Google DeepMind 表示，兩個人工智慧智能體在 3 天 22 小時內完成一項已知的 1024 位 RSA 相關計算。從撰寫、測試程式碼，到執行分散式運算及排查故障，研究人員約傳送 20 則訊息，主要用於審批。這項實驗展示智能體在人工設定任務與資源界限後，能推進複雜計算；但它並未驗證論文提出的新理論算法，也不表示現行主流 RSA 系統已面臨直接威脅。
復現已知的 RSA 簽章計算
測試聚焦於 RSA 數位簽章。實驗中，一個模擬簽章服務在目標確定前，接受了約 40 億次預先查詢；服務隨後停止，智能體在無法繼續查詢的情況下，計算出產生新簽章所需的一個數學根。研究並未還原私鑰。
DeepMind 研究人員 Pushmeet 於 11 月 6 日介紹這項工作。論文將測試描述為在沙盒環境中復現一個先前已解決的基準案例，並指出，結果不會威脅採用 2048 位或更長 RSA 金鑰的已部署密碼系統。
CPU 用量較低，但硬體條件不同
工作論文記錄，這次計算使用 391 個 CPU 核心年，低於團隊先前以相同案例和算法完成計算時約 1,380 個 CPU 核心年的用量。按論文數字計算，CPU 用量約減少 3.5 倍。不過，兩次計算使用的硬體不同，並非嚴格的同條件測試；這項數字也不等於總財務成本。
391 個 CPU 核心年的統計未計入 GPU 工作，也不包含約 7.5 個核心年的前期探測與演練。實驗另預留約 330 小時 GPU 時間，其中約 100 小時處於忙碌狀態。DeepMind 表示，從首次啟動全規模篩選任務到驗證結果，約耗時 3.2 天，運算高峰動用了約 30 萬個 CPU 核心及 16 張 GPU。相較於先前約五個月的日曆時間，研究人員將主要差異歸因於平行運算能力。
智能體分工，人工把關關鍵步驟
研究人員負責選定問題、具體案例，以及簽章服務的限制，並在不可逆操作前批准相關條件。論文指出，研究人員沒有撰寫程式碼、啟動運算任務或診斷故障。
執行智能體負責撰寫和測試程式、啟動分散式任務及修復執行問題；監督智能體則追蹤設計、資源預算與檢查步驟，並呼叫一個專用子智能體，加快線性代數部分的處理。兩個智能體合計新增約 3.35 萬行程式碼，執行 336 次分散式實驗，並彼此交換 218 則訊息。
首次算出的數學根有誤，原因是一個 32 位元偏移量發生溢位。正確性檢查發現問題後，智能體找出並修正錯誤，沒有重新進行前置簽章查詢。從設計到驗證結果，整個流程耗時 3 天 22 小時；過程中約 20 則人工訊息及審批環節，也顯示這並非完全無人監督的作業。
CPU 節省不代表新算法獲得驗證
論文所報告的 CPU 用量下降，來自既有算法在實作與執行上的改進，並非此次實驗展示了適用於簽章存取條件更受限情況的新算法。另一篇關於「Fan Factories」的論文估算，若共享預計算成本約等同於一次通用數域篩選法的因數分解，每增加一個 1024 位目標的成本，可能比多重數域篩選法低約 30 倍。不過，這仍是漸近估算，目前尚無已實作的 Fan Factory。
工作論文沒有公開主要模型的具體名稱，只以 A 和 B 稱呼，也未連結公開的實作程式碼庫，因此外部研究人員目前難以獨立比較模型表現。解讀這次復現時，CPU 數字、GPU 資源及人工審批條件，都是理解實驗結果的重要界限。