آیا Claude و ChatGPT واقعاً رمز انیگما را شکستند؟

این خبر در نگاه اول ممکن است شبیه بازگشت دوباره داستان آلن تورینگ و شکستن Enigma باشد؛ اما از نظر فنی تفاوت مهمی وجود دارد. این پیام‌ها در شرایط جنگ جهانی دوم، زمانی که اطلاعات بسیار کمتری درباره تنظیمات ماشین در دسترس بود، رمزگشایی نشدند و سال‌ها بعد نیز در آرشیوهای رمزنگاری باقی ماندند. در مورد پیام Astra، مدل نه‌فقط عملیات رمزگشایی، بلکه بخش‌هایی از پژوهش تاریخی، جست‌وجوی آرشیوی، ساخت شبیه‌ساز و اجرای آزمایش‌های رمزنگاری را نیز انجام داد. در مورد Claude نیز پژوهشگر انسانی سرنخ‌های بیشتری در اختیار مدل گذاشت. بنابراین اتفاق اصلی فقط شکستن انیگما نیست؛ بلکه نمایش یک الگوی جدید از پژوهش عامل‌محور (Agentic Research) است که انسان مسئله را تعریف می‌کند، مدل منابع و فرضیه‌ها را بررسی می‌کند، کد می‌نویسد، آزمایش انجام می‌دهد و نتیجه را با شواهد مستقل تطبیق می‌دهد.

چرا انیگما مهم بود؟

ماشین‌های انیگما مجموعه‌ای از روتورها، سیم‌کشی داخلی، صفحه اتصال یا Plugboard و تنظیمات متغیر را برای تبدیل هر حرف ورودی به حرفی دیگر به کار می‌بردند. به همین دلیل، بدون دانستن تنظیمات صحیح، یک پیام کوتاه می‌توانست عملاً به رشته‌ای نامفهوم از حروف تبدیل شود.

در جریان جنگ جهانی دوم، تیم‌های رمزنگاری متفقین با رهبری نابغه ریاضی، آلن تورینگ توانستند با ترکیبی از ریاضیات، تحلیل الگو، اطلاعات عملیاتی و ماشین‌های الکترومکانیکی مانند Bombe بخش مهمی از ارتباطات انیگما را رمزگشایی کنند. بااین‌حال، همه پیام‌های تاریخی باقی‌مانده حل نشدند.

مروری بر زندگی آلن تورینگ؛ پدر علم کامپیوتر و هوش مصنوعی

بخشی از مشکل پیام‌های حل‌نشده، نه لزوماً پیچیدگی فوق‌العاده رمز، بلکه کیفیت ناقص داده‌های تاریخی بود. عواملی مانند رونویسی اشتباه، حروف نامطمئن، خطاهای اپراتورها یا فقدان اطلاعات جانبی می‌توانست یک پیام را از دسترس روش‌های استاندارد خارج کند. یکی از مهم‌ترین آرشیوهای عمومی این پیام‌ها توسط Frode Weierud، پژوهشگر باسابقه رمزنگاری، در وب‌سایت Crypto Cellar نگهداری می‌شود.

تا پیش‌ازاین موج جدید، تعدادی از پیام‌های انیگما همچنان حل‌نشده باقی مانده بودند. طبق گزارش Weierud که در ۲۵ سپتامبر منتشر شد، پس از دو موفقیت اخیر، هفت پیام انیگما همچنان در فهرست پیام‌های حل‌نشده قرار دارند و یک مورد دیگر نیز متن آشکارش مشخص است اما کلید یا تنظیمات رمز آن هنوز شکسته نشده است.

پرونده اول؛ GPT-6 Astra و پیام MVUEH

یکی از جالب‌ترین موارد، پیامی با شناسه MVUEH است؛ یک پیام ۸۲ حرفی متعلق به ارتش آلمان در ۱۰ ژوئیه ۱۹۴۱ که از سال ۲۰۰۵ در آرشیو Crypto Cellar به‌عنوان حل‌نشده باقی مانده بود.

