomy i zestaw wyzwań. Poziom 1 zawiera 49 algorytmów ze znanymi praktycznymi atakami, więc mierzy, czy modele potrafią odtworzyć lub niezależnie ponownie odkryć ustalone słabości.

Poziom 2 zawiera 142 algorytmy bez znanego praktycznego złamania albo z atakami zbyt kosztownymi do wykonania. Badacze testują zarówno pełne wersje konstrukcji, jak i ich uproszczone warianty z mniejszą liczbą rund, krótszymi kluczami lub zmodyfikowanymi parametrami.

Zestaw wyzwań obejmuje szyfry klasy produkcyjnej, znajdujące się blisko granicy opublikowanej kryptoanalizy. Zawiera AES, ChaCha, Katan-32, Present-80, Simon-32/64, Speck-32/64 i Skinny-64/64.

To rozróżnienie jest kluczowe. Złamanie starego kandydata konkursowego, szyfru o zmniejszonej liczbie rund lub wadliwego kodu referencyjnego nie oznacza, że AI złamała szyfrowanie chroniące obecny ruch internetowy.

Ocena bezpieczeństwa Schneiera dobrze oddała właściwy ton. Określił wyniki jako wczesne, podkreślając jednocześnie, że benchmark warto obserwować.

Wiadomością nie jest to, że współczesne szyfrowanie nagle zawiodło. Chodzi o to, że zautomatyzowane systemy przeszły od dyskutowania o kryptoanalizie do tworzenia niektórych weryfikowalnych i pozornie oryginalnych ataków.

Sygnał Anthropic Schneier to nowa praca, a nie złamanie AES

Najmocniejszy wynik stanowi dowód oryginalnego wkładu w kryptoanalizę, a najważniejszym zastrzeżeniem pozostaje fakt, że pełnowymiarowe szyfry produkcyjne nadal nie zostały złamane.

Oceniono pięć czołowych modeli: Claude Opus 4.8, Claude Sonnet 5, Claude Mythos 5, GPT-5.5 oraz model GLM-5.2 z otwartymi wagami. Anthropic udostępnił dostęp do Mythos 5 dzięki współpracy z badaczami.

Wyniki na poziomie 1 wahały się od 65,3 procenta dla GLM-5.2 do 85,7 procenta dla Mythos 5. Opus 4.8 osiągnął 73,5 procenta, natomiast Sonnet 5 i GPT-5.5 uzyskały po 75,5 procenta.

Wyniki te pokazują szerokie kompetencje w przypadku schematów o udokumentowanych słabościach. Same w sobie nie dowodzą jednak, że modele niezależnie wyprowadziły te słabości.

LLM może pamiętać atak z danych treningowych, odtworzyć go na podstawie znanych wzorców lub odkryć inną drogę na podstawie kodu źródłowego. Badacze przeprowadzili audyt śladów wykonania, lecz przyznają, że ślady nie pozwalają w pełni odróżnić zapamiętania od ponownego odkrycia.

Bardziej istotne wyniki pochodziły z pełnych schematów poziomu 2. Mythos 5 i Sonnet 5 niezależnie stworzyły kompletny atak odzyskiwania 128-bitowego klucza na SpoC, kandydata do szyfrowania uwierzytelnionego z procesu NIST dotyczącego lekkiej kryptografii.

Szyfrowanie uwierzytelnione z danymi towarzyszącymi, powszechnie nazywane AEAD, chroni zarówno poufność wiadomości, jak i jej integralność. Zgłoszony atak na SpoC wykorzystywał dwa zapytania do wyroczni, aby wykorzystać wadę na poziomie konstrukcji w niezmodyfikowanym schemacie.

Mythos 5 stworzył również atak reakcji na odszyfrowanie przeciwko KINDI. Metoda ta wydobywa informacje ze sposobu, w jaki system reaguje na żądanie odszyfrowania specjalnie skonstruowanych szyfrogramów.

Według artykułu atak ujawnił błąd w opublikowanym przez KINDI dowodzie bezpieczeństwa przy wybranym szyfrogramie. Autorzy twierdzą, że zarówno problem z KINDI, jak i atak odzyskiwania klucza SpoC były im wcześniej nieznane.

To sformułowanie wymaga ostrożności. Ataki wydają się nowe na podstawie przeglądu literatury przeprowadzonego przez badaczy, ale preprint nie może ustalić, że żadna osoba nie odkryła ich prywatnie.

