AI slabiny nachází dřív, než je validujeme

AI dnes produkční kryptografii neprolamuje, ale při testování slabin umí být až nečekaně rychlá. Výzkum s Claude Mythos Preview ukazuje, že největší výzvou už není nápad, ale důkaz správnosti.

---

AI vám šifrování dnes neprolomí, ale může zrychlit hledání slabin víc, než je příjemné slyšet. V datech, která Anthropic zveřejnil kolem Claude Mythos Preview, model pomohl najít chybu v kandidátním postkvantovém schématu HAWK i rychlejší útok na sedmikolovou verzi AES — a přesto to neznamená změnu produkčních systémů.

Význam výsledků pro kryptografický výzkum a praktický dopad

Autonomie modelu, lidské vedení a náklady u HAWK a AES

U HAWK model pracoval v semi-autonomním agentním režimu s občasným lidským vedením. Člověk přitom nebyl kryptografický specialista; měl teoretickoinformatické zázemí a spíš směroval postup než zasahoval do detailů.

U AES šel Claude ještě dál. Výzkumníci mu během tří dnů poslali jen tři podstatné podněty, zatímco model vygeneroval 1 miliardu výstupních tokenů. Z popsaného výzkumu plyne, že hlavní role člověka ležela ve směrování a následném ověřování.

Autoři uvádějí, že Claude vylepšil nejlepší známý útok na HAWK za cca 60 hodin. U AES trvalo autonomní hledání cca týden a pak následovaly další dny ladění. Výzkumníci odhadují náklady na API na cca 100 000 dolarů na jeden hlavní výsledek.

HAWK: oslabení kandidátního podpisového schématu bez dopadu na nasazený standard

U HAWK jsme viděli vylepšený útok na kandidáta třetího kola NIST, ne na nasazený standard. Data ukazují, že autoři nalezli netriviální automorfismus v mřížce a rychlejší enumerativní útok. Tím snížili efektivní velikost klíče na polovinu.

Pro HAWK-256 autoři uvádějí posun očekávaných nákladů z 2^64 na 2^38. Z popsaného výzkumu plyne, že útok zůstává exponenciální, není polynomiální a nelze ho obecně přenést na jiné kandidáty ani na mřížkovou kryptografii jako celek.

AES: útok na 7 z 10 kol, ne na plný AES-128

U AES jsme podle výzkumu dostali zrychlení na redukované variantě, ne prolomení celého algoritmu. AES-128 má 10 kol, ale útok míří jen na verzi se 7 z 10 kol a funguje v modelu zvoleného plaintextu.

Autoři uvádějí, že Mythos posunul dřívější nejsilnější meet-in-the-middle útok pomocí sofistikovanějšího fingerprintingu a*Möbius Bridge. Tato změna přinesla 200–800× zrychlení proti předchozím nejlepším útokům. Zároveň zůstává jasné, že výsledek se týká jen redukované varianty a neporušuje celý AES algoritmus.

Validace výsledků HAWK a AES: nápad versus důkaz

Po zhlédnutí výstupů výzkumníci rozšířili pátrání, ale většinu času věnovali ověřování správnosti výsledků Claudea. U HAWK šel útok realizovat end-to-end, takže ho šlo potvrdit snáz a prošel dvěma koly lidského hodnocení.

U AES byl obraz jiný. Výsledek vznikl téměř plně autonomně, ale validace zabrala lidem stovky hodin. Autoři zároveň říkají, že se dostali na hranice vlastního poznání.

Naše čtení je zde přímočaré: běžně čekáme, že úzkým hrdlem AI výzkumu bude nápad. Tato data ukazují opak. U AES trvalo téměř měsíc, než dva výzkumníci získali důvěru, že metoda je správná, a právě to se ukázalo jako nejtěžší část práce.

Širší rámec výsledků a CryptanalysisBench pro další evaluaci

Výzkum podle autorů míří na slabiny v samotných algoritmech, ne na implementační chyby. K hlavním výsledkům přidávají i další předběžné útoky a nový benchmark CryptanalysisBench, který vytvořili s akademiky z ETH Curych, Tel Avivské univerzity a TU Berlín.

Vedle hlavních nálezů uvádějí i praktický útok na 13kolový LEA, který obnoví klíč za méně než 230 zašifrovaných plaintextů a běží na moderním stolním počítači méně než hodinu. U Serpent-128 jde o 6 kol z 32, takže dopad zůstává omezený. My z toho čteme spíš širší směr: limitem už není jen nápad, ale hlavně důkaz správnosti.

Co si z toho odnášíme pro běžnou marketingovou praxi

Z výzkumu plyne jednoduchá, ale důležitá věc: Claude Mythos Preview zatím nepředstavuje hrozbu pro dnešní produkční kryptografii, ale už je použitelný jako nástroj pro tlakové testování algoritmů. Pro praxi to znamená, že podobné modely mohou urychlit hledání slabin ještě před tím, než se chyba promítne do standardu, implementace nebo širšího nasazení. Stejně silný signál ale je, že samotný nápad nestačí — největší část práce stále spadá na lidi, kteří musí výsledek ověřit, zpřesnit a zasadit do kontextu.

FAQ: Co by nás po takovém výzkumu mělo zajímat jako marketéry

Je to signál, že AI brzy prolomí i běžně používané zabezpečení?
Ne. Výsledky se týkají výzkumu a redukovaných variant. Pro běžnou praxi je důležitější, že AI zrychluje hledání slabin než to, že by dnes ohrožovala produkci.

Má smysl přeceňovat samotný „genius“ modelu?
Nemá. Z výzkumu vyplývá, že bez lidského vedení a hlavně ověření by většina výstupů zůstala jen hypotézou. To platí i v marketingu.

Co je nejčastější omyl při čtení podobných studií?
Brát laboratorní průlom jako hotový praktický dopad. U podobných výsledků je nutné rozlišovat mezi objevem, validací a skutečným dopadem na provoz.

Jaký je pro nás praktický přenos do marketingu?
Rychlejší generování nápadů samo o sobě nic neřeší. Hodnotu přidává až proces, který nápady testuje, porovnává a potvrzuje na datech.

Proč je ověření tak důležité i mimo IT?
Protože bez ověření snadno zaměníme zajímavý signál za jistotu. To vede ke špatným rozhodnutím, ať už jde o bezpečnost, nebo o výkon kampaní.

Zdroj: anthropic.com

---