Два криптоаналитика заявили, что расшифровали два архивных сообщения, зашифрованных машиной Enigma, с помощью больших языковых моделей от OpenAI и Anthropic. Это два конкретных документа, которые десятилетиями не поддавались исследователям. О взломе Enigma как системы речи нет.
Разработчик Картер Леффен (Carter Leffen) поручил новейшей модели OpenAI Astra найти в базе сообщений Enigma нерасшифрованное сообщение и декодировать его. Модель провела собственный архивный поиск, нашла контекстные подсказки, построила симулятор Enigma и восстановила открытый текст сообщения, которое не удавалось прочитать с 2005 года (TechCrunch).
Отставной инженер-электрик Фроде Вейеруд (Frode Weierud), который ведёт сайт Crypto Cellar с ресурсами и базой сообщений Enigma, подтвердил решение Леффена. Второй кейс выглядит иначе: 21 сентября криптоаналитик и руководитель в сфере кибербезопасности Джек Уиллис (Jack Willis) сообщил Вейеруду, что взломал другое нерешённое сообщение с помощью Claude Opus 5 от Anthropic. По словам Вейеруда, в базе осталось семь нерасшифрованных сообщений Enigma и ещё одно, где открытый текст известен, а код нет.
Что произошло: два нерешённых сообщения Enigma и две LLM
Задача для Astra формулировалась предельно коротко: найти в базе сообщений Enigma нерасшифрованное сообщение и декодировать его. Дальше модель работала сама. Архивный поиск, сбор контекстных подсказок, код симулятора Enigma, проверка гипотез до момента, когда открытый текст сходится. Итог - сообщение, которое не поддавалось с 2005 года.
Кейс Уиллиса описан иначе: модель вела не сама себя, а человек давал ей существенно больше вводных. Решающей зацепкой стала известная подпись имени конкретного офицера. Ни имя офицера, ни текст сообщения, ни дата отправки в источниках не раскрываются, и придумывать их не нужно.
Масштаб события легко переоценить. Enigma как система была взломана в годы Второй мировой войны; здесь речь о единичных архивных сообщениях, которые остались нерешёнными из-за утраченного контекста, ошибок при переписи или ошибок самих шифровальщиков. Именно на таком материале классические методы заходят в тупик.
Кто такой Фроде Вейеруд и почему его подтверждение важно
Фроде Вейеруд - отставной инженер-электрик с пожизненным интересом к криптологии. Его сайт Crypto Cellar собирает ресурсы, записи и базу данных сообщений Enigma: это одна из немногих точек, где такие задачи ставят, обсуждают и проверяют. Вейеруд лично потратил несколько недель на исследование файлов Bundesarchiv, на которые ссылается Astra, и понимает, сколько ручной работы стоит за одной архивной находкой.
Он подтвердил решение Леффена и заявил, что результат привёл его в «восторг». Его оценка работы модели: «GPT-6 Astra ведёт себя как высокопрофессиональный криптоаналитик и архивист. То, на что у исследователя-человека ушли бы недели или даже месяцы, система выполнила всего за два дня» (3DNews).
Для оценки кейса это весомо: проверял человек, который ведёт саму базу и знает материал. Абсолютной верификацией подтверждение одного специалиста, даже очень авторитетного, не становится, и об этом ниже.
Кейс Джека Уиллиса и Claude Opus 5: в чём отличие
Джек Уиллис - криптоаналитик и руководитель в сфере кибербезопасности. 21 сентября он сообщил Вейеруду, что использовал Anthropic Claude Opus 5 для взлома другого нерешённого сообщения. Уиллис дал модели значительно больше подсказок, чем Леффен своей модели, и ключевым элементом стала известная подпись имени конкретного офицера.
Разница между кейсами принципиальна для выводов. В первом случае человек поставил задачу и получил результат, во втором человек передал модели готовую гипотезу, вокруг которой та достроила решение. Сравнивать модели по этим двум эпизодам напрямую нельзя: разные сообщения, разный объём подсказок, разный набор доступных данных.