«کارتر لفن» (Carter Leffen)، توسعه‌دهنده‌ای که این آزمایش را انجام داد، مسئله را به GPT-6 Astra سپرد. دستور اولیه بسیار متفاوت با یک حمله کلاسیک brute-force بود: مدل مأمور شد در میان پیام‌های انیگما موجود، یک پیام حل‌نشده پیدا کند و تلاش کند آن را رمزگشایی کند. Astra در ادامه فقط یک الگوریتم آماده را اجرا نکرد؛ بلکه سراغ پژوهش آرشیوی رفت، اطلاعات زمینه‌ای را بررسی کرد، سرنخ‌های موجود در پیام‌های دیگر را کنار هم گذاشت، شبیه‌ساز انیگما ساخت و سپس کدهای لازم برای تحلیل رمز را نوشت. این بخش دقیقاً همان‌جایی است که داستان از «یک LLM که متن تولید می‌کند» فاصله می‌گیرد.

در رمزگشایی کلاسیک، یکی از مهم‌ترین ابزارها crib است؛ یعنی حدس یا سرنخی درباره بخشی از متن اصلی که احتمال می‌رود در پیام وجود داشته باشد. در مورد MVUEH، پیام دیگری از همان دوره و همان زمینه وجود داشت که قبلاً رمزگشایی شده بود. در آن پیام، نام مکان Rosenow آمده بود و همین اطلاعات می‌توانست به‌عنوان سرنخی برای آزمایش تنظیمات مختلف انیگما استفاده شود. این سرنخ را می‌توان یکی از عوامل مهم کاهش فضای جست‌وجو Astra دانست. Astra سپس مجموعه‌ای از تنظیمات و کلیدهای احتمالی را آزمایش کرد.

در نهایت متن رمزگشایی‌شده به این مضمون رسید:

“Please specify the route of march. I am in Rosenow, Rosenow. Immediate reply by radio.”
«لطفاً مسیر حرکت را مشخص کنید. من در Rosenow هستم، Rosenow. فوراً از طریق رادیو پاسخ دهید.»

متن انگلیسی دقیق منتشرشده در گزارش‌های مربوط به این پرونده، همین مضمون را تأیید می‌کند.

نکته مهم این است که این نتیجه صرفاً به‌عنوان یک خروجی مدل باقی نماند. Frode Weierud آن را بررسی کرد و در Crypto Cellar ثبت شد. یک بررسی مستقل نیز با استفاده از ciphertext آرشیو و یک شبیه‌ساز جداگانه توانسته است plaintext ادعاشده را دوباره تولید کند؛ یعنی نتیجه صرفاً بر اساس «به نظر می‌رسد این متن درست باشد» متکی نیست.

Astra دقیقاً چه کاری انجام داد؟

اگر فرایند را مرحله‌به‌مرحله ساده کنیم، می‌توان آن را چنین ترسیم کرد:

• انتخاب مسئله: انسان مشخص کرد که هدف، پیداکردن و حل یک پیام انیگما حل‌نشده است.
• تحقیق تاریخی: Astra اطلاعات مربوط به پیام، تاریخ، پیام‌های مجاور و منابع آرشیوی را بررسی کرد.
• پیداکردن سرنخ: مدل به دنبال اطلاعاتی گشت که بتواند فضای جست‌وجوی کلیدها و تنظیمات انیگما را محدود کند.
• ساخت ابزار: به‌جای اینکه صرفاً درباره رمزگشایی توضیح بدهد، شبیه‌ساز انیگما و کدهای موردنیاز برای آزمایش را ایجاد کرد.
• آزمایش فرضیه‌ها: تنظیمات مختلف، کلیدهای احتمالی و فرضیه‌های متفاوت آزمایش شدند.
• استخراج plaintext: پس از رسیدن به تنظیماتی که پیام را به متن آلمانی معنادار تبدیل می‌کرد، متن آشکار استخراج شد.
• اعتبارسنجی: نتیجه توسط پژوهشگر انسانی بررسی و در آرشیو Crypto Cellar ثبت شد.

