تصور کنید یک معمای ۸۲ حرفی از سال ۱۹۴۱، ۸۳ سال رمزشناسان را به چالش کشیده باشد و ناگهان در ۱۰ ساعت حل شود. این اتفاق با استفاده از مدل GPT-6 Astra رخ داد تا یکی از پیچیده‌ترین پیام‌های رادیویی ارتش آلمان (Wehrmacht) رمزگشایی شود. این مدل پیش از این نیز با کسب نمره ۱۰۰٪ در بنچمارک ExploitBench، توانایی‌های استثنایی خود را در حل مسائل پیچیده امنیتی و رمزنگاری به نمایش گذاشته بود.
کارتر لِفن، مربی توسعه محصول در Bloomberg LP، از نسخه «Extra High» این مدل برای گشودن پیامی استفاده کرد که در ۱۰ ژوئیه ۱۹۴۱ ارسال شده بود. این موفقیت در حالی رخ می‌دهد که عامل‌های هوش مصنوعی (AI Agents) — شبیه دستیارهای متخصصی که می‌توانند به‌جای یک دستور ساده، زنجیره‌ای از کارهای پیچیده را به‌طور مستقل مدیریت کنند — در حال تبدیل شدن به ابزارهای حل مسئله هستند. همان‌طور که در تحلیل قبلی ما درباره‌ی جلوگیری از لوپ‌های بی‌نهایت در OpenAI Codex اشاره کردیم، چالش اصلی همواره کنترل این عامل‌ها بوده است، اما این مورد نشان‌دهنده یک اجرای موفق از جریان‌های کاری عامل‌محور در رمزنگاری تاریخی است.
به نقل از مطالعه‌ای که در ۱۷ سپتامبر ۲۰۲۶ منتشر شد، لِفن چندین عامل تخصصی را برای اجرای یک خط لوله (Pipeline) پیچیده به کار گرفت:
- پژوهش تاریخی: عامل‌ها آرشیوها را برای یافتن پیام‌های رهگیری‌شده ارتش آلمان جست‌وجو کردند.
- ساخت ابزار: هوش مصنوعی کدهای رمزگشایی را نوشت و یک شبیه‌ساز سه‌بعدی از ماشین Enigma ساخت.
- آزمون و خطا: سیستم آزمایش‌های موازی را برای تست کلیدهای مختلف اجرا کرد.
- تأیید نهایی: نتایج با پیام‌های رمزگشایی‌شده‌ی همان روز تطبیق داده شدند.
نقطه عطف این پروژه زمانی رخ داد که هوش مصنوعی نام شهر «Rosenow» را در یک پیام رمزگشایی‌شده‌ی دیگر از همان تاریخ یافت. با حدس زدن حضور این نام در متن و استفاده از نقطه ضعف ماشین انیگما — جایی که هیچ حرفی هرگز نمی‌تواند به خودش تبدیل شود — تیم توانست ۱۵۹ کوینتیلیون تنظیم احتمالی را فیلتر کند.
متن نهایی نشان داد که سربازی درخواست دستورات رژه و «پاسخ رادیویی فوری» (Sofort Funkantwort) کرده است. لِفن اشاره می‌کند که این رمزگشایی احتمالاً معتبر است، زیرا حاوی غلط‌های تایپی انسانی است (مثلاً BTTE به‌جای BITTE)؛ چیزی که در نتایج ساختگی معمولاً دیده نمی‌شود.
برای یک مدیر کسب‌وکار، این تغییر به معنای آن است که هوش مصنوعی از تولید محتوا به سمت «کار شناختی سطح بالا» حرکت می‌کند. ارزش واقعی دیگر در «دانستن» پاسخ توسط مدل نیست، بلکه در توانایی مدل برای ساخت ابزارهای لازم جهت یافتن پاسخ است.
این پروژه ثابت می‌کند که گلوگاه بهره‌وری در هوش مصنوعی از قدرت خام مدل به توانایی انسان در تعیین اهداف و سازماندهی عامل‌ها تغییر کرده است. لِفن ادعا می‌کند برای ساخت وب‌سایتی که این راهکار را توضیح دهد، ۹۹ برابر بیشتر از زمانِ خودِ رمزگشایی وقت صرف کرده است.
پژوهشگران اکنون می‌توانند کد کامل، داده‌های جست‌وجو و شبیه‌ساز سه‌بعدی را از صفحه پروژه دانلود کنند تا محاسبات را به‌طور مستقل تأیید کنند.
گام بعدی شما
- بررسی قابلیت‌های Tool Use در مدل‌های جدید برای اتوماسیون کارهای پژوهشی.
- مطالعه درباره تفاوت مدل‌های چت ساده با سیستم‌های عامل‌محور (Agentic Workflows).
- آزمایش مدل‌های استدلالی برای حل مسائلی که نیاز به ساخت ابزار جانبی دارند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو