پیشرفتهای اخیر در حوزه هوش مصنوعی (AI) نشان می‌دهد که کدهای قدیمی و سیستم‌های رمزنگاری (Ciphers) به سرعت در حال شکستن هستند. این موضوع تأیید می‌کند که تکیه بر «ابهام» (Obscurity) دیگر استراتژی مناسبی برای حفظ محرمانگی داده‌ها نیست.
تحلیل آماری و نقاط ضعف رمزنگاری‌های قدیمی
در تحلیل سیستم‌های رمزنگاری قدیمی، یک پرسش کلیدی وجود دارد: «چه چیزی در طول کل فرآیند تغییر نمی‌کند؟» پاسخ این است: آمار (Statistics) متن ساده (Plaintext) و متن رمزگذاری شده (Ciphertext). اگر این ویژگی‌های آماری حفظ نشوند، بازگرداندن متن رمز به متن اصلی غیرممکن خواهد بود.
نقش شبکه‌های عصبی و فیلترهای تطبیقی
سیستم‌های فعلی مدل‌های زبانی بزرگ (LLM) بر پایه شبکه‌های عصبی دیجیتال (DNN) بنا شده‌اند که در واقع سیستم‌های پردازش سیگنال دیجیتال (DSP) پیشرفتهای هستند که به عنوان «فیلترهای تطبیقی» (Adaptive Filters) عمل می‌کنند. ویژگی اصلی این فیلترها، توانایی بسیار بالا در استخراج سیگنال از میان نویز (Lifting signals out of the noise) است؛ به‌ویژه زمانی که نویز پس‌زمینه به طور مداوم اما به شکلی قابل پیش‌بینی تغییر کند.
چالش دوره تناوب در کلیدها
در رمزنگاری‌های قدیمی، متن کلید (Keytext) اغلب دارای دوره‌ای (Period) بود که طول آن با رمز عبور یا عبارت مورد استفاده برای تولید کلید برابر بود. به دلیل خطاهای انسانی، این طول معمولاً کوتاه (۱۰ کاراکتر یا کمتر) یا یک عبارت شناخته شده بود. این رویکرد از جنگ جهانی دوم تا دهه ۱۹۸۰ و ظهور میکروکنترلرهای قدرتمند، در رمزهای دستی جاسوسی و ماشین‌های رمزنگاری مکانیکی رایج بود.
نتیجه‌گیری فنی
از آنجایی که متن ساده و متن کلید هر دو دارای آمارهای قابل شناسایی هستند (مانند آزمون chi-squared)، مدل‌های LLM در یک چارچوب عامل‌محور (Agentic Framework) می‌توانند سیگنال‌های مورد نظر را به راحتی استخراج کنند. در نتیجه، تنها سیستم‌های رمزنگاری که همچنان امن تلقی می‌شوند، سیستم‌هایی هستند که یا هیچ‌گونه دوره تناوبی در متن کلید ندارند و یا حجم محاسباتی مورد نیاز برای شکستن آن‌ها، چندین مرتبه بزرگتر از توان تیم‌های انسانی است.
به زودی با استقرار این مدل‌ها بر روی دسکتاپ‌ها، هر کاربر عملاً به یک «آژانس سیگنال‌های اطلاعاتی» (SigInt Agency) جیبی دسترسی خواهد داشت.