Как Astra подошла к задаче: архивный поиск, контекст и симулятор Enigma
Enigma - роторная шифровальная машина. Ключ для каждого сообщения складывался из нескольких параметров: порядок роторов, их начальные позиции, положение кольцевых установок и конфигурация коммутационной панели. Пространство ключей огромно, и прямой перебор архивных сообщений без дополнительных зацепок почти не работает, особенно когда часть данных утрачена или искажена.
Поэтому в криптоанализе Enigma решают «крибы» - предположения о фрагментах открытого текста. Сводки погоды, служебные шаблоны, стандартные приветствия и подписи давали зацепки, по которым восстанавливались настройки машины. В сообщениях, которые не поддаются десятилетиями, ситуация хуже: текста мало, а ошибки переписи и ошибки шифровальщиков ломают аккуратные предположения о том, что должно было быть передано.
Последовательность действий Astra в кейсе Леффена:
- Найти в базе сообщений Enigma нерасшифрованное сообщение.
- Провести архивный поиск и собрать контекстные подсказки.
- Построить симулятор Enigma.
- Восстановить открытый текст сообщения, не поддававшегося с 2005 года.
Леффен использовал ту же модель и для второй, менее очевидной задачи: собрать интерактивный сайт с объяснением проблемы (TechCrunch). Это отдельный показатель: генерация и отладка кода и работа с историческим материалом шли в одном пайплайне.
Настройки машины, окончательный ключ и текст восстановленного сообщения в источниках не приводятся. Любые конкретные цифры про позиции роторов или коммутационную панель здесь были бы домыслом.
Почему LLM вообще справляется с такими задачами
Модель не подбирает ключ быстрее специализированного переборщика. Её вклад в другом: она удерживает большой объём разнородного контекста и связывает его в проверяемые гипотезы.
Что именно работает в пользу LLM на архивных задачах:
- Длинный контекст. Одновременно удерживаются детали из десятков документов: имена, даты, форматы, служебные формулировки.
- Генерация и отладка кода. Симулятор Enigma - это программа, и её приходится писать, запускать, искать ошибки в реализации и переписывать.
- Агентное поведение. Поиск, чтение, вызов инструментов и возврат к предыдущим шагам при провале гипотезы.
- Работа с неполными и противоречивыми данными. Архивы по определению неполны, и это нормальный режим для языковой модели, а не аварийный.
Объём ключевого пространства Enigma огромен, и именно поэтому «чистый» перебор на единичном архивном сообщении почти безнадёжен: не хватает вычислительного бюджета и, что важнее, критерия остановки. Языковая модель строит предположение о содержании текста, а затем проверяет его симулятором.
Роль ошибок шифровальщиков и человеческого фактора
Операторы Enigma ошибались: повторяли стандартные фразы, нарушали процедуры, использовали предсказуемые подписи. Каждая такая ошибка оставляет слабый сигнал, а вместе они сужают пространство поиска. В кейсе Уиллиса зацепкой стала известная подпись имени офицера. В кейсе Леффена модель искала такие сигналы сама, читая архивные материалы.
Обратная сторона: часть сообщений остаётся нерасшифрованной как раз из-за ошибок при передаче или ошибок исходных шифровальщиков. Там, где ошибка разрушила структуру текста, зацепок может не остаться вообще.
Агентный пайплайн: что именно делала модель
Кейс раскладывается на пять этапов: поиск нерасшифрованного сообщения в базе, архивный поиск и сбор контекстных подсказок, построение симулятора Enigma, восстановление открытого текста, создание объясняющего сайта. Это не один промпт и не один вызов модели, а цепочка действий с промежуточными результатами и возвратами назад.
Какие именно инструменты и фреймворки использовались, в источниках не указано. По смыслу это поиск по архивам плюс генерация кода с проверкой гипотез, то есть тот же принцип, что лежит в основе RAG по документам, только с более длинным циклом итераций. Похожую механику внутренней проверки гипотез исследователи Anthropic описывали в разборе внутреннего рабочего пространства LLM: модель планирует и проверяет факты до генерации финального ответа.