به بیان دیگر، بخش قابل‌توجهی از کار Astra چیزی شبیه یک خط جریان پژوهشی خودکار بود، نه یک پرامپت ساده مانند «این کد را بشکن».

نقش انسان کجا بود؟

با وجود جذابیت داستان، توصیف آن به‌عنوان «Astra به‌تنهایی انیگما را شکست» دقیق نیست. انسان نیز چند نقش مهم داشت.

• اول، لفن مسئله را انتخاب و تعریف کرد. مدل خودش تصمیم نگرفته بود که سراغ MVUEH برود.
• دوم، داده اولیه و آرشیوهای مورداستفاده در اختیار مدل قرار گرفته بودند.
• سوم، در مسئله رمزنگاری، وجود یک crib یا سرنخ مناسب اهمیت زیادی دارد. در این پرونده، پیام‌های مرتبط و اطلاعات تاریخی نقش مهمی در کاهش فضای جست‌وجو داشتند.
• چهارم و مهم‌تر از همه، اعتبارسنجی نهایی توسط انسانی انجام شد. Frode Weierud نتیجه را بررسی کرد و صحت آن را در آرشیو تخصصی خود ثبت کرد. او همچنین تأکید کرده که Astra در مدت حدود دو روز، کاری را انجام داده که برای یک پژوهشگر انسانی می‌توانست هفته‌ها یا ماه‌ها زمان ببرد؛ البته این مقایسه مربوط به کل فرایند پژوهش و آرشیوی است، نه صرفاً زمان محاسبه رمز.

حتی یک ابهام مهم نیز باقی مانده است: Weierud در گزارش خود اشاره می‌کند که Astra در لاگ‌هایش به برخی پرونده‌های آرشیوی خارج از مجموعه عمومی Crypto Cellar اشاره کرده است. مشخص نیست مدل دقیقاً از چه مسیری به آن اطلاعات رسیده؛ احتمالاً این داده‌ها در جایی دیگر آنلاین بوده یا از آرشیوهای عمومی آلمان قابل‌دسترسی بوده‌اند.

پرونده دوم؛ Claude Opus 5 چه کرد؟

اگر ماجرای GPT-6 Astra را نمونه‌ای از یک حمله نسبتاً خودگردان بدانیم، پروندهClaude Opus 5  مسیر متفاوتی دارد. در اینجا، انسان از ابتدا مسئله را بسیار دقیق‌تر تعریف کرده و ابزارها و اطلاعات تاریخی بیشتری در اختیار مدل گذاشته بود. بااین‌حال، بخش مهمی از فرایند تحلیل، آماده‌سازی داده و جست‌وجوی کلید توسط Claude انجام شد.

پیام موردنظر با شناسه Nr. 285 FMNGI؛ یک پیام ۶۳ حرفی مربوط به ۳۱ ژوئیه ۱۹۴۱ که به ایستگاه رادیویی Quartermaster لشکر SS-Totenkopf ارسال شده بود. این پیام از نوع پیام‌های ورودی بود و به همین دلیل احتمال وجود خطا در متن رمز‌نگاری‌شده آن بالا بود؛ زیرا پیام‌های رادیویی آن دوره ممکن بود به دلیل شرایط بد مخابراتی، خطاهای مورس، اشتباه اپراتور یا حتی خطا هنگام رمزگذاری دچار تغییر شوند. این نکته برای فهم روش Claude مهم است؛ زیرا مسئله فقط پیداکردن تنظیمات Enigma نبود. خود داده‌ای که باید رمزگشایی می‌شد نیز ممکن بود اشتباه داشته باشد.

