هوش مصنوعی کلاد معمای ۲۵ ساله اعداد NSA را حل کرد

هوش مصنوعی Claude معمای ۲۵ ساله اعداد مرموز NSA را در کمتر از ۳۰ دقیقه حل کرد

گاهی یک کشف بزرگ علمی از دل مسئله‌ای بیرون می‌آید که سال‌ها متخصصان را سردرگم کرده است. این بار نوبت به هوش مصنوعی Claude رسیده تا یکی از معماهای قدیمی دنیای رمزنگاری را حل کند؛ معمایی که پای آژانس امنیت ملی آمریکا (NSA)، استانداردهای امنیت اینترنت و احتمال وجود یک درِ پشتی مخفی را به میان می‌کشید.

یک مدل تحقیقاتی از شرکت آنتروپیک توانست در کمتر از ۳۰ دقیقه منشأ مجموعه‌ای از اعداد را شناسایی کند که بیش از ۲۵ سال درباره نحوه تولید آن‌ها پرسش وجود داشت. این اعداد در استانداردهای رمزنگاری منحنی بیضوی استفاده شده بودند و از سوی NSA در اختیار نهادهای استانداردگذاری آمریکا قرار گرفته بودند، بدون آنکه توضیح روشنی درباره نحوه انتخابشان منتشر شود.

نتیجه بررسی Claude برخلاف بسیاری از گمانه‌زنی‌های قدیمی، چندان پیچیده نبود: اعداد موردنظر ظاهراً با استفاده از یک مولد ساده اعداد شبه‌تصادفی در زبان C و زمان‌سنج رایانه تولید شده بودند. کشف این الگو نه‌تنها یک پرونده قدیمی را روشن کرد، بلکه نشان داد مدل‌های هوش مصنوعی می‌توانند در تحقیقات تخصصی ریاضی و رمزنگاری نیز نقش جدی داشته باشند.

معمای ۲۵ ساله NSA از کجا شروع شد؟

برای درک اهمیت این کشف باید به اواخر دهه ۱۹۹۰ میلادی برگردیم. در آن زمان NSA مجموعه‌ای از پارامترهای ریاضی را برای استفاده در استانداردهای رمزنگاری منحنی بیضوی ارائه کرد. مؤسسه ملی استانداردها و فناوری آمریکا (NIST) نیز در سال ۲۰۰۰ تعدادی از این منحنی‌ها را در استانداردهای رسمی خود پذیرفت.

مشکل از جایی شروع می‌شد که برخی اعداد اولیه مورد استفاده برای ساخت این منحنی‌ها، با نام Seed یا بذر شناخته می‌شدند، اما مشخص نبود دقیقاً چگونه انتخاب شده‌اند. این مقادیر در مستندات استاندارد منتشر شده بودند، ولی توضیحی درباره منشأ و روش تولید آن‌ها وجود نداشت.

در رمزنگاری، شفافیت اهمیت زیادی دارد. وقتی یک الگوریتم یا مجموعه پارامتر قرار است از اطلاعات بانکی، ارتباطات اینترنتی و داده‌های حساس محافظت کند، متخصصان باید بتوانند درباره نحوه طراحی و امنیت آن اطمینان پیدا کنند. اگر یک نهاد اطلاعاتی پارامترهای اصلی را ارائه کند اما روش انتخاب آن‌ها را توضیح ندهد، طبیعی است که پرسش‌هایی درباره احتمال وجود ضعف عمدی مطرح شود.

به‌مرور این نگرانی شکل گرفت که شاید NSA از میان تعداد زیادی گزینه، مقادیری را انتخاب کرده باشد که ظاهراً تصادفی هستند، اما در عمل امکان سوءاستفاده از آن‌ها برای نهادی که روش تولیدشان را می‌داند وجود دارد. چنین احتمالی به معنای وجود یک درِ پشتی رمزنگاری بود؛ راهی پنهان برای تضعیف امنیت سامانه‌هایی که از این استانداردها استفاده می‌کنند.

چرا احتمال وجود درِ پشتی در رمزنگاری جدی گرفته شد؟

نگرانی درباره استانداردهای رمزنگاری NIST صرفاً یک بدبینی بی‌اساس نبود. افشاگری‌های ادوارد اسنودن در سال ۲۰۱۳ نشان داد NSA در برخی موارد برای تأثیرگذاری بر فناوری‌های امنیتی و استانداردهای رمزنگاری تلاش کرده است. یکی از نمونه‌های بحث‌برانگیز، مولد اعداد تصادفی Dual_EC_DRBG بود که بعدها از توصیه‌های NIST کنار گذاشته شد.

