کلود میتوس: هوش مصنوعی که رمزنگاری پسا‌کوانتومی را در ۶۰ ساعت شکست

مدل پیشرفته‌ی هنوز منتشرنشده‌ی Anthropic در کمتر از ۶۰ ساعت آسیب‌پذیری‌هایی در HAWK و AES پیدا کرد که سال‌ها از چشم بهترین متخصصان رمزنگاری جهان پنهان مانده بود.

۱. یک دستاورد تاریخی در تیم امنیت Anthropic

تیم تحقیقاتی Anthropic در اواخر ژوئیه ۲۰۲۶ نتیجه‌ای منتشر کرد که جهان امنیت سایبری را به لرزه درآورد. مدل Claude Mythos — نسخه‌ی پیشرفته‌ای که هنوز برای عموم عرضه نشده — با یک دستورالعمل ساده وارد دنیای رمزنگاری شد و چیزی یافت که دهه‌ها تیم‌های انسانی از کشف آن عاجز بودند.

در قلب این ماجرا، دو الگوریتم مهم قرار دارند: HAWK، رمزنگاری پسا-کوانتومی که قرار بود امنیت دیجیتال عصر رایانه‌های کوانتومی را تضمین کند، و AES، سیستم رمزگذاری همه‌جایی که امروز از HTTPS مرورگرتان تا رمزگذاری درایوهای سخت از آن استفاده می‌شود. برای پیگیری همه‌ی اخبار هوش مصنوعی در یک مکان، بخش اخبار سایت ما را دنبال کنید.

۲. HAWK چیست و چرا این‌قدر مهم است؟

HAWK یک سیستم امضای دیجیتال مبتنی بر شبکه‌ی توری (lattice-based) است. این الگوریتم برای مقاومت در برابر حملات رایانه‌های کوانتومی طراحی شده — مشکلی که رمزنگاری‌های کنونی مبتنی بر RSA و ECC را در آینده‌ای نه‌چندان دور آسیب‌پذیر می‌کند. HAWK در دور سوم رقابت NIST برای استانداردسازی رمزنگاری پسا-کوانتومی قرار دارد.

مزیت اصلی HAWK نسبت به رقبا، فشردگی امضاها است — امضاهای کوچک‌تر یعنی فضای کمتر در بلاک‌چین و هزینه‌ی تراکنش کمتر. این ویژگی HAWK را به گزینه‌ای جذاب برای آینده‌ی امنیت دیجیتال تبدیل کرده بود. به همین دلیل کشف آسیب‌پذیری در آن اهمیتی فوق‌العاده دارد. درست مثل اینکه بفهمیم قفلی که روی گاوصندوق نسل بعدی قرار بود نصب شود، ضعف پنهانی دارد — قبل از اینکه کسی پول‌هایش را درون آن بگذارد.

۳. کلود میتوس چگونه HAWK را شکست؟

Claude Mythos با بررسی مستقل ادبیات ریاضی، انجام آزمایش‌های محاسباتی و پیاده‌سازی یک خط تأیید خودکار، به یک تقارن ریاضی پنهان در ساختار شبکه‌ی توری HAWK رسید — چیزی که پیش‌تر هیچ محققی آن را شناسایی نکرده بود.

نتیجه‌ی این کشف چشمگیر بود: هزینه‌ی محاسباتی برای سرقت یک کلید خصوصی در کوچک‌ترین پیکربندی HAWK از ۲ به توان ۶۴ عملیات به ۲ به توان ۳۸ عملیات کاهش یافت — یعنی ۶۷ میلیون برابر آسان‌تر. HAWK هنوز به‌طور عملی امن است، اما این کشف نشان می‌دهد که حاشیه‌ی امنیتی آن بسیار باریک‌تر از آن چیزی بود که تصور می‌شد.

