Claude Mythos, Anthropic’s neue KI-Research-Preview, hat in einem einzigen Durchlauf kritische Schwachstellen in zwei kryptografischen Konstruktionen aufgedeckt. Beim Signaturverfahren HAWK-256 identifizierte das Modell eine Gittersymmetrie, die das theoretische Sicherheitsniveau von 2⁶⁴ auf 2³⁸ senkt, und bei einer 7-Runden-Variante von AES-128 wandte es eine „Mobius Bridge“-Technik an, die Angriffe um etwa das 200- bis 800-fache beschleunigt.

Warum die Ergebnisse wichtig sind

Beide Chiffren befinden sich an entgegengesetzten Enden des Sicherheits-Spektrums. HAWK-256 wird als Post-Quanten-Signaturalgorithmus entwickelt, der die zukünftige Kommunikation vor Quantencomputern schützen könnte. AES-128 hingegen verschlüsselt den Großteil des heutigen Internetverkehrs, von Bankgeschäften bis hin zu Cloud-Speichern.

Der Weg zur Entdeckung

Menschliche Forscher untersuchten HAWK zwei Jahre lang, ohne eine Schwachstelle zu melden. Sie konzentrierten sich auf die gitterbasierte Mathematik des Algorithmus, die bekanntermaßen schwer erschöpfend zu untersuchen ist. Claude Mythos fand eine mathematische Symmetrie in der Gitterstruktur, die den Menschen entgangen war. Diese Symmetrie ermöglicht einen Key-Recovery-Angriff, der den Aufwand zur Fälschung einer Signatur von etwa 2⁶⁴ Operationen auf etwa 2³⁸ reduziert – was zwar immer noch außerhalb der Reichweite aktueller Hardware liegt, aber einen dramatischen theoretischen Rückschritt darstellt.

Das AES-128-Ergebnis ist enger gefasst. Forscher reduzieren AES routinemäßig auf weniger Runden, um dessen interne Funktionsweise zu untersuchen; die 7-Runden-Version ist ein gängiges Testfeld. Claude Mythos führte eine neuartige „Mobius Bridge“-Methode ein, die algebraische Eigenschaften über die Runden hinweg verknüpft und so den Aufwand im Vergleich zu den besten bekannten Angriffen auf dieselbe reduzierte Chiffre um den Faktor 200–800 verringert. Die KI hat nicht die Vollversion von AES gebrochen.

Beide Durchbrüche kosteten das Projekt sechsstellige Summen an API-Nutzungskosten, und menschliche Analysten investierten hunderte Arbeitsstunden, um die von der KI generierten Hinweise zu verifizieren – insbesondere im Fall von AES, wo der Angriff reproduziert und seine Beschleunigung quantifiziert werden musste.

Wer gewinnt, wer sorgt sich

  • Forscher gewinnen ein neues Analysewerkzeug. Die KI generiert Musterkandidaten, wodurch Experten entlastet werden, um sich auf die Beweisarbeit zu konzentrieren und die Entdeckungspipeline zu beschleunigen.
  • Standardisierungskomitees erhalten eine frühzeitige Warnung. Obwohl HAWK weiterhin evaluiert wird und der AES-Angriff eine abgeschwächte Version ins Visier nimmt, zeigen die Ergebnisse, dass algorithmische Annahmen brüchig sein können.
  • Anbieter und Nutzer können vorerst aufatmen. Keine der Schwachstellen betrifft ein bereits eingesetztes System; HAWK wurde noch nicht eingeführt, und der AES-Angriff bezieht sich nur auf eine reine Forschungs-Variante.

Die versteckten Kosten

Der Betrieb von Claude Mythos in dem Umfang, der zum Durchsuchen von Gitterstrukturen und AES-Rundentransformationen erforderlich ist, erforderte erhebliche Rechenkosten – sechsstellige Beträge pro Entdeckung. Diese Ausgaben sind zwar für hochwirksame Forschung gerechtfertigt, werfen jedoch Fragen über die Wirtschaftlichkeit KI-gestützter Kryptanalyse in größerem Maßstab auf.

Die menschliche Verifizierung bleibt der Flaschenhals.

Gegenargument: Kein Panikknopf

Kritiker argumentieren, dass die Ergebnisse überbewertet werden, da sie keine Produktionsumgebung betreffen. Bis ein konkreter Exploit gegen ein Live-System auftaucht, bleibt das unmittelbare Risiko theoretisch.

Worauf man als Nächstes achten sollte

  • Weitere KI-Audits anderer Post-Quanten-Kandidaten.
  • Neubewertung der AES-128-Forschungspraktiken.

Das Fazit: KI kann kryptografische Schwachstellen aufdecken, die dem menschlichen Auge entgehen, aber die Umwandlung eines Hinweises in einen bestätigten Fehler erfordert nach wie vor erfahrene Analysten. Die Doppelfundstücke von Claude Mythos unterstreichen sowohl das Versprechen als auch die Grenzen der „Machine-First“-Sicherheitsforschung.