Google DeepMind zufolge haben zwei KI-Agenten eine bereits gelöste Rechenaufgabe zu RSA-1024 in 3 Tagen und 22 Stunden abgeschlossen. Sie entwickelten und testeten Code, starteten verteilte Rechenläufe und behoben Probleme – unter menschlicher Aufsicht und mit festgelegten Ressourcenlimits. Das Experiment zeigt, dass Agenten komplexe Rechenarbeiten innerhalb solcher Vorgaben ausführen können. Es bestätigt jedoch weder einen neuen theoretischen Algorithmus noch eine unmittelbare Gefahr für verbreitete RSA-Systeme.
Bekannte Berechnung für eine RSA-Signatur
Im Mittelpunkt stand eine Berechnung zu digitalen RSA-Signaturen. Ein simulierter Signierdienst nahm zunächst rund 4 Milliarden vorbereitende Abfragen entgegen. Nachdem das Ziel festgelegt worden war, stoppte der Dienst weitere Abfragen. Die Agenten berechneten anschließend eine mathematische Wurzel, die für eine neue Signatur benötigt wurde – ohne weitere Anfragen an den Dienst. Den privaten Schlüssel stellten sie dabei nicht wieder her.
DeepMind-Forscher Pushmeet beschrieb die Arbeit am 6. November. Das Paper ordnet den Versuch als abgeschottete Wiederholung eines Benchmark-Falls ein, der bereits zuvor gelöst worden war. Das Ergebnis stelle keine Bedrohung für eingesetzte kryptografische Systeme mit RSA-Schlüsseln von 2.048 Bit oder mehr dar.
Weniger CPU-Zeit, aber kein direkter Vergleich
Laut Paper beanspruchte die Berechnung 391 CPU-Kernjahre. Bei einem früheren Lauf mit derselben Instanz und demselben Algorithmus hatte ein Team rund 1.380 Kernjahre benötigt. Auf Basis dieser Angaben entspricht das einer Verringerung um etwa den Faktor 3,5. Die Läufe nutzten allerdings unterschiedliche Hardware und sind daher nicht unmittelbar vergleichbar. Die Kennzahl bildet zudem nicht die gesamten finanziellen Kosten ab.
In den 391 Kernjahren sind GPU-Arbeit und rund 7,5 Kernjahre für erste Tests und Probeläufe nicht enthalten. Für das Experiment waren außerdem etwa 330 GPU-Stunden vorgesehen, von denen ungefähr 100 Stunden aktiv genutzt wurden. Zwischen dem Start der ersten vollständigen Siebphase und der Überprüfung des Ergebnisses vergingen nach Angaben von DeepMind rund 3,2 Tage. In der Spitze kamen etwa 300.000 CPU-Kerne und 16 GPUs zum Einsatz. Den Unterschied zu einem früheren Lauf, der rund fünf Kalendermonate dauerte, führten die Forscher vor allem auf die parallele Rechenkapazität zurück.
Menschen legten Grenzen fest, Agenten teilten die Arbeit auf
Die Forscher wählten das Problem und die konkrete Instanz aus, begrenzten den Signierdienst und genehmigten die Bedingungen vor nicht rückgängig zu machenden Schritten. Nach Angaben des Papers schrieben sie keinen Code, starteten keine Rechenjobs und analysierten keine Fehler.
Ein Ausführungsagent erstellte und testete Programme, startete verteilte Jobs und behob operative Probleme. Ein überwachender Agent behielt den Aufbau, das Ressourcenbudget und die Prüfungen im Blick. Für die Beschleunigung der linearen Algebra setzte er zudem einen spezialisierten Unteragenten ein. Zusammen ergänzten die beiden Agenten rund 33.500 Codezeilen, führten 336 verteilte Experimente aus und tauschten 218 Nachrichten aus.
Die zunächst berechnete mathematische Wurzel war falsch, weil ein 32-Bit-Offset überlief. Prüfungen erkannten den Fehler; die Agenten fanden die Ursache und korrigierten sie, ohne die vorbereitenden Signaturabfragen zu wiederholen. Vom Entwurf bis zur Verifikation dauerte der Prozess 3 Tage und 22 Stunden. Rund 20 Nachrichten und Freigaben durch Menschen zeigen zugleich, dass der Lauf nicht vollständig autonom ablief.
Keine Bestätigung eines neuen Algorithmus
Die gemeldete Verringerung des CPU-Aufwands beruht auf Verbesserungen bei der Umsetzung und Ausführung eines bestehenden Algorithmus. Einen neuen Algorithmus für strengere Bedingungen beim Zugriff auf Signaturen demonstrierte der Versuch nicht.
Eine separate Arbeit zu „Fan Factories“ schätzt, dass die Kosten für jedes weitere RSA-1024-Ziel nach einer gemeinsamen Vorberechnung – in etwa entsprechend einer Faktorisierung mit dem allgemeinen Zahlkörpersieb – rund 30-mal niedriger sein könnten als beim mehrfachen Zahlkörpersieb. Dabei handelt es sich um eine asymptotische Schätzung; eine Fan Factory wurde bislang nicht umgesetzt.
Das Arbeitspapier nennt die konkreten Hauptmodelle nicht, sondern bezeichnet sie lediglich als A und B. Auch auf ein öffentliches Repository mit der Implementierung verweist es nicht. Das erschwert unabhängige Vergleiche durch externe Forscher. Bei der Einordnung des Ergebnisses sind daher neben der ausgewiesenen CPU-Zeit auch der GPU-Einsatz und die erforderlichen menschlichen Freigaben zu berücksichtigen.