برای رفع این نقص، طراحان HAWK باید اندازه‌ی کلیدها را تقریباً دو برابر کنند — چیزی که مزیت اصلی HAWK یعنی فشردگی امضاها را از بین می‌برد. مقاله‌ی علمی HAWK این را صراحتاً تأیید کرد و نوشت: «اکثر کشف‌های ریاضی در این مقاله با کمک هوش مصنوعی انجام شده‌اند.»

۴. حمله‌ی «پل مبیوس» به AES

AES (استاندارد رمزگذاری پیشرفته) رمزنگاری همه‌جایی است که امروز از ترافیک HTTPS مرورگرتان تا درایوهای رمزگذاری‌شده و زیرساخت مالی از آن استفاده می‌شود. نسخه‌ی استاندارد روی ۱۰ دور اجرا می‌شود؛ نسخه‌ی ۷ دوری که محققان آزمایش کردند، یک نوع تحقیقاتی کاهش‌یافته برای سنجش حاشیه‌ی امنیتی است.

Claude Mythos روشی ابداع کرد که آن را «پل مبیوس» نامید: یک الگوریتم اثر انگشت‌گذاری که با یافتن یک ثابت ریاضی (invariant fingerprint)، نیاز به حدس یکی از ۹ بایت کلید را حذف می‌کند. این کار سرعت حمله را ۲۰۰ تا ۸۰۰ برابر نسبت به بهترین رکورد پیشین (متعلق به سال ۲۰۱۳) افزایش می‌دهد.

اما جالب‌ترین بخش این ماجرا رفتار خود مدل بود. Claude Mythos در ابتدا این مسئله را «غیرقابل حل» اعلام کرد و از پیگیری آن خودداری کرد. اما وقتی محققان Anthropic با این راهنمایی که «به دنبال چیزی ارزش‌انتشار باش» آن را هدایت کردند، مدل خودمختارانه فرضیه‌های مختلف تولید و آزمایش کرد تا به کشف «پل مبیوس» رسید. این تجربه نشان می‌دهد که نحوه‌ی پرامپت‌نویسی حتی برای تحقیقات علمی پیشرفته هم اهمیت دارد.

۵. سایر الگوریتم‌های شکسته‌شده توسط کلود میتوس

HAWK و AES تنها کشف‌های Claude Mythos نبودند. این مدل در همان آزمایش‌ها به نتایج دیگری هم رسید که هر کدام به‌تنهایی یک کشف قابل‌توجه محسوب می‌شوند.

الگوریتم LEA، استاندارد رمزنگاری سبک‌وزن کره‌جنوبی و ISO، در ۱۳ دور شکست. پیش از این، بهترین حمله‌ی شناخته‌شده به ۲ به توان ۹۸ متن شفاف نیاز داشت؛ Claude Mythos آن را به کمتر از ۲ به توان ۳۰ رساند و کل عملیات کمتر از یک ساعت روی سخت‌افزار معمولی طول کشید. مدل همچنین الگوریتم Serpent-128 در ۶ دور را با بازیابی کامل کلید شکست، و بهبودهای جزئی‌تری در Salsa20، Poseidon و SHA-1 به دست آورد.

برای سنجش منظم این توانایی‌ها، Anthropic با دانشگاه‌ها همکاری کرد و CryptanalysisBench را توسعه داد — یک معیار ۱۹۱ وظیفه‌ای برای ارزیابی توانایی مدل‌های زبانی در رمزشکنی. Claude Mythos روی وظایف با جواب شناخته‌شده ۸۵.۷ درصد موفقیت داشت؛ نسخه‌های ضعیف‌تر تنها ۶۵.۳ درصد. در برابر رمزنگاری‌های کامل‌قدرت بدون شکست منتشرشده، همه‌ی مدل‌ها زیر ۹ درصد ماندند.

