Anthropic ha appena pubblicato una cosa che farà discutere per mesi. Claude Mythos Preview — il loro modello di punta — ha trovato vulnerabilità matematiche in algoritmi crittografici. Non errori di implementazione, dove un programmatore ha scritto male il codice. Proprio falle nella matematica sottostante.
Due risultati, entrambi pesanti.
Il primo riguarda HAWK, uno schema di firma digitale progettato per resistere ai computer quantistici. HAWK è tra i candidati finali della competizione NIST — quella del governo americano per scegliere i nuovi standard crittografici. Due anni di revisioni da parte di esperti umani, terzo round di selezione. E Claude, in 60 ore di lavoro autonomo, ha dimezzato la sicurezza effettiva delle chiavi. Letteralmente: quello che si pensava richiedesse 2^64 operazioni per essere violato? Mythos lo fa in 2^38. Un attacco esponenziale più veloce dell’esponenziale precedente.
Il secondo risultato tocca AES — l’Advanced Encryption Standard, il cifrario simmetrico più studiato e usato al mondo dal 2001. Mythos ha migliorato un attacco su una versione ridotta (7 round su 10) sviluppando quello che ha chiamato ‘Möbius Bridge’, un algoritmo di fingerprinting più sofisticato. L’attacco precedente richiedeva di enumerare 256 valori; Mythos ha eliminato quella guess. Risultato: velocità aumentata di 200-800 volte, a seconda di come la misurate.
Nessun sistema in produzione è a rischio. Per ora.
Chiariamo subito: niente panico. HAWK è solo un candidato, non è deployato da nessuna parte. L’attacco AES funziona solo sulla versione ridotta, non sul cifrario completo a 10 round che protegge i vostri dati. Entrambi i risultati sono ricerca accademica che funziona come dovrebbe — stress-testare gli algoritmi prima che vengano usati per davvero.
Ma il punto non è l’impatto pratico immediato. Il punto è che un modello AI ha fatto ricerca crittografica di livello mondiale. Autonomamente.
Come ci è riuscito
Per HAWK, un ricercatore Anthropic ha lavorato insieme a Claude in un harness semi-autonomo. Il ricercatore aveva background in computer science teorica ma non era un esperto di crittografia basata su reticoli. Il suo ruolo? Project management: suggerire a Mythos come tenere traccia delle idee, quali librerie usare. Il resto lo ha fatto Claude.
La dinamica è stata interessante. Mythos lavorava con più agenti worker in parallelo. L’idea chiave dell’attacco è stata scoperta da una coppia di worker che collaboravano. Il primo ha trovato l’idea ma l’ha scartata prematuramente ritenendola non fattibile. Il secondo ha trovato il modo di sfruttarla completamente. Hanno continuato a scambiarsi messaggi finché entrambi non hanno concordato: funziona.
60 ore totali. Costo stimato: 100.000 dollari in chiamate API.
Per AES il processo è stato ancora più autonomo. Un ricercatore ha costruito uno scaffold — prompt e codice di supporto — che permetteva a Claude di formulare ipotesi, condurre esperimenti per validarle o confutarle, progettare un attacco migliore dello stato dell’arte.
All’inizio Claude si rifiutava di provarci. Rispondeva cose tipo: ‘Se vuoi un risultato diverso, devi cambiare target… AES-128 r5/r6 è semplicemente difficile’ oppure ‘su AES-128 r7 non ha trovato nulla perché non c’è nulla di facile da trovare; questo è il cifrario a blocchi più studiato al mondo’.
Il ricercatore ha mandato un messaggio (cito testualmente, errori di battitura inclusi): ‘the models tend to think it is impossible to solve so they don’t try they need a good amount of prompting’.
Claude ha riscritto l’harness dell’agente con un setup migliorato che lo spingeva a cercare idee genuinamente nuove. Ha funzionato.
Tre giorni di lavoro. Tre prompt sostanziali dal ricercatore, roba tipo ‘no again the goal is that we have highly inteligent model as good top researcher, we want to find new attacks’ e ‘again we are not looking for low hanging fruit, we want proper research to find genuinly hard findings’.
