Anthropic Claude Mythos 密碼分析結果

Anthropic 未發布的先進模型 Claude Mythos 已成功產出兩項不同的密碼分析成果：一個針對 HAWK 簽名方案的新金鑰恢復演算法，以及對已存在的減少輪次 AES 攻擊的適度改進。這些成果顯示，先進的 AI 模型現在已能夠在不需要詳細人工介入的情況下，理解、綜合並擴展現有的密碼分析研究。

對 HAWK 簽名方案的影響

對 HAWK 的攻擊是一項重要成果，因為它降低了這個提議的抗後量子安全簽名方案的安全邊際。HAWK 基於模組格同構問題（module-LIP），且正被評估以供未來標準化。

關於 HAWK 攻擊的主要要點包括：

  • 安全性降低： 此攻擊並未以實務上「科幻」的方式破解 HAWK，但大約將安全位元減半，意味著攻擊仍然是指數時間。雖然理論上可以透過加倍金鑰大小來修正，然而這會削弱 HAWK 的主要優勢：效率。
  • 實作示範： 此攻擊產生了可運作的程式碼，成功在數小時的實際時間內對一個弱化的「挑戰實例」HAWK 復原金鑰。
  • 方法論： 此攻擊並未發明新數學。相反地，它綜合並擴展了已知的現有工具，且比先前的人類研究者更徹底。

減少輪次 AES 攻擊的分析

雖然涉及 AES 的結果在技術上屬於密碼分析的進展，但它對 AES 標準並不構成實務威脅。此攻擊針對的是 7 輪的 AES 變體，而完整部署的版本使用 10、12 或 14 輪。

此 AES 結果的特徵如下：

  • 邊際改進： 此攻擊相較於 2013 年首次發表的工作，僅有適度的常數因子提升。
  • 不切實際： 此攻擊需要 $2^{89}$ 次密文運算以及 $2^{105}$ 次選擇明文加密，因而在實際應用中完全不可行。
  • 理論性質： 由於運算次數極高，該結果仍停留在紙面分析階段，而非可執行的攻擊。

AI 研究方法與可驗證性

Anthropic 的研究流程顯示，這些成果並非透過領域專家團隊調校 AI 而得，而是給予模型一般性的目標並讓其自行迭代。使用的提示往往相當簡單，例如指示模型「取得突破」。

可驗證性瓶頸

隨著 AI 模型產生越來越多的數學與密碼分析結果，瓶頸已從發現轉移至驗證。

  • 易於驗證： 完整的攻擊（例如對 HAWK 的攻擊）可透過執行提供的程式碼對挑戰實例進行測試，輕易驗證。
  • 驗證困難： 微妙的改進（如 AES 結果）需要複雜的人類審查或形式化可驗證的證明（例如使用 Lean 語言）。然而，這些證明對定理的表述極為敏感，仍需人類專家監督。

對密碼學與 AI 能力的影響

對密碼學使用者的影響

對稱式密碼（如 AES）仍然堅固，因其「雜亂」的設計刻意使其難以拆解。公鑰密碼學則較為脆弱，因其依賴少數被假設為「難問題」的基礎（例如 RSA、格問題）。目前向後量子演算法的過渡提供了一個理想時機，讓 AI 驅動的密碼分析能在新標準廣泛部署前協助識別並加固這些標準。

對 AI 發展的影響

這些結果挑戰了關於當前大型語言模型（LLM）的兩個常見敘事：

  1. 非「美化的自動補全」： 能將現有工具綜合成全新且可運作的攻擊，顯示出超越單純模式匹配的智慧與能力。
  2. 尚未達到 AGI： 儘管有此類突破，模型仍存在明顯的「下降點」，從有用變為無所適從，顯示超級智慧尚未實現。

社群觀點

研究人員與觀察者之間的討論凸顯了對「crypto-post-slop」日益增長的擔憂——即 AI 可能大量產出邊緣、點擊誘餌式的密碼分析結果，聲稱「破解」標準卻依賴不切實際的假設。

關於模型的可取得性，有些使用者指出，雖然 Claude Mythos 尚未向大眾公開，但其功能可透過如「Fable」等過濾版本部分取得，當偵測到與網路安全相關的查詢時，模型的效能可能會被降級。

Sources