این سابقه باعث شد جامعه رمزنگاری نسبت به پارامترهایی که منشأ روشنی نداشتند حساس‌تر شود. اگر نهادی بتواند هنگام طراحی یک استاندارد، مقادیر خاصی را با هدف ایجاد ضعف پنهان انتخاب کند، ممکن است امنیت کاربران بدون اطلاع آن‌ها تحت تأثیر قرار بگیرد.

البته وجود اعداد توضیح‌داده‌نشده به‌تنهایی اثبات نمی‌کرد که NSA در استانداردهای منحنی بیضوی درِ پشتی قرار داده است. این موضوع بیشتر یک پرسش حل‌نشده بود که پاسخ قطعی آن می‌توانست اعتماد به یکی از مهم‌ترین فناوری‌های امنیت دیجیتال را تقویت یا تضعیف کند.

Claude چگونه معمای اعداد NSA را حل کرد؟

پژوهشگران آنتروپیک در اکتبر ۲۰۲۶ تصمیم گرفتند بار دیگر سراغ این پرونده بروند. یکی از کارکنان شرکت از مدل تحقیقاتی داخلی Claude خواست منشأ اعداد منتشرشده در استانداردهای NIST را بررسی کند. نکته جالب این بود که مدل بدون دریافت راهنمایی درباره نظریه‌های قدیمی، به سراغ بررسی ساختار خود اعداد رفت.

Claude ابتدا فرضیه‌های مختلفی را بررسی کرد. یکی از نظریه‌های قدیمی این بود که اعداد موردنظر از هش یک عبارت طنزآمیز یا جمله‌ای خاص تولید شده‌اند. حتی گفته‌هایی از جری سولیناس، ریاضی‌دان سابق NSA، درباره احتمال استفاده از چنین روشی وجود داشت. با این حال، جست‌وجو برای پیدا کردن آن عبارت به نتیجه نرسیده بود.

مدل به‌جای ادامه دادن همان مسیر، احتمال استفاده از مولدهای اعداد شبه‌تصادفی قدیمی را بررسی کرد. این مولدها در کتابخانه‌های زبان C در دهه ۱۹۹۰ وجود داشتند و می‌توانستند دنباله‌هایی تولید کنند که در نگاه اول تصادفی به نظر می‌رسیدند، اما در واقع از یک وضعیت اولیه مشخص پیروی می‌کردند.

Claude برنامه‌ای نوشت که الگوهای موجود در اعداد منتشرشده را با خروجی مولدهای قدیمی مقایسه می‌کرد. این برنامه بخش‌های مختلف اعداد را بررسی کرد و به دنبال نشانه‌هایی بود که بتوانند نوع الگوریتم و وضعیت اولیه آن را مشخص کنند.

ردپای یک مولد قدیمی

در جریان این بررسی، مدل متوجه الگویی غیرعادی در بیت‌های بالایی برخی اعداد شد. تعدادی از این بیت‌ها به‌صورت منظم صفر بودند؛ الگویی که با رفتار مولد عددی lrand48 مطابقت داشت. این مولد تنها ۳۱ بیت بالایی از وضعیت داخلی ۴۸ بیتی خود را خروجی می‌دهد و همین ویژگی ردپای مشخصی در داده‌های تولیدشده باقی می‌گذارد.

Claude با استفاده از این الگو توانست وضعیت داخلی مولد را بازسازی کند و سپس خروجی‌های آن را با مقادیر منتشرشده در استانداردهای رمزنگاری مقایسه کند. نتیجه شگفت‌انگیز بود: اعداد موردنظر با خروجی‌های lrand48 مطابقت داشتند و می‌شد آن‌ها را با استفاده از زمان‌های مشخصی در سال‌های ۱۹۹۷ و ۱۹۹۸ دوباره تولید کرد.

الگوریتم lrand48 چیست و چه نقشی در این کشف داشت؟

الگوریتم lrand48 یک مولد اعداد شبه‌تصادفی قدیمی است که در کتابخانه‌های زبان برنامه‌نویسی C مورد استفاده قرار می‌گرفت. این الگوریتم برخلاف یک منبع تصادفی واقعی، اعداد را بر اساس وضعیت داخلی و قواعد ریاضی مشخص تولید می‌کند.

