Les agents IA de DeepMind reproduisent un calcul de cryptographie 1024 bits en 3,2 jours

iconCryptoSlate
Partager
AI summary iconRésumé
Les agents d'IA Google DeepMind ont reproduit un calcul de cryptographie de 1024 bits en utilisant le calcul multipartite (MPC) en 3 jours et 22 heures. L'expérience a géré la programmation, l'exécution et le débogage, produisant 33 500 lignes de code et exécutant 336 expériences distribuées. Des signatures numériques RSA ont été utilisées, mais aucune clé privée n'a été récupérée. La tâche a consommé 391 années-cœur de temps CPU, soit une amélioration de 3,5 fois par rapport aux travaux académiques précédents. La cryptographie à courbe elliptique était également impliquée dans la configuration de l'expérience.

Google DeepMind affirme que deux agents IA ont reproduit un calcul de cryptographie de 1024 bits connu, en gérant la programmation, l'exécution à grande échelle et le débogage avec environ 20 messages humains, principalement des approbations. Les agents ont atteint un résultat vérifié trois jours et 22 heures après le début du travail de conception. Un chercheur de DeepMind a annoncé ce travail le 6 novembre comme une reproduction en environnement isolé d'un benchmark déjà résolu.

L'expérience a impliqué des signatures numériques RSA plutôt que la récupération d'une clé privée. Un programme distinct, doté de la factorisation du module, a répondu à environ 4 milliards de requêtes préliminaires. L'accès à ce service de signature simulé a été interrompu avant la sélection de la cible. Les agents ont ensuite calculé la racine mathématique nécessaire pour une nouvelle signature sans effectuer de nouvelles requêtes. Les articles indiquent que les résultats ne représentent aucune menace pour les systèmes cryptographiques déployés utilisant RSA avec des clés de 2048 bits ou plus.

Le chercheur humain a sélectionné le problème, l’instance et les restrictions d’accès au service de signature, puis approuvé les conditions régissant les étapes irréversibles. L’article indique que le chercheur n’a ni écrit de code, ni lancé de tâches, ni diagnostiqué de pannes. Un agent superviseur a géré la conception, les budgets de ressources et les vérifications. Un agent exécuteur a développé et testé le code, lancé des tâches distribuées et corrigé les pannes. Le superviseur a recruté un sous-agent spécialisé pour accélérer une étape d’algèbre linéaire. Les agents ont généré environ 33 500 lignes de code nouveau, mené 336 expériences distribuées et échangé 218 messages entre eux.

Un débordement d'offset 32 bits a entraîné un calcul incorrect de la racine initiale des agents. Un contrôle de vérification a détecté le problème, et les agents ont identifié et corrigé la faille sans répéter les requêtes de signature préliminaires. Le faible nombre de messages humains n'a donc pas supprimé les exigences de sélection ou d'approbation des tâches humaines.

Le document de travail évalue l'utilisation du CPU pour le calcul terminé à 391 années-cœurs, contre un total arrondi de 1 380 pour la même instance et le même algorithme par une équipe précédente. Ces chiffres représentent une réduction d'environ 3,5 fois de l'utilisation du CPU mesurée. L'effort académique antérieur a duré environ cinq mois. Le calcul de DeepMind a atteint la racine vérifiée 3,2 jours après le début du premier travail de crible à grande échelle. Les ressources maximales atteintes ont été d'environ 300 000 cœurs CPU et 16 GPU. Les auteurs attribuent principalement la réduction du temps écoulé à l'exécution parallèle.

Les modifications apportées à l'algorithme existant ont généré des économies de processeur. Le chiffre de 391 années-cœur CPU omet environ 330 heures-GPU réservées, dont environ 100 heures d'utilisation active GPU. Le total omet également 7,5 années-cœur CPU consacrées aux sondages et aux répétitions. Les différences entre le matériel utilisé pour les deux totaux CPU empêchent une comparaison contrôlée dans des conditions identiques.

La reproduction mesurée n'a pas démontré le nouvel algorithme du document de travail à l'échelle cryptographique sous un accès à la signature plus restrictif. Un autre article, Fan Factories, estime que chaque cible supplémentaire de 1024 bits coûterait environ 30 fois moins cher que le multiple number field sieve. Cette estimation suppose une précalcul partagé coûtant environ l'équivalent d'une factorisation par le général number field sieve. Les projections de coût sont des estimations heuristiques de premier ordre, et aucun fan factory n'a été mis en œuvre. Le document de travail ne désigne les modèles principaux que par A et B et ne fournit aucun lien vers un dépôt d'implémentation publique, limitant les comparaisons externes.

Clause de non-responsabilité : les informations sur cette page peuvent avoir été obtenues auprès de tiers et ne reflètent pas nécessairement les points de vue ou opinions de KuCoin. Ce contenu est fourni à titre informatif uniquement, sans aucune représentation ou garantie d’aucune sorte, et ne doit pas être interprété comme un conseil en investissement. KuCoin ne sera pas responsable des erreurs ou omissions, ni des résultats résultant de l’utilisation de ces informations. Les investissements dans les actifs numériques peuvent être risqués. Veuillez évaluer soigneusement les risques d’un produit et votre tolérance au risque en fonction de votre propre situation financière. Pour plus d’informations, veuillez consulter nos conditions d’utilisation et divulgation des risques.