Dotknięte schematy nie są też odpowiednikami AES, ChaCha ani dzisiejszych ustandaryzowanych zwycięzców kryptografii postkwantowej. SpoC był nieskutecznym kandydatem konkursowym, a KINDI nie stał się wdrożonym standardem NIST.

Mimo to nieudani lub wyeliminowani kandydaci są wartościowymi celami badawczymi. Podczas publicznych konkursów analizowało ich wielu ludzkich kryptografów, dzięki czemu benchmark stanowi trudniejszy test niż celowo podatne łamigłówki.

Benchmark odnotował również wskaźniki sukcesu dla pełnych schematów poziomu 2 na poziomie od 4,4 do 8,9 procenta. Mythos 5 prowadził z wynikiem 8,9 procenta, za nim znalazły się GPT-5.5 z 7,4 procenta i Sonnet 5 z 6,7 procenta.

Te wartości procentowe wymagają kontekstu. Niektóre udane ataki dotyczyły błędów implementacyjnych, niedookreślonego zachowania lub wad, które nie naruszały zamierzonej konstrukcji matematycznej.

Artykuł oddziela kryptoanalizę na poziomie konstrukcji od takich wyników. Wskazuje również artefakty skalowania, w których skrypty redukujące parametry przypadkowo wprowadzały słabości niezwiązane z pierwotnym prymitywem.

Najbardziej uzasadniony wniosek jest zatem wąski. Czołowe modele potrafią znajdować rzeczywiste wady, czasami tworzyć pozornie nowe ataki i przekształcać analizę w działający kod.

Nie pokonały pełnego AES. Nie wykazały, że szeroko wdrożone standardy kryptograficzne są ogólnie podatne na zautomatyzowany atak.

Dlaczego agentowa kryptoanaliza wywiera presję na przeglądy bezpieczeństwa

Bezpośrednia presja dotyczy procesów przeglądu kryptograficznego, ponieważ AI może prowadzić więcej równoległych badań, wracać do zaniedbanych kandydatów i stale testować wykonywalne hipotezy.

Tradycyjna kryptoanaliza zależy od niewielkiej grupy specjalistów. Badają oni konstrukcję, porównują ją ze znanymi rozwiązaniami, rozwijają hipotezę matematyczną i poświęcają dużo czasu na wdrożenie ataku.

Benchmark daje agentowi skondensowaną wersję tego procesu. Może on analizować kod, czytać specyfikacje, wybierać grę bezpieczeństwa, testować zachowanie wyroczni, korzystać z oprogramowania matematycznego i poprawiać skrypt ataku.

To więcej niż poproszenie chatbota o wyjaśnienie. Model działa w środowisku testowym z narzędziami, środowiskiem wykonawczym, stanem i wielokrotnymi możliwościami poprawiania błędów.

Badanie wykazało, że modele często rozpoznawały właściwą słabość, zanim poniosły porażkę. Wiele niepowodzeń wynikało ze słabego wykonania, na przykład z wyboru niepotrzebnie trudnego celu lub przekazania niepraktycznego wyszukiwania ogólnemu solverowi.

To odkrycie ułatwia wyobrażenie sobie przyszłych postępów. Lepsze planowanie, dłuższy czas działania, ulepszone użycie narzędzi i bardziej efektywna koordynacja mogą zwiększyć wskaźniki ukończenia ataków bez potrzeby całkowicie nowego wglądu kryptograficznego.

Przewaga Mythos 5 wydawała się szczególnie silna, gdy benchmark dopuszczał więcej obliczeń w czasie testu. Obliczenia w czasie testu oznaczają budżet przetwarzania wykorzystywany, gdy model pracuje nad jednym problemem, w tym tokeny, wywołania narzędzi i równoległe próby.

Tworzy to napięcie między możliwościami a ryzykiem. Obrońcy mogą używać tych samych systemów do przeglądu proponowanych schematów, skanowania implementacji referencyjnych i generowania ataków przed wdrożeniem.

Atakujący mogą używać ich do ponownego badania mało znanych algorytmów, własnościowych protokołów lub słabo audytowanych produktów. Nie muszą łamać AES, jeśli system opiera się na słabszym własnym prymitywie lub wadliwej implementacji.

Anthropic przedstawił zaawansowane modele cybernetyczne w kontekście kontrolowanego wdrażania defensywnego. Jego badania kryptograficzne opisują prace nad słabościami w Hawk i AES o zmniejszonej liczbie rund, obok szerszego wysiłku związanego z benchmarkiem.

