A DeepMind afirmou que dois agentes de inteligência artificial reproduziram um cálculo conhecido com RSA de 1024 bits. Do planejamento ao resultado verificado, o trabalho levou três dias e 22 horas. Durante esse período, um pesquisador humano enviou cerca de 20 mensagens, principalmente para aprovar ações. Segundo a empresa, os agentes conduziram a programação, a execução em grande escala e a depuração.

O teste envolveu assinaturas digitais RSA, mas não recuperou nenhuma chave privada. Antes do desafio, os agentes fizeram bilhões de consultas a um serviço simulado de assinaturas. Depois que o acesso terminou, eles calcularam a raiz matemática necessária para uma nova assinatura. Em 6 de novembro, um pesquisador da empresa anunciou o experimento no X como a reprodução isolada de uma instância já resolvida.

Agentes executaram o teste sob supervisão humana

O pesquisador humano escolheu o problema, a instância e os limites do serviço de assinaturas. Além disso, ele aprovou as condições para etapas irreversíveis. O documento afirma que o pesquisador não escreveu código, iniciou tarefas computacionais ou diagnosticou falhas. Ainda assim, as barreiras de aprovação definidas por humanos permaneceram ativas durante a execução.

Um agente supervisor administrou o projeto, os orçamentos e as verificações. Enquanto isso, um agente executor escreveu e testou códigos, iniciou trabalhos distribuídos e corrigiu erros. Depois, o supervisor recrutou um subagente especializado para acelerar uma etapa de álgebra linear. Ao todo, os sistemas produziram cerca de 33.500 novas linhas de código.

Os agentes executaram 336 experimentos distribuídos e trocaram 218 mensagens entre si. Contudo, a primeira raiz calculada estava errada devido a um estouro em um deslocamento de 32 bits. Uma verificação de correção identificou o problema. Em seguida, os agentes localizaram e corrigiram a falha sem repetir as consultas antecipadas ao serviço de assinaturas.

Economia de CPU não representa quebra do RSA atual

O estudo registrou 391 anos de núcleo de CPU para concluir a computação. Em comparação, uma equipe anterior havia informado cerca de 1.380 anos de núcleo para a mesma instância e o mesmo algoritmo. Assim, a DeepMind reduziu em aproximadamente 3,5 vezes o uso medido de CPU. No entanto, esse total não inclui o trabalho em GPUs nem as sondagens preliminares.

A pesquisa acadêmica anterior durou cerca de cinco meses. Já a nova execução exigiu 3,2 dias entre o primeiro trabalho de peneiramento em escala total e a verificação da raiz. No pico, a operação utilizou aproximadamente 300 mil núcleos de CPU e 16 GPUs. Conforme os autores, o paralelismo explica principalmente a diferença no tempo de calendário.

As mudanças de implementação e execução geraram a economia de CPU dentro do algoritmo existente. Entretanto, as equipes utilizaram hardwares diferentes, o que impede uma comparação controlada direta. Além disso, a conta de 391 anos de núcleo exclui cerca de 330 horas reservadas de GPU, com aproximadamente 100 horas ocupadas. Por sua vez, o cálculo também desconsidera 7,5 anos de núcleo usados em sondagens e ensaios.

Estrutura do experimento limitou o alcance do resultado

Um programa separado, que mantinha a fatoração do módulo, respondeu a cerca de 4 bilhões de consultas antecipadas. Depois, a equipe retirou esse programa antes do sorteio do alvo. Sem novas consultas, os agentes calcularam a raiz correspondente ao alvo. Dessa forma, a reprodução não demonstrou uma quebra de chaves privadas nem uma ameaça aos sistemas RSA implantados com 2048 bits ou mais.

O experimento também não demonstrou o novo algoritmo proposto para acessos mais restritos a assinaturas em tamanho criptográfico. Porém, um estudo sobre Fan Factories estima custos cerca de 30 vezes menores por alvo adicional de 1024 bits. Contudo, a projeção depende de pré-computação compartilhada equivalente a uma fatoração geral por peneiramento de campos numéricos. Como as estimativas são heurísticas e de primeira ordem, nenhuma fan factory chegou à fase de implementação.

O trabalho comparado usou o mesmo módulo, algoritmo, polinômios e limites de base de fatores da computação acadêmica original. Ainda assim, o documento identifica os modelos principais apenas como A e B. O material também não disponibiliza um repositório público da implementação. Portanto, a ausência desses detalhes limita comparações independentes sobre os ganhos relatados.

	Receba nossas últimas notícias em primeira mão.   Adicione-nos como sua fonte preferida no Google    e toque em “Favorito” para priorizar nossas atualizações.