درون فرآیند حل معمای ۲۱ سالهٔ انیگما توسط هوش مصنوعی

تصور کنید یک پیام رمزنگاری‌شده از جنگ جهانی دوم، ۲۱ سال است که هر متخصص رمزشناسی را به بن‌بست کشانده؛ اما حالا یک مدل هوش مصنوعی در عرض دو روز آن را می‌گشاید. پیام MVUEH که در ۱۰ ژوئیه ۱۹۴۱ ارسال شده بود، سرانجام در ۱۵ سپتامبر ۲۰۲۶ توسط GPT-6 Astra رمزگشایی شد. این معمای رمزنگاری ۲۱ ساله از سال ۲۰۰۵ تاکنون در برابر هر تلاشی برای رمزگشایی مقاوم مانده بود.

به گزارش Crypto Cellar Research، این مدل پس از آنکه کارتر لفر (Carter Leffer) دستور تحلیل پیام‌های باز نشده در وب‌سایت مذکور را به آن داد، به‌طور کاملاً مستقل این موفقیت را به دست آورد. این دستاورد نشان می‌دهد که ما از عصر چت‌بات‌ها به عصر عامل‌های هوش مصنوعی (AI Agents) — شبیه به کارمندان متخصصی که نه فقط حرف می‌زنند، بلکه ابزار می‌سازند و تحقیق می‌کنند — رسیده‌ایم.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی توانمندی‌های استدلالی مدل‌های پیشرو اشاره کردیم، مرز بین تولید متن و حل مسائل پیچیده در حال محو شدن است. پیام MVUEH توسط ایستگاه رادیویی با کد تاکتیکی 2ny ارسال و در ساعت ۱۷:۳۰ روز ۱۰ ژوئیه ۱۹۴۱ توسط ایستگاه رادیویی Ib (کوارتر‌مایستر SS-Totenkopf) دریافت شده بود. در دفتر ثبت پیام‌های دریافتی برای ژوئیه ۱۹۴۱، این پیام تحت شماره ۱۷۲ (Nr. 172) ثبت شده بود.

پژوهشگران سال‌ها به دنبال سرنخی در ترافیک‌های رادیویی مشابه بودند. در ۹ ژوئن ۲۰۱۷، الکس شوکوپلیاس (Alex Shovkoplyas) توانست پیام دیگری از همان روز را رمزگشایی کند: پیام شماره ۱۷۳ با متن SIPVX. اگرچه SIPVX ترتیب چرخ‌های روزانه (Wheel Order) مشابهی یعنی ۵۱۲ داشت، اما اتصالات پلاگ (Stecker) و تنظیمات حلقه (Ringstellung) آن با کلید استاندارد روز متفاوت بود. با وجود این پیشرفت، کلید به‌دست‌آمده از SIPVX برای باز کردن MVUEH کار نکرد.

رمزگشایی پیام‌های انیگما معمولاً نیازمند یک «کریب» (Crib) — یعنی تکه‌ای از متن ساده که شناخته شده یا حدس زده شده باشد — و تلاش دستی عظیمی است. برای دهه‌ها، رمزشناسان با MVUEH دست و پنجه نرم کردند زیرا این پیام از یک ترتیب چرخ منحصربه‌فرد (۲۵۳) استفاده می‌کرد که با دو کلید دیگر مورد استفاده در همان روز تفاوت داشت. دشواری کار با یک نقص فنی نادر در چرخش چرخ چپ انیگما در حرف ۷۲ام پیچیده‌تر شده بود؛ یک ویژگی فنی که معمولاً پژوهشگران انسانی را متوقف می‌کند. علاوه بر این، نسخه‌برداری از متن رمزگذاری‌شده MVUEH از فرم اصلی آن، حاوی چندین خطا بود.

برای حل این معما، GPT-6 Astra یک گردش‌کار خودکار و چندمرحله‌ای را اجرا کرد:

• تولید فرضیه: مدل با تحلیل صفحه وب Crypto Cellar Research، تصمیم گرفت که پیام شماره ۱۷۲ (MVUEH) امیدوارکننده‌ترین هدف است. مدل به‌سرعت حدس زد که متن ساده MVUEH با متن ساده پیام شماره ۱۷۳ (SIPVX) مرتبط است.
• مهندسی نرم‌افزار: مدل برای شبیه‌سازی ماشین انیگما و ساخت یک «بمب انیگما» (Enigma Bombe)، نرم‌افزارهای اختصاصی به زبان‌های پایتون و ++C نوشت.
• تحلیل کلمات کلیدی (Crib): مدل روی تکرار نام مکان «ROSENOW ROSENOW» به عنوان کلید اصلی برای شکستن رمز تمرکز کرد.
• اجرا: پس از یک جست‌وجوی جامع و دقیق، مدل سرانجام کلید صحیح و متن ساده پیام را استخراج کرد.