AES o zmniejszonej liczbie rund usuwa część powtarzalnych rund transformacji szyfru na potrzeby badawcze. Atakowanie tego osłabionego wariantu pomaga mierzyć postęp, ale nie łamie standardowego AES-128 ze wszystkimi 10 rundami.

Tę granicę łatwo zatracić w publicznej dyskusji. Nagłówek „AI atakuje AES” może opisywać znaczący wynik akademicki, jednocześnie sugerując praktyczne złamanie, do którego nigdy nie doszło.

Kryptografowie od dawna badają warianty o zmniejszonej liczbie rund, aby określić margines bezpieczeństwa konstrukcji. Postęp względem siedmiu rund może poprawić zrozumienie analityczne, nie czyniąc pełnorundowego AES możliwym do odszyfrowania.

Presja ma zatem charakter organizacyjny, zanim stanie się katastrofalna. Organy normalizacyjne, twórcy modeli i dostawcy oprogramowania potrzebują procedur do walidacji ataków generowanych przez AI i ujawniania rzeczywistych słabości.

Zespoły przeglądowe będą również musiały selekcjonować większą liczbę wiarygodnych ustaleń. Model proponujący setki ataków może pochłaniać ograniczony czas ekspertów, nawet jeśli większość prób kończy się niepowodzeniem.

Automatyczna weryfikacja pomaga w obrębie benchmarku, ponieważ każde zadanie ma formalną grę i kontrolowaną implementację. Rzeczywiste systemy rzadko oferują tak przejrzyste warunki.

Protokół produkcyjny łączy prymitywy kryptograficzne z serializacją, zarządzaniem kluczami, przepływami uwierzytelniania, zachowaniem sprzętu i polityką operacyjną. Atak może odnieść sukces przez te granice, nie podważając podstawowego algorytmu.

Z kolei pozornie udany atak laboratoryjny może zależeć od interfejsu lub decyzji implementacyjnej, których nie ma w wdrożonych produktach. Aby ustalić praktyczne znaczenie, nadal konieczna jest ocena człowieka.

Otwarte repozytorium benchmarku daje niezależnym badaczom możliwość analizy zadań i porównywania przyszłych modeli. Odtwarzalność będzie kluczowa, gdy dostawcy będą zgłaszać silniejsze twierdzenia dotyczące możliwości.

Organizacje znajdujące się pod największą presją to nie tylko laboratoria AI. Projekty standardów kryptograficznych muszą zdecydować, kiedy testowanie agentów stanie się rutynową częścią oceny.

Dostawcy korzystający z własnej kryptografii otrzymują jeszcze wyraźniejsze ostrzeżenie. Modele potrafią przeszukiwać lukę między deklarowanymi właściwościami bezpieczeństwa projektu a faktycznym zachowaniem jego kodu.

Czego benchmark nie dowodzi

CryptanalysisBench mierzy rzeczywistą zdolność, ale zapamiętywanie, ograniczone parametry, błędy implementacyjne i duże budżety obliczeniowe ograniczają możliwość wyciągania szerokich wniosków.

Pierwsza niepewność dotyczy danych treningowych. Ataki z poziomu Tier 1 są już publiczne, więc model może odtwarzać tekst, formuły lub wzorce kodu napotkane podczas treningu.

Badacze przeprowadzili audyty na poziomie śladów działania, aby ustalić, czy modele cytowały publikacje, przypominały sobie znane ataki czy rozwijały odmienne ścieżki. Jednak pozornie nowe wyprowadzenie nadal może odzwierciedlać nierozpoznane zapamiętanie.

AIMer zapewnił częściową kontrolę, ponieważ skuteczny atak z 2026 roku pojawił się po zgłoszonych granicznych datach treningu kilku modeli. Żaden testowany model nie odtworzył opublikowanej metody eliminacji w warunkach benchmarku.

Niektóre modele odzyskały sekret przy bardziej liberalnych ustawieniach, wykorzystując więcej wektorów inicjalizacyjnych, niż wymagał niedawny atak. Sugeruje to użyteczne rozumowanie, ale pokazuje też różnicę między znalezieniem ataku a dorównaniem efektywności ekspertów.

Drugie ograniczenie dotyczy zredukowanych wariantów. Badacze osłabili wiele algorytmów Tier 2, aby umożliwić przeprowadzanie ataków w ramach dostępnych zasobów obliczeniowych.

