Anthropic 的 Claude Mythos 揭露了先前人類研究者未能發現的新密碼學攻擊
目錄
你可能想知道
1. 先進的生成模型是否能例行性地發現現代密碼設計中先前未知的弱點？
2. 這對標準、部署以及驗證新密碼分析發現的人為流程有何後續影響？
主要主題
Anthropic 最近的公告描述了他們一個未公開版本的 Claude Mythos 模型如何識別到兩項先前未知的密碼分析結果：一項影響到一個名為 HAWK 的後量子數位簽章候選者，另一項加速了對簡化輪數 AES 的攻擊。這些發現說明了大型生成模型如何在密碼分析等領域為深度數學探索與問題解決做出貢獻，而這類發現歷來仰賴專家團隊長時間的工作。
HAWK 是一個基於格的簽章方案，正在作為持續進行的後量子密碼學（PQC）標準化工作的一部分進行評估。它曾被推薦因為可提供緊湊的簽名與高效的簽名操作，這些屬性在區塊鏈環境中特別重要，因為簽名大小直接影響區塊空間與費用。Anthropic 報告稱 Claude 發現了 HAWK 數學結構中的一個結構性對稱性，是人類尚未利用的。對於 HAWK 最小的參數集，這一洞見將恢復私鑰所需的估計運算量從大約 264 次縮減到約 238 次——約減少了 226，或在工作量上相當於數千萬級別。Anthropic 提出的一個實際對策是增加金鑰大小，這能恢復安全邊際，但削弱了使 HAWK 對某些使用情境具有吸引力的緊湊性。正如 Anthropic 所指出，將 HAWK 的金鑰加倍會使該方案在對簽名大小敏感的應用中失去大部分先前的吸引力。
重要的是，HAWK 尚未在生產系統中部署，且此發現已在公開披露前與該方案的作者和標準機構協調——Anthropic 報告已通知演算法設計者、政府夥伴與 NIST。這一披露流程降低了立即被實際利用的風險，並給開發者回應的機會。
第二項結果關乎 AES，這是廣泛使用的對稱式密碼，用以保護今日大部分的加密傳輸和儲存資料。完整的 AES-128 採用十輪非線性變換與混合；Anthropic 的團隊讓模型分析一個研究變體（七輪）。據稱 Claude 提出了一種創新的攻擊技術，在其報告中稱為 Möbius Bridge，該技術消除了在先前最佳方法中需要猜測的九個金鑰位元組中的一個。這種改進有效上將針對簡化為七輪的 AES-128 的攻擊速度相比先前發表結果提升了約 200 倍到 800 倍。研究者強調範圍受限：該攻擊針對的輪數少於完整的 AES-128，且是在嚴格限制下開發（模型被禁止使用五大已建立的 AES 密碼分析家族），使得這一突破在研究語境中顯得值得注意，但並不對已部署的 AES 構成立即的威脅。
Anthropic 的陳述強調模型輸出與人工驗證之間的互動。在兩項調查中，AI 都迅速產生了候選的數學想法；隨後人類研究者投入大量時間來確認與形式化那些想法。對於 AES 的工作，Anthropic 表示研究者花了數百小時學習足夠的密碼學細節並驗證模型建議的洞見。這一模式——模型快速驅動想法生成，接著是耗工的人類驗證——是一個反覆出現的主題：模型能提出許多新穎方向，但在嚴謹的證明、錯誤檢查與情境判斷方面，人類仍不可或缺。
Anthropic 也報告了一個名為 CryptanalysisBench 的更廣泛評估套件的結果，該套件包含多數取自公開競賽的一組密碼破解任務。在有已知解的任務上，他們表現最好的 Mythos 模型解出了約 85.7% 的實例，而較弱的模型解出較少。在對於沒有公開破解的全強度密碼的測試中，表現仍然偏低。這些基準顯示模型能在受限的研究問題上再現並有時改進人類的發現，但它們尚未能取代多年來針對所有密碼家族的專門密碼分析研究。
在操作與政策面，影響是多面的。首先，發現路徑突顯了協調披露的價值：通知作者與標準機構可防止意外曝露並給設計者時間調整參數。其次，結果改變了社群必須如何思考驗證工作流程與分流：如果模型能提出許多可信的漏洞，人類瓶頸便從構思移向驗證，這需要更多受訓審查人員、形式化驗證工具，以及可能的自動證明助理。第三，密碼社群必須重新評估關於安全參數集的假設；由強大模型引導的自動搜索可能揭示人類未發現的結構性對稱或捷徑，需採取更大的安全邊際或替代構造。
最後，這些發展說明了一個更廣泛的研究動態：機器輔助的數學與安全研究可以加速發現，但也要求謹慎治理、可重現的驗證，以及與相關利害關係人透明協調。對於像密碼學這類理論進展可能帶來深遠實際後果的應用領域，採取保守的披露與修復做法仍然至關重要。
關鍵見解表
| 面向 | 描述 |
|---|---|
| 模型 | 一個未發布的 Claude Mythos 預覽版識別出新穎的密碼分析想法。 |
| HAWK 影響 | 對最小參數集的金鑰恢復成本從 264 降至 238；緩解措施需要更大的金鑰。 |
| AES 影響 | 為 7 輪 AES 找到一種新技術，將攻擊成本相較先前工作改善約 200–800x；並非對完整 AES-128 的破解。 |
| 驗證 | AI 快速產生想法；人類花費數百小時來驗證與形式化結果。 |
| 基準 | CryptanalysisBench 在已知任務上顯示改進的表現，但對全強度、未破解的密碼成功有限。 |
| 披露 | 在公開披露前，研究結果已與作者、NIST 及政府夥伴協調。 |
後續...
展望未來，AI 輔助發現可能成為密碼研究的常態。這將需要更新流程：更好的自動驗證工具、對分流與證明檢查之人力專業的更多投資，以及為負責任披露而強化的協調協定。標準機構可能會採取更保守的參數邊際或調整評估標準以因應自動化搜尋技術。對實務者而言，即時的要點是警惕：目前尚無報告顯示有系統因這些結果被攻破，但密碼保證的格局正在演變。設計、標準化或部署密碼的組織應預備面對更多由模型提出的發現，並確保他們有資源來驗證、回應與迅速修復。
簡言之，Claude Mythos 的發現展示了將生成模型整合到安全研究中的潛力與運作挑戰。這些模型能加速洞見，但以人為主導的驗證、謹慎披露與適應性的標準仍是維持現實世界安全的必要條件。