نقطه شروع Claude چه بود؟

تنها چند روز بعد از جنجال Astra، «جک ویلیز» (Jack Willis)، پژوهشگر حوزه امنیت سایبری، یک پیام حل‌نشده دیگر را با کمک Claude Opus 5 بررسی کرد. اینجا تفاوت مهمی با Astra وجود داشت. طبق گزارش TechCrunch، ویلیز اطلاعات و راهنمایی بسیار بیشتری به Claude داده بود. یکی از مهم‌ترین سرنخ‌ها، امضای شناخته‌شده یک افسر آلمانی بود که می‌توانست بخشی از موضوع زمینه پیام را مشخص کند. Claude از این اطلاعات برای هدایت فرایند رمزگشایی استفاده کرد و در نهایت توانست پیام را بشکند. نتیجه نیز برای بررسی در اختیار Weierud قرار گرفت. طبق توضیح Frode Weierud، این محیط شامل یک cryptanalytical workbench نوشته‌شده با Go، اطلاعات تاریخی موردنیاز و داده‌های مربوط به پیام بود. بنابراین Claude از صفر مجبور نبود ابزار رمزنگاری بسازد؛ بخشی از زیرساخت از قبل آماده شده بود.

این تفاوت بسیار مهم است. در پرونده Astra، مدل ابتدا تصمیم گرفت کدام پیام را بررسی کند، ابزارهای موردنیاز را توسعه داد و بعد وارد مرحله حل شد. در پرونده Claude، انسان مسئله را محدودتر کرده بود و یک «میز کار رمزنگاری» آماده در اختیار مدل گذاشته بود. اما از اینجا به بعد، Claude هنوز با یک مشکل جدی روبه‌رو بود. چون پیام از نوع دریافتی بود، احتمال خطا در ثبت رونویسی و حتی رمزگذاری وجود داشت؛ بنابراین ciphertext موجود الزاماً نسخه کاملاً سالمی از پیام اصلی نبود.

Claude در مرحله نخست، تصویر یک نسخه آرشیوی از پیام خروجی مرتبط با همان پیام را بررسی و آن را رونویسی کرد. نکته جالب این بود که مدل در مواردی که خواندن یک حرف قطعی نبود، به‌جای حدس‌زدن، ابهام را حفظ کرد. سپس برای کنترل کیفیت این رونویسی، آن را با پیام دیگری به نام ALQFI که پیش‌تر رمزگشایی شده بود و میان همان ایستگاه‌های رادیویی مبادله شده بود، مقایسه کرد.

اما سرنخ تعیین‌کننده، یک crib یا قطعه متن احتمالیِ plaintext بود. در پیام‌های مرتبط با افسر آلمانی Friedrich Hartjenstein، امضای او چندین بار با الگوهای مشابه ظاهر شده بود. از همین الگو، عبارت ۱۴ حرفی «XHARTJENSTEINX» به‌عنوان crib در اختیار فرایند رمزگشایی قرار گرفت. وجود X در دو طرف نام نیز با شیوه نگارش پیام‌های انیگما سازگار بود؛ زیرا برای جداسازی و علامت‌گذاری ساختار متن از X استفاده می‌شد. Crypto Cellar پیش‌تر نیز این امضا را به‌عنوان crib مفید در شکستن پیام‌های آلمانی مستند کرده بود.

از اینجا Claude وارد بخش محاسباتی شد. با استفاده از crib و ابزار رمزنگاری که ویلیز در اختیارش گذاشته بود، فضای تنظیمات احتمالی انیگما را جست‌وجو کرد تا تنظیماتی پیدا شود که ciphertext را به متنی سازگار با این سرنخ تبدیل کند. جست‌وجوی نهایی برای کلید تنها ۱۳ دقیقه و ۲۸ ثانیه روی یک سیستم مجهز به تراشه Apple M2 طول کشید.