متن به‌دست‌آمده برای MVUEH تقریباً با پیام SIPVX یکسان بود. این دو پیام تنها در طول متن با هم تفاوت داشتند: MVUEH دارای ۸۲ حرف و SIPVX دارای ۹۴ حرف است. این اختلاف به دلیل یک اشتباه در هنگام رمزگذاری کلمه «Bitte» در پیام MVUEH (که به Btte تبدیل شده بود) و این واقعیت بود که امضای فرستنده، «Waschbusch»، در پیام SIPVX تکرار شده بود.

فراتر از ریاضیات، این مدل مانند یک پژوهشگر آرشیو حرفه‌ای عمل کرد. GPT-6 Astra توانست جلد‌های خاصی از پیام‌های رادیویی را در آرشیو ملی آلمان (Bundesarchiv) شناسایی کند (به‌ویژه RS 3–3/20a و RS 3–3/63b). این فایل‌ها در وب‌سایت Crypto Cellar موجود نبودند، که نشان می‌دهد مدل یا به آرشیوهای دیجیتال دسترسی داشته یا ارجاعات را در مجموعه‌های خصوصی یافته است.

در ژوئیه ۲۰۲۶، تحقیقات در آرشیو ملی آلمان مجموعه‌ای از پیام‌های رادیویی فرماندهی لجستیک لشکر SS-Totenkopf، یعنی Nachschubführer (NF) را فاش کرده بود. بسیاری از این پیام‌ها به ایستگاه رادیویی Ib (کوارتر‌مایستر) ارسال شده بودند.

لاگ‌های مدل نشان می‌دهد که Astra به‌طور مستقل این ارتباط را کشف کرده است. در یکی از یادداشت‌های مدل آمده است: «دسترسی به منبع اصلی منجر شد تا ردپای مجموعه داده‌ها را در یک کلکسیون خصوصی و جلدهای مشخص آرشیو ملی بیابم». مدل همچنین اشاره کرد که تصویر اصلی برای پیام شماره ۱۷۲ هنوز مکان‌یابی نشده و نمایش‌دهنده آرشیو هنوز اسکن‌های مربوطه را منتشر نکرده است.

این اتفاق دیدگاه ما را نسبت به مدل استدلالی (Reasoning Model) — مدلی که قبل از جواب، یک قدم درنگ می‌کند و فکر می‌کند، شبیه شطرنج‌بازی که چند حرکت جلوتر را می‌بیند — تغییر می‌دهد. در حالی که مدل‌های قبلی در کدنویسی یا ترجمه کمک می‌کردند، Astra توانست پژوهش تاریخی، توسعه نرم‌افزار و استنتاج منطقی پیچیده را در یک بازه دو روزه ترکیب کند. فرود وی‌رود (Frode Weierud) از Crypto Cellar Research اشاره کرد که این کار برای یک انسان هفته‌ها یا ماه‌ها زمان می‌برد؛ او شخصاً چندین هفته را صرف تحقیق روی همان فایل‌های آرشیوی کرده بود که هوش مصنوعی به آن‌ها ارجاع داد.

این سطح از عاملیت (Agency) نشان می‌دهد که مدل‌های پیشرو از «چت‌بات» به «پژوهشگر خودکار» تبدیل شده‌اند. توانایی شناسایی شکاف در داده‌های موجود و جست‌وجوی ارجاعات آرشیوی خاص، نشان‌دهنده سطحی از عاملیت است که فراتر از یک تطبیق ساده الگوهاست.

منتظر تحلیل‌های بیشتر از لاگ‌های GPT-6 Astra باشید، زیرا پژوهشگران هنوز در حال کشف مراحل دقیقی هستند که مدل برای ناوبری در سوابق آرشیو ملی آلمان طی کرده است.

گام بعدی شما

• بررسی لاگ‌های GPT-6 Astra برای درک نحوه ناوبری مدل در اسناد آرشیوی.
• آزمایش مدل‌های استدلالی جدید برای تحلیل داده‌های ناقص یا متناقض در پروژه‌های پژوهشی.
• دنبال کردن گزارش‌های بعدی درباره نحوه دسترسی مدل‌ها به آرشیوهای خصوصی و دیجیتال.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.