برای شروع کار، مولد به یک مقدار اولیه نیاز دارد که به آن Seed گفته می‌شود. اگر مقدار اولیه و الگوریتم تولید اعداد را بدانیم، می‌توانیم همان دنباله را بارها و بارها بازسازی کنیم. در برخی برنامه‌های قدیمی، زمان سیستم یا Unix Timestamp برای مقداردهی اولیه مولد استفاده می‌شد.

Claude متوجه شد که همین روش ساده در تولید اعداد مورد بحث نقش داشته است. مدل توانست پنج Seed مربوط به منحنی‌های NIST شامل P-192، P-224، P-256، P-384 و P-521 را به خروجی lrand48 مرتبط کند.

برای نمونه، مقدار منتشرشده برای منحنی P-256 در هزار و هشتصد و چهل و دومین خروجی نامزد از یک اجرای مشخص این مولد ظاهر می‌شد. این اجرا با یک زمان ثبت‌شده در اوت ۱۹۹۷ آغاز شده بود. بازسازی دقیق تمام بیت‌های مقدار منتشرشده، احتمال تصادفی بودن این تطابق را بسیار ناچیز می‌کرد.

نکته جالب این است که Claude فقط یک الگوی سطحی پیدا نکرد. مدل توانست وضعیت داخلی مولد را بازیابی کند و نشان دهد چگونه می‌توان با همان الگوریتم و زمان اولیه، تمام مقدار موردنظر را دوباره تولید کرد. این قابلیت بازتولیدپذیری، یکی از دلایل مهم اعتبار این کشف است.

نقش زمان یونیکس در حل معما

Unix Timestamp روشی برای نمایش زمان بر اساس تعداد ثانیه‌های سپری‌شده از ابتدای سال ۱۹۷۰ میلادی است. Claude نشان داد که زمان‌های استفاده‌شده برای تولید ده Seed مربوط به منحنی‌های اول و نمونه‌های استاندارد ANSI، به بازه مه ۱۹۹۷ تا آوریل ۱۹۹۸ مربوط می‌شوند. همین ارتباط زمانی، فرضیه استفاده از ساعت رایانه برای مقداردهی اولیه مولد را تقویت کرد.

آیا Claude تمام معمای رمزنگاری NSA را حل کرد؟

با وجود اهمیت این کشف، نباید تصور کرد تمام پرسش‌های مربوط به منحنی‌های رمزنگاری NIST پاسخ داده شده‌اند. آنتروپیک توانست منشأ پنج Seed مربوط به منحنی‌های اول را توضیح دهد و برای برخی مقادیر دیگر نیز الگوهای مشابهی پیدا کند، اما بخش‌هایی از ماجرا همچنان نامشخص باقی مانده است.

برای مثال، یکی از Seedهای مربوط به منحنی دودویی B-163 با روش‌های بررسی‌شده قابل بازسازی نبود. همچنین منشأ برخی نقاط پایه منحنی‌ها، از جمله P-224، P-256، P-384 و P-521، همچنان توضیح داده نشده است.

پژوهشگران حتی متوجه شدند در جریان تولید برخی منحنی‌ها، تعدادی گزینه معتبر کنار گذاشته شده‌اند. هنوز مشخص نیست چه معیاری برای عبور از این گزینه‌ها و انتخاب مقادیر نهایی وجود داشته است. آنتروپیک می‌گوید این موضوع به‌تنهایی نشانه انتخاب عمدی منحنی‌های ضعیف نیست، اما پرسش‌هایی درباره روند تصمیم‌گیری باقی می‌گذارد.

بنابراین دقیق‌تر است بگوییم Claude بخش مهمی از معمای قدیمی را حل کرده و احتمال وجود یک درِ پشتی عمدی را بسیار کمتر کرده است؛ نه اینکه تمام جزئیات تاریخی و فنی انتخاب پارامترهای رمزنگاری برای همیشه روشن شده باشند.

آیا کشف Claude به معنی شکسته شدن رمزنگاری اینترنت است؟

خیر. این کشف به‌هیچ‌وجه به معنای شکستن الگوریتم ECDSA یا پیدا شدن یک آسیب‌پذیری جدید در منحنی‌های استاندارد نیست. مسئله اصلی، شناسایی روش تولید اعداد اولیه‌ای بود که منشأ آن‌ها برای سال‌ها مشخص نشده بود.