Jest to standardowa praktyka kryptoanalityczna, lecz zmiany parametrów mogą tworzyć sztuczne podatności. Artykuł opisuje przypadki, w których skrypt redukujący skracał przetwarzanie lub pozostawiał zależne bufory w niespójnych rozmiarach.

Takie sukcesy opisują uszkodzony wariant benchmarku, a nie postęp przeciwko oryginalnemu projektowi. Autorzy oddzielili po osiem lub dziewięć takich artefaktów na model od autentycznych wyników kryptoanalitycznych.

Trzecie ograniczenie dotyczy implementacji referencyjnych. Cztery z 24 zadań Tier 1 rozwiązanych przez każdy model obejmowały błędy kodu, a nie wady leżącego u podstaw prymitywu.

Ataki na implementacje nadal mają wartość w rzeczywistej pracy nad bezpieczeństwem. Odpowiadają jednak na inne pytanie niż to, czy matematyczna konstrukcja szyfru jest poprawna.

Czwarte ograniczenie to wykorzystanie zasobów. Silne agenty mogą zużywać długi czas działania i ogromne budżety tokenów podczas badania jednego celu.

Wynik nadal ma znaczenie jako demonstracja możliwości, ale nie pokazuje, że każdy atakujący może tanio zautomatyzować ekspercką kryptoanalizę. Dostęp do modeli, infrastruktura inferencyjna, weryfikacja i nadzór człowieka pozostają ograniczeniami.

Piąte ograniczenie to zakres benchmarku. Zestaw wyzwań obejmuje kilka szyfrów klasy produkcyjnej, lecz nie może uwzględnić każdego protokołu, implementacji, kanału bocznego ani konfiguracji używanych w praktyce.

Jego formalne gry celowo ograniczają interakcję do zdefiniowanego modelu zagrożeń. Uniemożliwia to agentom wygrywanie dzięki przypadkowemu dostępowi do tajnych plików lub niepowiązanym słabościom kontenera.

Ta izolacja poprawia jakość pomiaru. Usuwa jednak także chaotyczne warunki, w których rzeczywiści atakujący często odnoszą sukces.

Zabezpieczenia wprowadzają kolejną komplikację. Badacze poinformowali, że nie mogli ocenić GPT-5.6 ani Claude Fable 5, ponieważ modele te blokowały zadania kryptoanalityczne.

Odmowa ze względów bezpieczeństwa nie oznacza niższej bazowej zdolności. Oznacza, że wyniki benchmarku zależą zarówno od kompetencji modelu, jak i od zasad dostępu otaczających tę kompetencję.

Tworzy to problem porównawczy. Bardziej zdolny model może sprawiać wrażenie słabszego, jeśli odmawia, podczas gdy mniej ograniczony model może ukończyć więcej zadań.

Rodzą się także pytania dotyczące zarządzania. Defensywni kryptografowie potrzebują dostępu do zaawansowanej analizy, ale nieograniczony dostęp może rozpowszechniać zdolności ofensywne.

Benchmark nie rozstrzyga, gdzie powinna przebiegać ta granica. Dostarcza danych do debaty, która wcześniej w dużej mierze opierała się na anegdotach.

Kolejną niepewnością jest przenoszalność. Wyniki dotyczące historycznych kandydatów konkursowych mogą nie przewidywać skuteczności wobec dojrzałych, intensywnie analizowanych standardów.

AES przez dziesięciolecia był poddawany nieustannej uwadze. Znalezienie przez model wady w słabiej zbadanym kandydacie nie oznacza, że skalowanie tego samego podejścia złamie AES.

Poziom wyzwań w artykule zaprojektowano tak, aby śledzić tę granicę. Obecne wyniki pozostawiają go daleko od nasycenia, co jest uspokajające i użyteczne naukowo.

Interpretacja anthropic schneier powinna zatem unikać obu skrajności. Praca jest bardziej znacząca niż demonstracja na zabawkowym szyfrze, ale słabsza niż dowód, że wdrożonemu szyfrowaniu grozi natychmiastowy upadek.

Możliwość defensywna pojawia się przed ryzykiem najgorszego scenariusza

Organizacje mogą już teraz odnieść korzyści z dodania ataków generowanych przez AI do oceny prowadzonej przez ludzi, pod warunkiem zachowania weryfikacji, ujawniania informacji i zwinności kryptograficznej.

Oczywistym punktem wyjścia są algorytmy kandydujące. Zespoły standaryzacyjne mogą pozwolić wielu modelom badać projekty przed wyborem, a następnie przekazywać odtwarzalne ataki niezależnym kryptografom.

