摘要：Anthropic 公布了两项由 Claude 参与完成的密码分析成果。一项针对后量子签名候选方案 HAWK，另一项针对简化轮数 AES。研究没有影响现有生产系统，却显示出前沿模型已经能够参与复杂的数学密码分析。
AI 帮助程序员发现代码漏洞已经不算新鲜。
代码漏洞通常来自边界检查缺失、内存错误、权限配置不当或错误调用加密库。程序可以运行，漏洞也可以通过测试环境验证。
密码分析难度更高。
研究人员要理解复杂数学结构，寻找比现有方法更有效的攻击路径，并用严格推导证明结果成立。许多密码方案会接受全球专家数年的公开审查。
Anthropic 在 7 月 28 日公布的研究显示，Claude Mythos Preview 已经能够参与这一领域。
60小时削弱一个后量子签名候选方案
第一项研究针对 HAWK。
HAWK 是一种后量子数字签名方案，正在参与美国国家标准与技术研究院的相关标准化流程。它已经经历两轮专家审查。
Anthropic 表示，Claude 在约 60 小时内提出了一种改进攻击，将该方案的有效密钥强度大幅降低。研究团队形容，其影响接近把安全强度削减一半。
这项工作由一名研究人员与 Claude 协作完成。模型承担了大量方案搜索、数学推导和验证工作，人类研究人员负责搭建环境、检查结果并推动研究方向。
第二项成果针对 AES。
AES 是当前使用最广泛的对称加密标准之一。此次研究对象是简化轮数 AES，也就是减少加密轮次后的实验版本。
研究没有破解银行、网站和通信系统中普遍部署的完整 AES。Anthropic 明确表示，两项结果目前都不会影响生产系统。
从代码漏洞走向数学结构
过去的 AI 安全研究经常让模型检查源代码。
模型能够发现某个变量未经验证、某个函数存在内存越界，或者某个接口暴露了危险权限。
这次 Claude 处理的是算法本身。
它需要研究密码结构、构造攻击假设、设计实验并验证复杂度。研究过程更接近专业密码学家的工作方式。
同期发布的 CryptanalysisBench 收集了 191 项密码分析任务，覆盖分组密码、哈希函数和多个 NIST 标准化竞赛方案。研究显示，多款前沿模型已经能够解决大量存在已知攻击的任务，并在部分方案中提出此前未公开的分析结果。
这说明 AI 在密码学中的能力正在从复现教材结论，向提出新攻击方法推进。
一次研究成本约10万美元
Anthropic 披露，两项攻击各自消耗约 10 万美元 API 成本。
这个数字很高，也低于培养一支大型密码学团队并持续研究数月的综合成本。
模型可以同时探索大量思路。失败的方向被迅速放弃，有希望的路径继续展开。人类研究人员负责判断问题价值、搭建验证程序和确认结论。
如果模型推理成本继续下降，未来密码方案的评估流程可能出现变化。
一个候选算法进入标准化程序后，研究机构可以同时启动大量 AI 代理，从差分攻击、格攻击、侧信道假设和参数选择等方向开展压力测试。
密码方案接受审查的强度会明显提高。
后量子密码面临更快的淘汰周期
量子计算的发展推动各国加快部署后量子密码。
新算法需要抵抗经典计算机和未来量子计算机的攻击，同时还要兼顾性能、密钥长度和实现难度。
这些候选方案往往结构复杂，可供研究的数学空间很大。
AI 能够快速搜索弱点后，一些已经通过多轮人工审查的方案仍可能在短时间内暴露问题。这会提高标准制定质量，也可能让候选算法更频繁地被修改或淘汰。
企业在选择后量子密码方案时，需要关注“密码敏捷性”。
系统不应把某一种算法永久写死在业务架构中。密钥管理、证书系统和通信协议应支持算法替换，以便在新攻击出现后快速迁移。
攻击能力和防御能力同步增长
AI 密码分析具有明显的双重用途。
研究机构可以用它提前发现问题，攻击者也可能用它寻找尚未公开的薄弱环节。
Anthropic 选择公开研究结论，同时强调生产系统没有受到影响。这种披露方式为后续研究提供了参考，也给模型能力评估提出了新要求。
未来的模型安全测试可能增加密码分析项目。测试重点包括模型能否独立攻击公开标准、能否发现未公开弱点，以及怎样限制高风险能力的滥用。
从 AI4Science 角度看，密码学具有一个特殊优势：很多研究结果可以通过程序和数学证明验证。
模型提出的新材料、新药物或物理理论，需要昂贵实验确认。密码攻击是否有效，通常可以在计算环境中直接测试。
因此，密码学可能成为观察 AI 科研能力进展最快的窗口之一。