GPT‑6 Astra 破解了 1941 年的 Enigma MVUEH 訊息

GPT‑6 Astra 破解了 75 年前的 Enigma 密碼

重點摘要： 2026 年 9 月 15 日，OpenAI 的 GPT‑6 模型（代號 Astra）獨立破解了德國陸軍 Enigma 訊息 MVUEH（1941 年 7 月 10 日）。該密文自 2005 年以來一直未被破解，Astra 透過發現一種新的密鑰、轉子順序以及罕見的左轉子翻轉（left‑rotor turnover）成功將其解開。

為何 MVUEH 訊息如此重要

MVUEH 密文由 SS‑Totenkopf Quartiermeister, Ib 於 1941 年 7 月 10 日記錄為 Nr. 172 號訊息，自 Crypto Cellar Research 發布「1941 年訊息列表」以來，它一直是其中的一部分。
當天所有其他通訊都使用轉子順序為 512 的每日 Enigma 密鑰。MVUEH 需要完全不同的轉子順序 (253) 以及獨特的接線板和環形設置，這一事實誤導了早期的分析人員。
訊息長度（82 個字元）和轉錄錯誤（將「Bitte」誤寫為「Btte」）進一步增加了傳統「提示詞攻擊」（crib attacks）的難度。
訊息在第 72 個字元處存在罕見的左轉子翻轉；這類翻轉並不常見，且會導致許多自動化密碼分析啟發式演算法失效。

這些異常情況解釋了為什麼該訊息在過去二十多年裡一直無法被破解。

GPT‑6 Astra 如何處理此問題

提示詞與目標選擇： Carter Leffer 指示 Astra 掃描 Crypto Cellar 網站，尋找任何未破解的 Enigma 訊息。該模型將 MVUEH 識別為最有希望的目標，並注意到它與已破解的 Nr. 173 (SIPVX) 訊息之間可能存在關聯。
提示詞（Crib）生成： Astra 假設重複的地名 ROSENOW ROSENOW 可以作為提示詞，這是 Enigma 密碼分析中的常見技術。
工具建立： 該模型編寫了 Python 和 C++ 程式碼來實作 Enigma 模擬器和 Bombe 風格的搜尋引擎，並將提示詞整合到搜尋空間中。
搜尋執行： 使用生成的軟體，Astra 對轉子順序、接線板配置和環形設置進行了系統性搜尋，最終發現了唯一的密鑰（轉子順序 253）並確認了左轉子翻轉。
驗證： 使用發現的設置對恢復的明文進行重新加密，逐位元組地重現了原始密文，證實了破解的正確性。

恢復的明文及其意義

密文（轉錄版本）：

BTTE UM ANGABE DES MARSQWEGES X BEFINDE MIQ IN X ROSENOW ROSENOW X SOFORT FUNKANTWORT X WASCHBBSCH

修正後的明文：

BITTE UM ANGABE DES MARSCHWEGES. BEFINDE MICH IN ROSENOW, ROSENOW. SOFORT FUNKANTWORT. WASCHBUSCH.

中文翻譯：

「請告知行軍路線。我人在羅森諾（Rosenow），羅森諾。請立即無線電回覆。瓦施布施（Waschbusch）。」

該明文與 Nr. 173 (SIPVX) 訊息幾乎相同，僅因拼字錯誤和重複簽名而有 12 個字元的差異。

從 AI 研究過程中獲得的見解

Astra 定位到了 Bundesarchiv 無線電訊息收藏（卷號 RS 3‑3/20a 和 RS 3‑3/63b）的參考資料，這些資料並未公開列在 Crypto Cellar 網站上。該模型的內部「證據傳遞」將語料庫追溯到私人收藏，這表明它可以自主發現檔案線索。
AI 的日誌顯示了一個為期兩天的工作流程：(1) 資料收集與假設形成，(2) 軟體生成與窮舉密鑰搜尋。人類的監督僅限於最初的提示詞輸入以及後續對輸出結果的驗證。
評論者指出，其他大型語言模型（例如 Qwen 3.7, Gemini 3.8 Flash）在給定相同提示詞的情況下也能解碼該密文，但 Astra 的獨特之處在於它在沒有外部工具的情況下完成了端到端的流程。

社群反應與質疑

人在迴路（Human‑in‑the‑loop）的重要性： 一些評論者強調 Leffer 的指導至關重要，認為這一突破仍然依賴人類的洞察力來選擇目標並解釋結果。
軟體原創性： 有人質疑生成的模擬器程式碼有多少是原創的，有多少是從現有的開源 Enigma 工具中改編而來的。
驗證疑慮： 一些用戶詢問如何確定明文的正確性，並指出 Enigma 的多對一映射可能會產生看似合理但不正確的解碼結果。
更廣泛的影響： 幾位參與者將此成功與大型語言模型在密碼分析中日益增長的輔助能力聯繫起來，推測其未來在未破解歷史密碼（如 Zodiac, Kryptos）甚至創建新加密方案方面的應用。

這對密碼分析意味著什麼

經典攻擊的自動化： GPT‑6 證明了大型語言模型不僅可以建議提示詞，還可以生成並執行完整的密碼分析流程，將數週的手動工作縮短至幾天。
隱藏檔案資料的發現： 模型定位晦澀參考資料的能力表明，未來 AI 輔助的檔案研究可能會加速歷史密碼分析。
人機協作模型： 雖然 AI 承擔了繁重的工作，但人類的專業知識對於提示詞設計、結果驗證和上下文解釋仍然不可或缺。

未來方向

針對未觸及密碼的基準測試： 研究人員應在尚未有任何解決方案的 Enigma 訊息上測試 Astra，以評估其真正的創新性。
開源可重現性： 發布生成的模擬器程式碼和搜尋日誌將有助於獨立驗證並促進社群改進。
倫理考量： 大型語言模型定位和利用私人檔案收藏的能力引發了關於資料來源和負責任使用的問題。

MVUEH 的破解展示了大型語言模型在增強甚至在某些情況下自動化複雜密碼分析任務方面的潛力，這些任務曾讓專家困擾了數十年。