بنابراین در این مورد، نمی‌توان گفت Claude بدون هیچ پیش‌فرض یا سرنخی یک پیام انیگما را از صفر شکست. مدل در اینجا بیشتر شبیه یک دستیار رمزنگار بسیار قدرتمند عمل کرده است؛ انسان دانش زمینه‌ای و سرنخ‌های اولیه را فراهم کرده و مدل فضای بزرگی از محاسبات، آزمون فرضیه‌ها و تحلیل را انجام داده است. این تفاوت مهم است؛ زیرا نشان می‌دهد موفقیت هوش مصنوعی الزاماً به معنای حذف نیروی انسانی متخصص نیست. در بسیاری از مسائل دشوار، ارزش اصلی ممکن است در ترکیب دانش انسانی + جست‌وجوی عامل‌محور + اجرای کد + تکرار سریع آزمایش‌ها باشد.

تفاوت دو پرونده؛ Astra در برابر Claude

اگر این دو ماجرا را کنار هم بگذاریم، تفاوت روشن‌تر می‌شود:

این مقایسه یک نتیجه مهم دارد: آنچه در این آزمایش‌ها جدید است، صرفاً توانایی انجام محاسبات نیست. کامپیوترهای معمولی نیز می‌توانند جست‌وجوی کلید انیگما را انجام دهند. نوآوری مهم‌تر، توانایی مدل در قرارگرفتن در حلقه‌ای است که از تحقیق ← فرضیه ← ابزار ← آزمایش ← نتیجه ← اصلاح فرضیه تشکیل شده است.

در مورد Claude، این حلقه با هدایت انسان شکل گرفت؛ در مورد Astra، بخش بیشتری از آن را خود مدل پیش برد. هر دو حالت نشان می‌دهند که LLMها می‌توانند در مسائل رمزنگاری تاریخی فراتر از یک «ماشین اجرای دستور» عمل کنند و شاید مهم‌ترین درس پرونده FMNGI همین باشد که گاهی ارزش هوش مصنوعی در کشف یک الگوریتم جدید نیست؛ در این است که بتواند دانسته‌های پراکنده یک متخصص را به یک فرایند عملی، تکرارشونده و سریع تبدیل کند.

یک وب‌سایت تعاملی برای بازسازی رمزگشایی MVUEH

پس از رمزگشایی پیام MVUEH، لفن یک وب‌سایت تعاملی اختصاصی برای مستندسازی این پرونده راه‌اندازی کرده است؛ صفحه‌ای که بیشتر از یک گزارش خبری، شبیه یک مطالعه موردی قابل‌بازتولید در رمزنگاری طراحی شده است. این پروژه توضیح می‌دهد که چگونه یک پیام ۸۲ حرفی ارتش آلمان، مربوط به ۱۰ ژوئیه ۱۹۴۱، با کمک GPT-6 Astra و چند عامل تخصصی موازی مورد بررسی قرار گرفت.

یکی از ویژگی‌های مهم mvueh-enigma-solved.carterl.chatgpt.site این است که نتیجه را فقط اعلام نمی‌کند، بلکه امکان مشاهده مسیر رمزگشایی را فراهم می‌کند. کاربر می‌تواند ماشین انیگما را در مرورگر بازسازی کند، تنظیمات بازیابی‌شده را وارد کند و حتی نحوه عبور جریان الکتریکی از روتورها، رفلکتور و پلاگ‌بورد را برای هر حرف مشاهده کند. برای پیام MVUEH، تنظیمات نهایی شامل روتورهای II–V–III، رینگ‌های HMF، نقطه شروع بدنه RWD و مجموعه‌ای از جفت‌های پلاگ‌بورد است.

اما بخش مهم‌تر، مستندسازی روش تحقیق است. پژوهشگران ابتدا اختلاف میان نسخه‌های موجود از پیام و حروف نامطمئن در سند آرشیوی را ثبت کردند و پیش از کشف پاسخ، ۱۲ موقعیت مبهم را به‌صورت مجموعه‌ای از گزینه‌های محدود تعریف کردند. سپس آزمایش‌های اولیه با کلیدهای شناخته‌شده و برخی فرضیات دیگر شکست خورد. این شکست‌ها باعث شد روش جست‌وجو تغییر کند، نه اینکه نتیجه دلخواه به داده‌ها تحمیل شود.