Może to poszerzyć zakres analizy wśród zgłoszeń otrzymujących nierówną uwagę ludzi. Kandydaci z wczesnych rund często przyciągają mniej kontroli po pojawieniu się silniejszych alternatyw.

Wyniki dotyczące SpoC i KINDI ilustrują tę wartość. Nawet gdy schemat nigdy nie trafia do wdrożenia, nowo zidentyfikowana porażka może poprawić przyszłą praktykę projektową.

Implementacje referencyjne są kolejnym praktycznym celem. Agenci mogą porównywać formalną właściwość bezpieczeństwa ze ścieżkami kodu, które pomijają uwierzytelnianie, nieprawidłowo obsługują puste dane wejściowe lub opuszczają składniki wiadomości.

Ta praca częściowo pokrywa się z konwencjonalnym wykrywaniem podatności, ale kod kryptograficzny wymaga wyspecjalizowanego rozumowania. Ogólny skaner może wykryć błędy pamięci, jednocześnie pomijając fałszerstwo na poziomie protokołu.

AI może również pomagać w tworzeniu testów regresji po znalezieniu słabości. Poprawny skrypt ataku staje się konkretnym artefaktem, który programiści mogą zachować obok poprawionego kodu.

Organizacje nie powinny pozwalać modelowi zatwierdzać własnych ustaleń. Niezależne odtworzenie pozostaje konieczne, szczególnie gdy wynik dotyczy standardu lub szeroko używanej biblioteki.

Rozsądny łańcuch oceny zaczyna się od ataku, który można uruchomić automatycznie. Następnie kryptograf określa, czy jego celem jest projekt, implementacja czy sztuczny warunek benchmarku.

Kolejno opiekunowie mogą odtworzyć wynik w dotkniętej bazie kodu. Dopiero wtedy zespoły powinny ocenić ekspozycję wdrożonych systemów i skoordynować ujawnienie informacji.

Taka struktura ogranicza fałszywe alarmy bez odrzucania badań generowanych przez modele. Utrzymuje też model w roli, w której benchmark pokazuje najjaśniejszą wartość: generowaniu i wdrażaniu hipotez.

Zwinność kryptograficzna staje się ważniejsza wraz z poprawą zautomatyzowanej analizy. Termin ten oznacza projektowanie systemów tak, aby algorytmy i klucze można było wymieniać bez przebudowy całego produktu.

Proces standaryzacyjny NIST już pokazuje, dlaczego planowanie migracji ma znaczenie. Wybór algorytmu to dopiero początek; wdrożenie w protokołach, sprzęcie i systemach o długim cyklu życia zajmuje lata.

AI nie zmienia tej rzeczywistości operacyjnej. Może skrócić czas między publikacją projektu a odkryciem jego słabości, przez co powolna migracja staje się bardziej kosztowna.

Zespoły powinny zinwentaryzować miejsca, w których występują prymitywy kryptograficzne, biblioteki je implementujące oraz to, czy protokoły mogą negocjować bezpieczniejsze zamienniki. Własne algorytmy zasługują na natychmiastową uwagę, ponieważ nie mają historii przeglądów charakterystycznej dla uznanych standardów.

Organizacje nie powinny jednak zastępować dojrzałej kryptografii wyłącznie dlatego, że model przedstawia niepokojącą analizę. Przedwczesne zmiany mogą wprowadzić nowe błędy implementacyjne i problemy z interoperacyjnością.

Możliwość defensywna zależy od zdyscyplinowanych dowodów. Atak wygrywający formalną grę zasługuje na zbadanie, podczas gdy niepoparte dowodami stwierdzenia zasługują na sceptycyzm.

Model weryfikacji benchmarku oferuje użyteczny wzorzec wykraczający poza kryptografię. Oceny bezpieczeństwa AI powinny wymagać odtwarzalnych artefaktów, gdy tylko charakter zadania na to pozwala.

Ma to znaczenie, ponieważ twierdzenia dotyczące modeli granicznych coraz bardziej kształtują zasady dostępu, decyzje zakupowe i politykę publiczną. Pomiary muszą rozróżniać rozumowanie, zapamiętywanie, umiejętności implementacyjne i wykorzystanie zasobów metodą brutalnej siły.

CryptanalysisBench nie rozwiązuje w pełni tych problemów pomiarowych. Uwidacznia je w dziedzinie, w której sukces ma wyjątkowo jasną definicję.