در واقع، نتیجه بررسی آنتروپیک از یک جهت خبر مثبتی برای امنیت دیجیتال محسوب می‌شود. اگر اعداد واقعاً با یک مولد معمولی و زمان‌های قابل بازسازی تولید شده باشند، احتمال اینکه با هدف ایجاد یک ضعف مخفی انتخاب شده باشند کاهش پیدا می‌کند.

البته نباید این موضوع را با استفاده از lrand48 برای تولید کلیدهای محرمانه اشتباه گرفت. اگر کسی برای تولید کلید خصوصی یک کیف پول یا سامانه امنیتی از مولد ضعیفی مانند lrand48 استفاده کند، مهاجم ممکن است با حدس زدن زمان یا وضعیت اولیه مولد، کلید را بازسازی کند. اما Seedهای مورد بررسی در این پرونده عمومی بودند و برای تولید کلیدهای خصوصی کاربران به کار نمی‌رفتند.

آنتروپیک نیز در گزارش خود تأکید کرده است که کاربران منحنی‌های NIST نیازی به تغییر تنظیمات یا کنار گذاشتن این استانداردها ندارند. این تحقیق ضعف تازه‌ای در ECDSA معرفی نکرده و بیشتر به روشن شدن منشأ پارامترهای قدیمی کمک کرده است.

آیا کشف جدید Claude امنیت بیت‌کوین را تحت تأثیر قرار می‌دهد؟

یکی از پرسش‌هایی که پس از انتشار این خبر مطرح شد، ارتباط آن با بیت‌کوین و امنیت کیف پول‌های رمزارزی بود. رمزنگاری منحنی بیضوی در بسیاری از فناوری‌های مالی و دیجیتال کاربرد دارد و بیت‌کوین نیز از این خانواده رمزنگاری استفاده می‌کند.

با این حال، بیت‌کوین از منحنی secp256k1 استفاده می‌کند که با منحنی‌های مورد بحث در پرونده NSA تفاوت دارد. ساختار این منحنی به شکلی تعریف شده که پارامترهای قابل انتخاب کمتری برای ایجاد یک ضعف پنهان در اختیار طراح قرار می‌دهد. به همین دلیل، کشف Claude به معنی افشای یک آسیب‌پذیری در بیت‌کوین نیست.

این موضوع البته به معنای مصونیت همیشگی بیت‌کوین از تمام تهدیدهای رمزنگاری نیست. رایانه‌های کوانتومی قدرتمند در آینده ممکن است برای برخی الگوریتم‌های رمزنگاری فعلی، از جمله ساختارهای مبتنی بر منحنی بیضوی، تهدید ایجاد کنند. چنین خطری موضوعی جداگانه است و ارتباط مستقیمی با منشأ Seedهای مورد بررسی Claude ندارد.

تفاوت ECDSA و رمزنگاری پساکوانتومی

ECDSA یک الگوریتم امضای دیجیتال مبتنی بر منحنی بیضوی است که برای تأیید اصالت پیام‌ها و تراکنش‌ها استفاده می‌شود. در مقابل، رمزنگاری پساکوانتومی به خانواده‌ای از روش‌های رمزنگاری گفته می‌شود که برای مقاومت در برابر حملات رایانه‌های کوانتومی طراحی شده‌اند. کشف منشأ اعداد NIST به‌تنهایی به معنای حل چالش رایانه‌های کوانتومی نیست.

چرا حل این معما در کمتر از نیم ساعت اهمیت دارد؟

ارزش این اتفاق فقط در پیدا کردن منشأ چند عدد خلاصه نمی‌شود. مسئله مهم‌تر، روشی است که Claude برای رسیدن به پاسخ به کار گرفت. این مدل توانست از یک مسئله تاریخی و تخصصی شروع کند، فرضیه‌های قبلی را بررسی کند، مسیرهای ناموفق را کنار بگذارد و با تحلیل الگوهای ریاضی به توضیحی قابل آزمایش برسد.

البته نباید تصور کرد تمام فرایند علمی تنها در ۳۰ دقیقه به پایان رسیده است. زمان کوتاه اعلام‌شده مربوط به پیدا کردن راه‌حل اولیه توسط مدل است. پس از آن، بررسی و اعتبارسنجی نتایج اهمیت زیادی داشت تا مشخص شود تطابق‌های پیدا شده واقعی هستند و صرفاً نتیجه یک حدس تصادفی نیستند.

