Anthropic Claude Mythos 密码分析结果

Anthropic 未发布的高级模型 Claude Mythos 已成功产生两项不同的密码分析成果：针对 HAWK 签名方案的新密钥恢复算法，以及对已有简化轮数 AES 攻击的适度改进。这些成果表明，先进的 AI 模型现在能够在无需详细人工干预的情况下理解、综合并扩展现有的密码分析研究。

对 HAWK 签名方案的影响

针对 HAWK 的攻击是一个重要结果，因为它降低了一个拟议的后量子安全签名方案的安全裕度。HAWK 基于模组格同构问题（module‑LIP），并正在评估其未来的标准化前景。

关于 HAWK 攻击的关键要点包括：

  • 安全性降低： 该攻击并未以实际的“科幻”方式破解 HAWK，但大约将安全位数减半，这意味着攻击仍然是指数时间。理论上可以通过加倍密钥尺寸来修复，但这会削弱 HAWK 的主要优势：高效性。
  • 实际演示： 攻击生成了可运行的代码，在数小时的实际时间内成功对一个削弱的 “challenge instance” HAWK 恢复了密钥。
  • 方法论： 该攻击并未发明新数学，而是对已有的、广为人知的工具进行更深入的综合与扩展，程度超过了之前的人类研究者。

对简化轮数 AES 攻击的分析

虽然涉及 AES 的结果在技术上属于密码分析进展，但它并未对 AES 标准构成实际威胁。该攻击针对的是 7 轮的 AES 变体，而实际部署的完整版本使用 10、12 或 14 轮。

该 AES 结果的特征如下：

  • 边际改进： 该攻击相较于 2013 年首次发表的工作，仅在常数因子上有适度提升。
  • 不切实际： 攻击需要 $2^{89}$ 次密码操作和 $2^{105}$ 次选择明文加密，使其在实际应用中完全不可行。
  • 理论性质： 由于操作次数极高，结果仍停留在纸面分析阶段，而非可实际运行的攻击。

AI 研究方法论与可验证性

Anthropic 的研究过程表明，这些成果并非通过一支领域专家团队调教 AI 获得，而是向模型提供一般性目标并让其自行迭代。使用的提示往往很简单，例如指示模型“实现突破”。

可验证性瓶颈

随着 AI 模型产生越来越多的数学和密码分析成果，瓶颈已从发现转向验证。

  • 易于验证： 完整的攻击（如对 HAWK 的攻击）可以通过运行提供的代码对挑战实例进行验证，过程十分简便。
  • 难以验证： 微妙的改进（如 AES 的结果）需要复杂的人类审查或形式化可验证的证明（例如使用 Lean 语言）。然而，这类证明对定理的表述极为敏感，仍然需要专家人工监督。

对密码学和 AI 能力的影响

对密码学用户的影响

对称密码（如 AES）仍然坚固，因为其“混乱”的设计本身就故意使得分析变得困难。公钥密码学更为脆弱，因为它依赖于少数被假设为“难题”的问题（例如 RSA、格问题）。当前向后量子算法的转变为 AI 驱动的密码分析提供了一个理想窗口，可在这些新标准广泛部署之前帮助识别并加固它们。

对 AI 开发的影响

这些成果挑战了关于当前大语言模型的两种常见叙事：

  1. 不是“美化的自动补全”： 能够将现有工具综合成新的、可运行的攻击，展示了超出简单模式匹配的智能与能力水平。
  2. 尚未达到 AGI： 尽管取得了突破，模型仍存在明显的“下降点”，即从有用转为无所适从，这表明超智能尚未实现。

社区观点

研究人员和观察者的讨论凸显了对“加密后期垃圾”（crypto‑post‑slop）的日益担忧——即 AI 可能大量生成边缘化、标题党式的密码分析结果，声称“破解”标准，却依赖不切实际的假设。

关于模型的可用性，有用户指出，尽管 Claude Mythos 尚未向公众发布，但其功能通过诸如 “Fable” 等过滤版本部分可用；当检测到与网络安全相关的查询时，这些版本可能会降低模型的性能。

Sources