نقطه عطف، استفاده از عبارت ROSENOWROSENOW از یک پیام رمزگشایی‌شده مرتبط بود. این عبارت ۱۴ حرفی به‌عنوان crib وارد جست‌وجو شد؛ اما ۶۸ حرف باقی‌مانده پیام به مدل داده نشدند و باید مستقل از این سرنخ به‌عنوان متن معنادار ظاهر می‌شدند. جست‌وجو در محدوده اعلام‌شده شامل ۴۳۰۱۶ واحد و حدود ۴.۲۹ میلیارد ترکیب بود و در نهایت کلید به‌دست‌آمده هم پیام اصلی و هم هدر مستقل آن را توضیح داد.

سایت همچنین یک نکته مهم درباره اعتبارسنجی دارد. کلید در دو پیاده‌سازی مستقل انیگما بازتولید شده، جست‌وجوی برنده دوباره اجرا شده و یک ابزار مستقل برای بررسی نتیجه ارائه شده است. بااین‌حال، خود پروژه تأکید می‌کند که این اتفاق شکستن عمومی انیگما یا نخستین شکست تاریخی آن نیست؛ بلکه بازیابی یک پیام مشخص تحت مجموعه‌ای از فرضیات مستند است. حتی برخی جزئیات تاریخی، مانند خوانش نام امضاکننده و مکان دقیق Rosenow، همچنان قطعی نیستند.

در نتیجه، ارزش اصلی این وب‌سایت فقط نمایش plaintext نیست؛ بلکه نشان می‌دهد Astra چگونه در یک فرایند پژوهشی چندمرحله‌ای، همراه با ابزارهای محاسباتی، داده تاریخی و اعتبارسنجی مستقل، به حل یک مسئله رمزنگاری تاریخی کمک کرده است.

یک سوءتفاهم مهم: «آیا Astra وClaude  رمز انیگما را شکستند؟»

این عبارت کمی گمراه‌کننده است. انیگما دهه‌ها قبل توسط رمزنگاران انسانی و ماشین‌های تخصصی شکسته شده بود. آنچه اکنون اتفاق افتاده، رمزگشایی چند پیام خاص و باقی‌مانده‌ای است که هنوز حل نشده بودند.

این دو موضوع تفاوت زیادی دارند. اگر کسی یک سیستم رمزنگاری را از نظر نظری بشکند، یعنی روش عمومی برای استخراج کلید یا plaintext ارائه کرده باشد، با حالتی که یک پیام تاریخی مشخص را با کمک سرنخ‌های جانبی رمزگشایی می‌کند، یکسان نیست. در مورد MVUEH، پیام کوتاه بود، اطلاعات تاریخی مرتبط وجود داشت و سرنخ‌هایی از پیام‌های دیگر نیز قابل‌استفاده بودند. بنابراین موفقیت Astra را نباید به معنای شکست عمومی تمام ساختار انیگما تلقی کرد.

آیا این اتفاق خطری برای رمزنگاری مدرن است؟

دست‌کم از این آزمایش‌ها چنین نتیجه‌ای به دست نمی‌آید. انیگما یک سامانه رمزنگاری الکترومکانیکی متعلق به دهه‌های ۱۹۳۰ و ۱۹۴۰ است. رمزنگاری مدرن، مانند الگوریتم‌های مورداستفاده در سامانه‌های بانکی، ارتباطات امن و زیرساخت‌های اینترنتی، بر ساختارهای ریاضی و محاسباتی کاملاً متفاوتی تکیه دارد. آنچه در پرونده انیگما جذاب است، بیشتر روش حل مسئله است تا قدرت brute-force خام.

مدل می‌تواند اسناد تاریخی را جست‌وجو کند، اطلاعات پراکنده را کنار هم قرار دهد، کدنویسی کند، شبیه‌ساز بسازد، فرضیه ایجاد کند، فرضیه را آزمایش کند، نتیجه ناموفق را کنار بگذارد، آزمایش جدید طراحی کند و در پایان، نتیجه را با یک منبع مستقل مقایسه کند. این همان چیزی است که یک LLM را از یک «چت‌بات پاسخ‌گو» به یک عامل پژوهشی نزدیک می‌کند.