این تفاوت در پژوهش‌های علمی بسیار مهم است. هوش مصنوعی می‌تواند یک فرضیه تازه ارائه کند یا مسیری را پیدا کند که انسان‌ها سال‌ها از آن غافل بوده‌اند؛ اما برای پذیرفتن یک کشف علمی، باید امکان بازتولید نتایج و بررسی مستقل آن وجود داشته باشد.

آنتروپیک علاوه بر توضیح روش کشف، کدهایی برای بازتولید برخی از نتایج منتشر کرده است. این اقدام به پژوهشگران دیگر اجازه می‌دهد بدون اتکا به ادعای شرکت، محاسبات را بررسی کنند و صحت تطابق‌ها را بسنجند.

جایزه ۳۶ هزار دلاری این معما به چه کسی می‌رسد؟

این پرونده فقط یک بحث دانشگاهی نبود و برای حل آن جایزه مالی نیز تعیین شده بود. در سال ۲۰۲۳، گروهی از پژوهشگران و علاقه‌مندان حوزه رمزنگاری برای پیدا کردن منشأ اعداد مرموز، جایزه‌ای در نظر گرفتند که با گذشت زمان به بیش از ۳۶ هزار دلار رسید.

پس از اعلام نتیجه پژوهش Claude، آنتروپیک اعلام کرد مبلغ ۳۶ هزار و ۸۶۴ دلار به سازمان غیرانتفاعی Internet Security Research Group اهدا خواهد شد. این سازمان به دلیل فعالیت‌های خود در زمینه امنیت اینترنت شناخته می‌شود و پروژه Let’s Encrypt، ارائه‌دهنده گواهی‌های امنیتی رایگان برای وب‌سایت‌ها، از جمله فعالیت‌های مهم آن است.

این تصمیم باعث شد نتیجه یک تحقیق هوش مصنوعی علاوه بر ارزش علمی، به حمایت مالی از پروژه‌های امنیت اینترنت نیز منجر شود.

آینده تحقیقات رمزنگاری با هوش مصنوعی چگونه خواهد بود؟

رمزنگاری یکی از حوزه‌هایی است که در آن کوچک‌ترین اشتباه ریاضی یا پیاده‌سازی می‌تواند پیامدهای بزرگی داشته باشد. به همین دلیل، بررسی استانداردهای رمزنگاری معمولاً به دانش تخصصی، محاسبات پیچیده و زمان زیادی نیاز دارد. توانایی مدل‌هایی مانند Claude در تحلیل داده‌های ریاضی و طراحی آزمایش‌های محاسباتی می‌تواند این فرایند را سریع‌تر کند.

در آینده ممکن است هوش مصنوعی پیش از نهایی شدن استانداردهای امنیتی، آن‌ها را از زوایای مختلف بررسی کند و ضعف‌هایی را پیدا کند که در بررسی‌های انسانی پنهان مانده‌اند. چنین قابلیتی برای طراحی نسل جدید الگوریتم‌های رمزنگاری و افزایش امنیت زیرساخت‌های دیجیتال ارزشمند خواهد بود.

البته همین توانایی می‌تواند در اختیار مهاجمان نیز قرار بگیرد. مدلی که قادر است آسیب‌پذیری‌های پیچیده را پیدا کند، ممکن است برای شناسایی نقاط ضعف نرم‌افزارها و سامانه‌های امنیتی نیز مورد سوءاستفاده قرار بگیرد. بنابراین توسعه هوش مصنوعی در حوزه امنیت سایبری به همان اندازه که فرصت ایجاد می‌کند، مسئولیت و حساسیت نیز به همراه دارد.

کشف اخیر Claude نمونه‌ای از کاربرد مثبت این فناوری است: استفاده از توان محاسباتی و استدلال مدل برای روشن کردن یک مسئله قدیمی، بدون آنکه نتیجه به‌صورت یک ادعای غیرقابل بررسی باقی بماند. اگر این روند با اعتبارسنجی علمی و انتشار شفاف نتایج همراه باشد، هوش مصنوعی می‌تواند به یکی از ابزارهای مهم پژوهشگران رمزنگاری تبدیل شود.

پرسش‌های متداول درباره حل معمای NSA توسط Claude

هوش مصنوعی Claude دقیقاً چه معمایی را حل کرد؟

Claude منشأ پنج مقدار اولیه یا Seed مربوط به منحنی‌های رمزنگاری استاندارد NIST را پیدا کرد. این اعداد از سوی NSA ارائه شده بودند، اما روش تولید آن‌ها برای بیش از ۲۵ سال مشخص نبود. مدل نشان داد این مقادیر با خروجی مولد شبه‌تصادفی lrand48 و زمان‌های ثبت‌شده در سال‌های ۱۹۹۷ و ۱۹۹۸ مطابقت دارند.