۶. هزینه‌ی این کشف‌ها چقدر بود؟

هر کشف بزرگ Claude Mythos حدود ۱۰۰ هزار دلار هزینه‌ی API داشت. کشف HAWK کمتر از ۶۰ ساعت طول کشید و یک هفته تأیید انسانی لازم داشت. کشف AES سه روز طول کشید و حدود ۳۰ روز کار انسانی برای تأیید صرف شد — نسبت ۱ به ۱۰ بین سرعت AI و انسان.

این اعداد به نظر زیاد می‌رسد تا اینکه با بودجه‌ی تحقیقاتی سال‌ها تیم‌های امنیتی مقایسه شود. دو سال کار پژوهشی روی HAWK توسط بهترین متخصصان جهان نتوانست این ضعف را بیابد. Claude Mythos در ۶۰ ساعت و با هزینه‌ای معقول به همان نتیجه رسید. این یعنی ارزش هوش مصنوعی در تحقیقات تخصصی می‌تواند ده‌ها برابر روش‌های سنتی باشد.

۷. چه سیستم‌هایی در خطر هستند؟

خبر خوب اینکه: هیچ سیستم عملیاتی در حال حاضر در خطر نیست. HAWK هرگز در محیط‌های واقعی به‌کارگیری نشده. حمله‌ی «پل مبیوس» تنها روی نسخه‌ی ۷ دوری تحقیقاتی AES کار می‌کند — نه نسخه‌ی ۱۰ دوری استاندارد که همه از آن استفاده می‌کنند. بیت‌کوین هنوز از ECDSA پیش‌کوانتومی استفاده می‌کند.

با این حال، اهمیت این کشف‌ها در پیام‌های بلندمدت آن‌هاست. HAWK باید طراحی مجددی جدی صورت دهد. کمیته‌ی NIST باید تصمیم بگیرد آیا این الگوریتم با این وضعیت هنوز برای استانداردسازی مناسب است. در واقع این کشف، پتانسیل واقعی و محدودیت‌های هوش مصنوعی را به‌خوبی نشان می‌دهد: AI می‌تواند کارهایی انجام دهد که برای انسان عملاً غیرممکن است، اما این توانایی خودش سؤالات پیچیده‌تری ایجاد می‌کند.

۸. موضع Anthropic و نگرانی‌های آینده

Anthropic پیش از انتشار عمومی، نتایج را با نویسندگان الگوریتم‌ها، شرکای دولتی ایالات متحده و ذی‌نفعان صنعت به اشتراک گذاشت. این رویکرد افشای مسئولانه (responsible disclosure) نشان می‌دهد که شرکت از پیامدهای این توانایی‌های جدید آگاه است و نمی‌خواهد زیرساخت‌های دیجیتال را در معرض خطر بگذارد.

اما نگرانی اصلی Anthropic این است: سرعت کشف آسیب‌پذیری توسط هوش مصنوعی از ظرفیت تأیید انسانی پیشی گرفته. برای کشف AES، مدل سه روز کار کرد اما تیم انسانی ۳۰ روز برای تأیید لازم داشت. این شکاف با قوی‌تر شدن مدل‌ها بزرگ‌تر می‌شود. Anthropic هشدار می‌دهد که محققان انسانی ممکن است «گلوگاه» (bottleneck) شوند.

این وضعیت چالش‌های جدیدی ایجاد می‌کند. اگر در آینده یک مدل هوش مصنوعی آسیب‌پذیری‌هایی در سیستم‌های واقعی و عملیاتی بیابد، چه کسی مسئول است؟ چه فرایندی برای افشا باید وجود داشته باشد؟ Anthropic از دانشگاه‌ها، دولت‌ها و صنعت خواسته که رویه‌های روشنی برای این سناریوها تعریف کنند. این دقیقاً همان نوع مسائلی است که OpenAI و سایر شرکت‌های پیشرو AI هم با آن دست‌وپنجه نرم می‌کنند.

