Claude के साथ क्रिप्टोग्राफ़िक कमजोरियों की खोज
Anthropic का दावा कि उसके Claude-आधारित “Mythos” सिस्टम ने reduced-round AES और HAWK post-quantum signature scheme पर नए cryptanalytic improvements खोजे, तकनीकी महत्व और परिणामों की प्रस्तुति—दोनों पर बहस छेड़ दी है। टिप्पणीकार आम तौर पर मानते हैं कि ये हमले वास्तविक दुनिया की cryptography को खतरे में नहीं डालते, लेकिन इन्हें विशेषज्ञ शोध को बड़े solution spaces में खोज करके बढ़ाने वाले LLMs के शुरुआती उदाहरण के रूप में देखते हैं, साथ ही reproducibility, publication spin, और प्रति परिणाम $100k API लागत पर सवाल उठाते हैं। यह चर्चा अपरिपक्व post-quantum schemes पर अत्यधिक निर्भरता, शक्तिशाली models तक पहुँच में उभरती असमानताओं, और क्या “prompt engineering” वास्तव में एक कौशल है या केवल स्पष्ट problem specification—इन व्यापक चिंताओं को भी उठाती है.
क्रिप्टो परिणामों का दायरा और महत्व
- AES पर काम 7‑राउंड AES‑128 पर chosen‑plaintext के साथ है; वास्तविक प्रणालियों में पूर्ण 10‑राउंड AES प्रभावित नहीं होता।
- पिछले 7‑राउंड हमलों की तुलना में सुधार को मामूली (सुरक्षा के कुछ बिट) बताया गया है और इसे क्रमिक हमलों की एक लंबी श्रृंखला का हिस्सा माना गया है।
- HAWK परिणाम अपने लैटिस में एक automorphism के माध्यम से एक सरल HAWK‑256 संस्करण के प्रभावी key strength को आधा कर देता है; यह HAWK‑512 तक बढ़ सकता है, लेकिन अभी यह वास्तविक दुनिया के लिए महत्वपूर्ण नहीं है क्योंकि HAWK तैनात नहीं है।
- कई टिप्पणीकार इस बात पर ज़ोर देते हैं कि यह reduced‑round / chosen‑plaintext मॉडलों पर मानक cryptanalytic practice है, न कि तैनात प्रणालियों का व्यावहारिक break।
पोस्ट-क्वांटम क्रिप्टो और सुरक्षा चिंताएँ
- कुछ लोग केवल PQC schemes पर निर्भर रहने से असहज हैं और hybrid (classical+PQC) modes को प्राथमिकता देते हैं; अन्य लोग कहते हैं कि hybrids जटिलता और overhead जोड़ते हैं।
- quantum timelines पर बहस: कुछ का मानना है कि गंभीर quantum threats अभी भी बहुत दूर हैं; अन्य ध्यान दिलाते हैं कि बड़ी कंपनियाँ पहले से ही pre-quantum crypto को deprecate करने की योजना बना रही हैं।
- “LLM-found PQC weaknesses” का उपयोग PQC adoption को आगे बढ़ाने या रोकने के लिए किए जाने को लेकर skepticism है।
AI योगदान की प्रकृति
- कई लोग इन हमलों को मौजूदा विचारों के AI-assisted refinements के रूप में देखते हैं, न कि पूरी तरह नए concepts के रूप में।
- कई लोग इसे गणित में counterexamples खोजने वाले LLMs से तुलना करते हैं: ज्ञात theory पर पर्याप्त heuristics के साथ भारी search।
- एक मुख्य खुला प्रश्न reproducibility है: सिस्टम “good path” कितनी बार ढूँढ़ता है, और stochastic luck बनाम multi-agent collaboration कितना है।
लागत, पहुँच, और असमानता
- हर result की लागत लगभग एक हफ्ते में API usage पर करीब $100k बताई गई; कुछ लोग इसे एक उभरती हुई “tech aristocracy” के प्रमाण के रूप में देखते हैं।
- अन्य लोग तर्क देते हैं कि शुरुआती personal computers की तरह लागतें घटेंगी, और internal teams को स्वाभाविक रूप से public users की तुलना में अधिक throughput मिलता है।
- कम खर्चीले non-US models से तुलना की जाती है, और इस पर असहमति है कि ऐसे समान public results की कमी का मतलब कम क्षमता है या बस अलग priorities/secrecy।
Prompting, tools, और “AI usage” एक कौशल के रूप में
- उपयोग किए गए prompts अनौपचारिक, दोहरावदार, और typo‑भरे हैं, जिससे कुछ लोग “prompt engineering” को एक discipline के रूप में कम आँकते हैं।
- अन्य लोग तर्क देते हैं कि वास्तविक कौशल tasks को scope करने, context को manage करने, model के drift या hallucinate करने को पहचानने, और इसे एक junior collaborator की तरह treat करने में है।
- elaborate agent setups (skills, config files) बनाम simple tool access with light steering पर बहस है; अनुभव अलग-अलग हैं कि extra structure मदद करता है या नुकसान।
Framing, PR, और research process
- कई टिप्पणीकारों को लगता है कि ब्लॉग का opening novelty को ज़रूरत से ज़्यादा बढ़ा-चढ़ाकर पेश करता है, क्योंकि ऐसी कमजोरियों की संभावना पहले से ज्ञात थी।
- publication bias और marketing को लेकर चिंताएँ: कई असफल runs दिखाई नहीं देते, जबकि सफल runs को भारी publicize किया जाता है।
- अन्य लोग इसे वैध science के रूप में बचाव करते हैं: model के दावे की जाँच करना, paper लिखना, और उसे community scrutiny के सामने रखना सामान्य प्रक्रिया है।
- कुछ लोग इन परिणामों को “AI cryptographers से बेहतर है” के रूप में over-interpret करने की चिंता करते हैं, बजाय “AI मानव-परिभाषित frameworks के भीतर incremental work को तेज कर सकता है” के रूप में।
गणित और open problems के लिए व्यापक निहितार्थ
- चिंता है कि AI कुछ समस्याओं को trivial बना देगा और कुछ को “hardened” महसूस कराएगा, जिससे मानव प्रयास हतोत्साहित होगा क्योंकि “AI भी इसे हल नहीं कर सका।”
- अन्य लोग सोचते हैं कि मनुष्य उन चीज़ों पर काम करते रहेंगे जिन्हें AI नहीं कर सकता, और संभवतः AI को सरल छूटी हुई ideas खोजने या candidate constructions उत्पन्न करने के उपकरण के रूप में उपयोग करेंगे.