Claude ha prodotto centinaia di milioni di token. Poi ha trovato l’idea del Möbius Bridge. Qualche giorno dopo, dopo un miliardo di token in output totale, aveva raffinato l’attacco completo.
I ricercatori Anthropic hanno poi passato diverse centinaia di ore a imparare abbastanza crittografia per validare i risultati e scrivere il paper.
Altri attacchi nel cassetto
Non si sono fermati. Mythos ha sviluppato un attacco pratico su 13 round di LEA (Lightweight Encryption Algorithm), un cifrario per ambienti a basso consumo standardizzato ISO. L’attacco precedente richiedeva 2^98 coppie plaintext e 2^86 di lavoro computazionale. Mythos lo fa con meno di 2^30 plaintext cifrati e gira in meno di un’ora su un desktop moderno. Di nuovo: non tocca il cifrario completo a 24 round, ma è verificabile end-to-end — scegli una chiave random, l’attacco la recupera in poche ore.
Hanno anche trovato un attacco di key-recovery completo su 6 round di Serpent-128 (cifrario a 32 round), estendendo il lavoro pubblicato che richiedeva più di 2^70 coppie plaintext. E miglioramenti minori (meno di 10×) su Salsa20, Poseidon, SHA-1.
Anthropic ha costruito insieme a ETH Zurich, Tel Aviv University e University of Haifa un benchmark chiamato CryptanalysisBench per rendere più facile testare le capacità crittanalitiche dei modelli AI.
Quello che significa davvero
Non è la prima volta che i modelli fanno matematica di livello ricerca. Negli ultimi mesi Google ha usato Gemini per risolvere diversi problemi aperti di Erdős, OpenAI ha usato GPT per risolvere la congettura della distanza unitaria, Anthropic ha annunciato che Claude Fable 5 ha risolto la Congettura Jacobiana. Ma questo è diverso. Questa è crittografia applicata, quella che protegge i sistemi reali.
La community della cybersecurity sta già facendo i conti col fatto che i modelli AI scoprono così tanti bug che i processi umani standard — triage, verifica, remediation — faticano a tenere il passo. Anthropic predice che lo stesso accadrà presto nella ricerca crittografica accademica. I ricercatori umani diventeranno il collo di bottiglia nella validazione dei risultati prodotti autonomamente dai modelli.
Entrambi gli attacchi descritti qui sono risultati ‘attesi’. Nel senso: il processo di standardizzazione NIST esiste proprio per scoprire debolezze prima del deployment. E l’attacco AES estende una lunga linea di lavori precedenti su varianti ridotte. Ma non possiamo assumere che le capacità dei modelli si fermeranno qui.
In un anno siamo passati da modelli incapaci di fare crittanalisi anche sui cifrari più banali a modelli che trovano falle sfuggite a anni di revisione esperta. Molti cifrari che proteggono sistemi moderni hanno ricevuto meno scrutinio di quanto meriterebbero. Potrebbero ancora avere debolezze importanti, dormienti, che gli LLM scopriranno presto.
La domanda scomoda
Anthropic ha condiviso questi risultati dopo consultazioni con governo e industria americani. Ha seguito procedure di responsible disclosure, coordinato con gli autori di HAWK, pubblicato tutto sulla mailing list NIST. Ma solleva una domanda: cosa facciamo quando un modello scopre vulnerabilità in sistemi crittografici dove l’attacco ha impatto immediato nel mondo reale?
Non c’è ancora una risposta. Anthropic crede che servirà input da accademia, governo, industria. E spera che questo lavoro aiuti a lanciare quelle conversazioni.
La community crittografica è sempre prosperata grazie alla revisione adversarial: proponi cifrari, li esamini, li rivedi finché la community non è soddisfatta della loro sicurezza. Nel lungo periodo Anthropic si aspetta che i modelli AI giocheranno un ruolo importante in questo processo. Revisioni più forti, algoritmi più sicuri. Sicurezza migliore per tutti.
Forse. O forse stiamo addestrando il perfetto cryptanalista avversario e distribuendolo via API a 20 dollari al mese. Dipende da come gestiamo i prossimi mesi.