نکته مهم‌تر از خود انیگما

شاید مهم‌ترین بخش این ماجرا خود پیام‌های جنگ جهانی دوم نباشد. اگر روندهای کاری مربوط به Astra و Claude را کنار هم بگذاریم، الگوی جدیدی از کار با AI دیده می‌شود.

• در مدل قدیمی:
  انسان ← سؤال ← مدل ← پاسخ
• اما در مدل جدید:
  انسان ← مسئله ← عامل هوش مصنوعی ← جست‌وجو ← فرضیه ← کدنویسی ← آزمایش ← شکست ← اصلاح ← آزمایش مجدد ← نتیجه ← اعتبارسنجی انسانی

این تفاوت بسیار مهم است. Astra در پرونده MVUEH صرفاً دانشی را که قبلاً در مدل ذخیره شده بود بازیابی نکرد؛ بلکه برای حل مسئله مجبور شد ابزار بسازد و آزمایش انجام دهد. Claude نیز با استفاده از سرنخ تاریخی ارائه‌شده توسط پژوهشگر، فرایند رمزگشایی را پیش برد. به همین دلیل، این اتفاق را می‌توان یکی از نمونه‌های جالب AI-assisted discovery دانست؛ جایی که مدل نه جایگزین کامل متخصص، بلکه موتور اجرای بخش بزرگی از چرخه تحقیق است.

پس واقعاً چه کسی انیگما را حل کرد؟

انسان مسئله را انتخاب کرد، داده و سرنخ در اختیار سیستم قرار گرفت، مدل بخش قابل‌توجهی از جست‌وجو و محاسبه را انجام داد و متخصص انسانی نتیجه را بررسی و تأیید کرد. در مورد Astra، استقلال مدل در پژوهش آرشیوی و ساخت ابزار چشمگیرتر بود. در مورد Claude، راهنمایی انسانی بیشتری وجود داشت. بنابراین این دو پرونده را نباید به‌عنوان یک آزمایش کنترل‌شده برای مقایسه توانایی دو مدل تلقی کرد. ارزش واقعی این اتفاق جای دیگری است؛ آنجایی که مرز بین «پاسخ‌دادن» و «تحقیق‌کردن» در حال جابه‌جاشدن است.

در گذشته، اگر یک پژوهشگر با یک مسئله تاریخی چندلایه مواجه می‌شد، باید ساعت‌ها آرشیوها را جست‌وجو می‌کرد، برنامه‌های تخصصی می‌نوشت، شبیه‌ساز تولید می‌کرد و هزاران فرضیه را آزمایش می‌کرد. اکنون یک عامل هوش مصنوعی می‌تواند بخش بزرگی از این زنجیره را خودش اجرا کند.

شاید به همین دلیل باشد که داستان این دو پیام انیگما، بیش از آنکه درباره جنگ جهانی دوم باشد، درباره آینده پژوهش است. هوش مصنوعی در حال حرکت از ابزار پاسخ‌گویی به سمت عاملی است که می‌تواند یک مسئله مبهم را بگیرد، مسیر تحقیق را بسازد، ابزار موردنیازش را ایجاد کند و برای رسیدن به پاسخ، بارها آزمایش کند.

البته تا زمانی که مسیر دسترسی مدل به داده‌ها، کدها، سرنخ‌ها و نتایج مستقل به طور کامل مستند نشود، ادعای «حل مستقل» باید بااحتیاط بیان شود. اما همین سطح از عملکرد، حتی با حضور متخصص انسانی در حلقه، نشان می‌دهد که استفاده از هوش مصنوعی در پژوهش‌های پیچیده وارد مرحله‌ای متفاوت شده است و در مورد انیگما، فعلاً هفت پیام حل‌نشده دیگر باقی مانده است.