a16z crypto 对谈：AI 数学能力提升是否威胁现代密码系统？

这场讨论的起点不是某次成功的破解，而是一份清单上的缺席。OpenAI 此前一次性公开数百份由内部模型生成的数学研究手稿，覆盖数学和计算机科学的多个方向，却没有列出密码学方面的结果。Boneh 读完研究清单后，对这处空白尤其在意——密码学同样有大量开放问题，所需的数学推理与部分已公布成果并不遥远。

空白可以有不同解释。模型也许尝试过，始终没有得到值得报告的结果；实验室也可能发现了涉及安全的内容，选择暂缓公开。Thaler 认为，无论哪种情况，研究者都需要知道测试过什么、投入了多少资源、结果如何处理。

这里需要区分两件事：公开成果没有呈现对主流密码方案的实际破解，这是已确认的事实；而“模型是否尝试过、为何没有结果”则属于未披露的信息。把前者读成“密码系统安全”或把后者读成“已经攻破但被隐瞒”，都超出了现有证据。

Boneh 的诉求因此落在一个具体动作上：前沿实验室应当披露是否曾用最强模型检验已部署的系统，以及结果如何。这不是要求公开攻击方法，而是要求公开检验的存在与边界。

公钥密码方案通常以某些计算问题难以快速求解为前提。以椭圆曲线离散对数问题为例，用户可以公开一把供别人加密信息或核验签名的钥匙，同时保留另一把私钥，安全性依赖攻击者难以从公开信息反推出秘密。

但一项数学发现要成为现实攻击，还要化为针对具体算法和参数的计算步骤，并在可承受的成本内完成。即使找到更快的方法，也须判断速度提升了多少。密码系统关心的是实际的时间与算力门槛，理论上的进展与窃取一把密钥之间还有距离。

要严格证明相关问题始终不存在高效解法，牵涉计算机科学中尚未解决的复杂性问题。于是密码学界长期采用另一种检验方式：把方案公开，邀请研究者不断寻找更快的攻击算法，再根据多年累积的结果判断它是否足够稳健。Boneh 说，一套新方案过去可能要经历近十年的分析，才逐渐获得部署所需的信心。

AI 可能压缩这段过程。模型若能持续搜索攻击路径，研究团队便可以在较短时间内对某项新方案开展密集测试；即使没有找到破解方法，结果也能为评估提供新证据。但它的分量取决于模型能力、测试范围和投入资源，这些条件需要一同公布。要让密集测试成为可用的安全证据，报告就得交代被测算法、参数、算力预算和尝试过的攻击方向。

这正是信息缺口的要害：模型能力、测试范围和投入资源尚未一同公布，密集测试结果作为安全证据的分量就无法确定。一套方案经受过怎样的检验，直接关系到机构先升级什么、后升级什么；实验室若只公布数学成果，外界无法据此排列密码迁移的优先次序。