۹. معنای این اتفاق برای آینده‌ی امنیت دیجیتال

کشف Claude Mythos نقطه‌ی عطفی در تاریخ امنیت سایبری است. تا دیروز، رمزشکنی یک رشته‌ی تخصصی بود که نیاز به دهه‌ها تجربه‌ی ریاضی داشت. امروز، یک مدل زبانی می‌تواند با صرف هزینه‌ی نسبتاً معقول، به کشف‌هایی برسد که تیم‌های انسانی سال‌ها برای آن تلاش کرده‌اند.

این دو روی دارد: از یک سو، هوش مصنوعی می‌تواند قبل از استانداردسازی، آسیب‌پذیری‌ها را بیابد و امنیت را تقویت کند — دقیقاً آنچه Claude Mythos انجام داد. از سوی دیگر، همین توانایی در دست بازیگران بد می‌تواند تهدیدی جدی برای سیستم‌های عملیاتی باشد. مقایسه‌ای درباره‌ی اینکه مدل‌های مختلف چه توانایی‌هایی دارند را در مقایسه‌ی ChatGPT و DeepSeek بخوانید.

تعادل بین این دو — استفاده‌ی امنیتی در برابر سوءاستفاده‌ی احتمالی — چالش اصلی دهه‌ی آینده‌ی امنیت سایبری خواهد بود. آنچه مسلم است اینکه هوش مصنوعی دیگر فقط یک ابزار کمکی نیست؛ در مواردی مثل رمزشکنی، در حال جای گرفتن در صندلی اول تیم تحقیقاتی است. اگر کنجکاوید بدانید این تحول چه تصویری از توسعه‌دهنده‌ی هوش مصنوعی در برابر متخصص واقعی ترسیم می‌کند، مقاله‌ی مرتبط ما را بخوانید.

۱۰. پرسش‌های متداول

آیا رمزنگاری رایانه یا گوشی من در خطر است؟

خیر. هر دو کشف مربوط به الگوریتم‌های تحقیقاتی یا مستقرنشده است. AES که روی سیستم‌های واقعی استفاده می‌شود (۱۰ دور) در امنیت کامل باقی است و هیچ تهدید فوری وجود ندارد.

Claude Mythos چه تفاوتی با Claude Opus 5 دارد؟

Claude Mythos یک مدل تخصصی تحقیقاتی است که هنوز برای عموم منتشر نشده. Anthropic از آن در پروژه‌های تحقیقاتی داخلی استفاده می‌کند. Claude Opus 5 مدل منتشرشده‌ی فعلی شرکت است که کاربران عادی می‌توانند از آن استفاده کنند.

HAWK از رقابت NIST کنار گذاشته می‌شود؟

این تصمیم با کمیته‌ی NIST است. اما با توجه به اینکه رفع این نقص مزیت اصلی HAWK (فشردگی) را از بین می‌برد، احتمال بازنگری جدی در این الگوریتم بسیار بالاست.

چرا هزینه‌ی ۱۰۰ هزار دلار در این زمینه اهمیت دارد؟

در مقایسه با بودجه‌ی سال‌ها تحقیق تیم‌های امنیتی، ۱۰۰ هزار دلار بسیار کم است. این نشان می‌دهد مانع مالی برای انجام چنین تحقیقاتی با هوش مصنوعی در حال کاهش است و در آینده هر سازمان یا حتی فرد با سرمایه‌ی محدود می‌تواند چنین آزمایش‌هایی انجام دهد.

آیا هوش مصنوعی می‌تواند از آسیب‌پذیری‌های کشف‌شده سوءاستفاده کند؟

Claude Mythos به‌صورت مسئولانه عمل کرد و نتایج را ثبت و گزارش داد. Anthropic اعلام کرده که مدل برای سوءاستفاده‌ی خودمختار طراحی نشده. با این حال شرکت به‌درستی نگران است که با قوی‌تر شدن مدل‌ها، این سؤال جدی‌تر می‌شود و نیاز به رویه‌های روشن بین‌المللی دارد.