Человек в цикле: насколько автономными были модели
Леффен дал задачу и, судя по описанию, дальше модель работала сама. Уиллис дал значительно больше подсказок, и без гипотезы о подписи офицера решение могло не состояться. Уровень автономии в двух кейсах разный, и это главный практический водораздел.
В обоих случаях человек ставил задачу, а Вейеруд проверял результат. Модель не подтверждала сама себя. Для агентных сценариев это типичная картина: чем длиннее цепочка шагов, тем чаще нужен оператор, который подкидывает подсказки или останавливает бесплодную ветку. Похожее поведение видно в эксперименте с прохождением Baldur's Gate 2, где длинные сценарии пока требуют человека рядом.
Вывод без хайпа: ценность результата растёт по мере снижения объёма подсказок, но вместе с ней растут требования к инфраструктуре агента, доступу к данным и стоимости прогонов.
Открытые вопросы: частная коллекция, доступ к архивам и границы доказанного
Главная неясность касается данных. В логах модели Astra есть обсуждение архивных сообщений из «частной коллекции», которая не размещена у Вейеруда. Он не уверен, получила ли модель к ним доступ (TechCrunch).
Вейеруд предполагает два объяснения: сообщения могли быть опубликованы другим исследователем в интернете, либо модель смогла добраться до открытых архивов правительства Германии (3DNews). Обе версии остаются версиями. Факт доступа к закрытым данным менял бы оценку кейса: результат строился бы на информации, которой у независимых исследователей нет.
Второй момент - характер верификации. Подтверждение от человека, который ведёт базу сообщений Enigma, весомо, но это одно подтверждение, а не независимая проверка несколькими специалистами и не рецензируемая публикация. Ни настроек машины, ни полного текста для внешнего аудита в открытых источниках нет.
Третий момент - остаток. Нерасшифрованными остаются семь сообщений Enigma и ещё одно, где открытый текст известен, а код нет. Это хороший масштаб для проверки гипотез: если подход воспроизводим, следующие сообщения должны поддаться так же, и уже другими людьми.
Что это значит на практике: чему учит кейс
Пять выводов, которые переносятся на обычные задачи, даже далёкие от криптографии.
- Модель как исследовательский агент. Связка «поиск в источниках плюс контекст плюс код» работает там, где нужно собрать решение из разнородных данных.
- Симулятор как инструмент проверки. Если гипотезу можно проверить программно (симуляция, парсер, тест), модель доводит цикл до результата. Это воспроизводимый паттерн и в инженерных задачах.
- Логи важнее отчёта. Кейс с «частной коллекцией» показывает, что стоит фиксировать, к каким данным агент обращался. Без этого проверить результат нельзя.
- Человеческая подсказка ускоряет. Кейс Уиллиса с гипотезой о подписи офицера показывает, что одна верная вводная экономит модели массу итераций.
- Верификация остаётся на людях. Результат подтверждает специалист, который знает материал, а не сама модель.
Локальный запуск такого сценария упирается в данные, а не только в железо. Публичная часть базы Enigma доступна, но архивные материалы, контекст и логи доступа нужно собирать и контролировать самому. Если исследовательская задача требует чтения личных или закрытых коллекций, локальная модель даёт понятный контроль над тем, куда уходят данные, но без самих архивов ничего не решит.
Для будущего криптоанализа и архивных исследований тренд читается так: LLM забирает рутину поиска и сопоставления документов, а человек оставляет себе постановку задачи и проверку. Следующие семь сообщений - хороший индикатор, насколько этот сценарий воспроизводим без участия Леффена и Уиллиса.
Короткая историческая рамка: Тьюринг, Bombe и Enigma
Алан Тьюринг известен тестом, который проверяет, можно ли отличить искусственный интеллект от человека. Более важным испытанием при его жизни был взлом шифра Enigma, который использовала нацистская Германия во Второй мировой войне.
Тьюринг и его команда криптоаналитиков построили ранний компьютер Bombe, позволивший Великобритании читать сообщения Enigma во время войны. Часть архивных сообщений осталась нерешённой и после этого. Теперь к ним подошли с другой стороны, через языковые модели, и снова с человеком, который проверяет ответ.