Trzy sygnały pokażą, czy kryptoanaliza AI przyspiesza

Kolejna faza zależy od trudniejszych sukcesów w benchmarku, niezależnego odtworzenia nowych ataków oraz rutynowego stosowania przez zespoły standaryzacyjne.

Pierwszym sygnałem jest postęp wobec nierozwiązanej części zestawu wyzwań. Badacze powinni śledzić, czy przyszłe modele tworzą nietrywialne ataki na AES o większej liczbie rund, ChaCha lub inne szyfry produkcyjne.

Wynik ma większe znaczenie, gdy przesuwa opublikowaną granicę kryptoanalizy bez polegania na błędzie harnessu. Niezależni eksperci powinni potwierdzić złożoność, wymagania dotyczące danych i praktyczne znaczenie.

Pojedynczy wynik dotyczący zredukowanej liczby rund nie oznacza, że szyfrowanie o pełnej sile zawiodło. Utrzymujący się wzorzec w silniejszych wariantach wskazywałby, że badania wspomagane przez modele zbliżają się do eksperckiej kryptoanalizy.

Drugim sygnałem jest niezależne odtworzenie ustaleń dotyczących SpoC i KINDI. Inni kryptografowie muszą zweryfikować ataki, przeszukać wcześniejszą literaturę i ocenić, czy dotknięte założenia występują również gdzie indziej.

Udane odtworzenie wzmocniłoby twierdzenie, że agenci graniczni mogą wnosić wkład w oryginalną kryptoanalizę. Wcześniejsza publikacja lub zależność specyficzna dla benchmarku zawęziłyby ten wniosek.

Przyszłe wersje benchmarku powinny również zawierać świeże, prywatne lub nowo opublikowane cele, które powstały po treningu modeli. Dzięki temu zapamiętywanie stałoby się mniej prawdopodobnym wyjaśnieniem.

Trzecim sygnałem jest przyjęcie przez organy standaryzacyjne i laboratoria bezpieczeństwa. Benchmark staje się operacyjnie ważny, gdy testowanie agentów dołącza do przeglądu kodu i kryptoanalizy prowadzonej przez ludzi jako normalny krok przed wdrożeniem.

Zmiana ta powinna obejmować zasady ujawniania informacji. Modele mogą generować ustalenia szybciej, niż eksperci potrafią je zweryfikować, więc większa kolejka bez triage może spowolnić pracę defensywną.

Warto obserwować, czy twórcy modeli udostępniają transkrypcje, budżety zasobów, nieudane próby i kod weryfikacyjny. Wynikom łatwiej zaufać, gdy osoby z zewnątrz mogą odróżnić nowy atak matematyczny od defektu kodowania.

Warto też obserwować politykę dostępu. Anthropic ograniczył dostęp do swojego najzdolniejszego modelu cybernetycznego do wybranych partnerów, odzwierciedlając obawy dotyczące zastosowań ofensywnych.

Ograniczony dostęp może spowolnić nadużycia, ale może też skoncentrować zaawansowane zdolności defensywne w kilku laboratoriach. Szerszy udział badaczy będzie wymagał kontrolowanych środowisk i rozliczalnych procesów ujawniania informacji.

Powściągliwa reakcja Bruce’a Schneiera jest właściwym punktem odniesienia. To wczesne wyniki, ale opisują zdolność o bezpośrednich konsekwencjach dla infrastruktury cyfrowej.

Użyteczne pytanie nie brzmi, czy LLM potrafi „złamać szyfrowanie” w abstrakcji. Chodzi o to, czy każda generacja modeli potrafi pokonać trudniejsze, bardziej precyzyjne i aktualniejsze cele według weryfikowalnych zasad.

Liderzy bezpieczeństwa powinni śledzić ten postęp i przygotować własne systemy na szybszy przegląd kryptograficzny. Zinwentaryzuj algorytmy, od których zależy Twoja organizacja, usuń własne projekty i sprawdź, czy krytyczne protokoły obsługują wymianę.

Dla badaczy równie konkretne jest natychmiastowe działanie. Odtwórzcie nowe ataki, podważcie założenia benchmarku i zgłoście silniejsze cele, zanim deklaracje dotyczące możliwości wyprzedzą dowody.

Historia anthropic schneier pozostaje sygnałem ostrzegawczym, a nie ogłoszeniem załamania kryptografii. Jej wartość polega na mierzeniu dystansu między dzisiejszymi ograniczonymi sukcesami a atakami, które zmusiłyby całą branżę do reakcji.