Claude در چه مدت زمانی این معما را حل کرد؟

طبق گزارش آنتروپیک، مدل تحقیقاتی Claude در کمتر از ۳۰ دقیقه توانست منشأ اصلی اعداد را شناسایی کند. البته اعتبارسنجی نتایج و بررسی جزئیات فنی پس از کشف اولیه نیز انجام شد.

آیا NSA در استانداردهای رمزنگاری درِ پشتی قرار داده بود؟

کشف Claude احتمال وجود یک درِ پشتی عمدی در پارامترهای مورد بررسی را بسیار کمتر کرده است؛ زیرا منشأ پنج Seed به یک مولد ساده و قابل بازسازی مرتبط شده است. با این حال، برخی جزئیات انتخاب پارامترها و تعدادی از مقادیر دیگر همچنان توضیح داده نشده‌اند.

الگوریتم lrand48 چیست؟

lrand48 یک مولد اعداد شبه‌تصادفی قدیمی در کتابخانه‌های زبان C است. این الگوریتم بر اساس یک وضعیت داخلی و مقدار اولیه مشخص، دنباله‌ای از اعداد تولید می‌کند. اگر مقدار اولیه و روش تولید مشخص باشند، خروجی آن قابل بازسازی است.

آیا کشف Claude امنیت اینترنت را به خطر انداخته است؟

خیر. این تحقیق آسیب‌پذیری جدیدی در استاندارد ECDSA کشف نکرده است. برعکس، توضیح منشأ برخی پارامترهای قدیمی باعث شده احتمال وجود ضعف عمدی در آن‌ها کمتر به نظر برسد. آنتروپیک اعلام کرده کاربران این منحنی‌ها نیازی به اقدام خاصی ندارند.

آیا این کشف روی امنیت بیت‌کوین تأثیر دارد؟

خیر. بیت‌کوین از منحنی secp256k1 استفاده می‌کند و این منحنی جزو پارامترهای مورد بررسی در پرونده NSA نیست. تهدید احتمالی رایانه‌های کوانتومی برای بیت‌کوین موضوع جداگانه‌ای است و نباید با این کشف اشتباه گرفته شود.

آیا تمام معمای اعداد NSA حل شده است؟

خیر. منشأ پنج Seed مربوط به منحنی‌های اول مشخص شده، اما Seed مربوط به منحنی B-163 و نحوه انتخاب برخی نقاط پایه منحنی‌ها همچنان نامشخص است. همچنین درباره دلیل کنار گذاشتن بعضی گزینه‌های معتبر پرسش‌هایی باقی مانده است.

جمع‌بندی؛ وقتی هوش مصنوعی از یک معمای قدیمی رمزنگاری عبور می‌کند

حل معمای ۲۵ ساله اعداد NSA توسط Claude را می‌توان یکی از نمونه‌های قابل‌توجه ورود هوش مصنوعی به تحقیقات تخصصی دانست. مدلی که در کمتر از نیم ساعت توانست الگوی پنهان در مجموعه‌ای از اعداد را پیدا کند و آن‌ها را به یک مولد قدیمی در زبان C و زمان‌های ثبت‌شده در دهه ۱۹۹۰ ارتباط دهد.

این کشف احتمال وجود درِ پشتی عمدی در برخی پارامترهای رمزنگاری NIST را کاهش داده، اما تمام پرسش‌های تاریخی و فنی را پاسخ نداده است. اهمیت اصلی ماجرا در این است که Claude توانست مسیری تازه برای حل یک مسئله دشوار پیدا کند و نتیجه‌ای ارائه دهد که امکان بازتولید و بررسی مستقل آن وجود دارد.

شاید مهم‌ترین پیام این اتفاق برای دنیای فناوری این باشد که هوش مصنوعی دیگر فقط ابزاری برای تولید محتوا یا پاسخ به پرسش‌های روزمره نیست. مدل‌های پیشرفته می‌توانند در کنار پژوهشگران، وارد حوزه‌هایی مانند ریاضیات، رمزنگاری و امنیت سایبری شوند و در حل مسائلی نقش داشته باشند که سال‌ها بدون پاسخ باقی مانده‌اند.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *