Matthew Green อ่านผลวิเคราะห์รหัสของ Anthropic แล้วแยกให้ชัด — ผลของ HAWK คือของจริงและน่าอาย ส่วนผล AES ใช้ในโลกจริงไม่ได้เลย

เมื่อวานเราเขียนถึงผลวิเคราะห์รหัส (cryptanalysis) ที่ Anthropic ประกาศออกมาจากการใช้ Claude Mythos — การลดความยากในการกู้กุญแจ HAWK-256 จาก 2^64 เหลือ 2^38 และการเร่งการโจมตี AES-128 แบบ 7 รอบให้เร็วขึ้น 200–800 เท่า วันที่ 29 กรกฎาคม 2026 Matthew Green นักเข้ารหัสจาก Johns Hopkins ผู้เขียนบล็อก A Few Thoughts on Cryptographic Engineering มาแล้ว — และนี่คือสิ่งที่ข่าวประเภทนี้ต้องการที่สุด: ผู้เชี่ยวชาญในสาขาที่มาแยกว่าอันไหนคือของจริง อันไหนคือของที่ถูกเล่าเกินจริง

คำตอบของเขาคือ ผลทั้งสองอันไม่ได้อยู่ในระดับเดียวกันเลย

HAWK: ของจริง และ “น่าอายนิดหน่อยสำหรับวงการ”

Green มองว่าผลของ HAWK สำคัญจริง แต่เหตุผลที่มันสำคัญไม่ใช่เพราะ AI คิดคณิตศาสตร์ใหม่ขึ้นมาได้ เขาเขียนว่า

“what makes this genuinely interesting — and, frankly, a little embarrassing for the field — is that none of the ingredients are exotic”

ส่วนประกอบทุกอย่างที่ใช้ในการโจมตีนี้เป็นเทคนิคที่มีอยู่แล้วทั้งหมด สิ่งที่โมเดลทำคือ การประกอบมันเข้าด้วยกัน — ไม่ใช่การประดิษฐ์ และประเด็นที่ “น่าอาย” คือ ถ้าส่วนผสมมีอยู่ครบแล้ว ทำไมมนุษย์ถึงไม่เห็นมาก่อน

ความสำคัญเชิงปฏิบัติอยู่ตรงที่ HAWK กำลังเดินหน้าเข้าสู่กระบวนการมาตรฐาน (standardization) ในฐานะอัลกอริทึมลายเซ็นดิจิทัลยุคหลังควอนตัม การมีผลแบบนี้ออกมาจึงกระทบต่อความน่าใช้ของมันจริง ๆ ไม่ใช่แค่เรื่องวิชาการ

AES: Green เบรกแรง

ส่วนผล AES ได้รับความกระตือรือร้นจากเขาน้อยกว่ามาก และเขาให้เหตุผลเป็นตัวเลข

ประเด็นแรก มันคือการโจมตี AES แบบ 7 รอบ เท่านั้น ขณะที่ AES ที่ใช้งานจริงมี 10–14 รอบ — เป็นคนละสิ่งกัน การลดรอบลงเพื่อศึกษาเป็นวิธีมาตรฐานในงานวิจัยเข้ารหัส แต่มันไม่ได้แปลว่า AES ที่คุณใช้อยู่อ่อนแอลง

ประเด็นที่สอง มันเป็นเพียงความคืบหน้าแบบขยับทีละนิดจากงานที่มีอยู่ตั้งแต่ปี 2013 ไม่ใช่การทะลุกำแพงอะไร

ประเด็นที่สาม และเป็นตัวปิดประตู: การโจมตีนี้ต้องใช้การดำเนินการรหัส 2^89 ครั้ง และ chosen plaintext 2^105 ชุด ซึ่ง Green สรุปสั้น ๆ ว่า

“neither of these things is remotely practical in the real world”

เพื่อให้เห็นภาพ — จำนวนเหล่านี้ไม่ใช่ “แพงแต่ทำได้ถ้ามีงบ” แต่คือตัวเลขที่เกินกว่าทรัพยากรคำนวณทั้งหมดที่มนุษย์มีอยู่หลายระดับ

ข้อควรระวังที่สำคัญที่สุด: ผลที่โมเดลพ่นออกมา ไม่ได้แปลว่ามันจริง

ส่วนที่ผมคิดว่ามีค่าที่สุดในบทความคือคำเตือนเรื่องการตรวจสอบ Green อธิบายว่า

“just because a model spits out an apparent new result, this does not mean the result is real”

และเขาแยกให้เห็นว่าผลสองประเภทตรวจสอบยากไม่เท่ากัน — การโจมตีแบบเต็มรูปแบบอย่าง HAWK ตรวจสอบได้ง่าย เพราะเขียนโค้ดแล้วรันดูได้ว่ากู้กุญแจได้จริงไหม แต่การปรับปรุงเชิงลึกแบบงาน AES ต้องอาศัยการตรวจทานโดยผู้เชี่ยวชาญและการพิสูจน์เชิงรูปนัย ถึงจะยืนยันได้ว่าถูกต้อง

ข้อนี้สอดคล้องกับสิ่งที่ Anthropic เองรายงานไว้ ซึ่งเราเขียนถึงเมื่อวาน: การค้นพบใช้เวลาราวหนึ่งสัปดาห์ แต่การตรวจสอบใช้นักวิจัยสองคนทำงานนานหนึ่งเดือน — อัตราส่วนที่กลับหัวจากที่หลายคนคาดหวังกับ “AI เร่งงานวิจัย”

บทสรุปโดยรวมของ Green คือ ความสามารถของ AI ในการวิเคราะห์รหัสกำลังก้าวหน้าเร็วจริง แต่ยังห่างไกลจากความฉลาดเหนือมนุษย์ และข้อจำกัดยังเห็นได้ชัดในสายตาผู้เชี่ยวชาญ

มุมมอง AI Curator

บทความนี้เป็นตัวอย่างของสิ่งที่ระบบข่าว AI ขาดแคลนที่สุดในตอนนี้ — ช่องทางตรวจสอบโดยคนที่รู้จริงในสาขานั้น ที่ทำงานเร็วพอจะทันรอบข่าว

ลองสังเกตโครงสร้างของสิ่งที่เกิดขึ้น: ห้องแล็บ AI ประกาศผลในสาขาเฉพาะทางที่มีคนบนโลกเข้าใจลึกจริง ๆ ไม่กี่ร้อยคน สื่อทั่วไปไม่มีทางแยกได้ว่า “2^38” กับ “AES 7 รอบ” ต่างกันอย่างไร พาดหัวจึงกลายเป็น “AI เจาะรหัสได้แล้ว” ภายในไม่กี่ชั่วโมง กว่าผู้เชี่ยวชาญจะเขียนคำอธิบายออกมา ข่าวเวอร์ชันผิดก็แพร่ไปทั่วแล้ว ครั้งนี้เราโชคดีที่ Green เขียนภายในวันสองวัน — แต่นี่คือความโชคดี ไม่ใช่ระบบ

สิ่งที่ผมอยากให้ผู้อ่านชาวไทยเก็บกลับไปมีสองข้อ

ข้อแรกเชิงปฏิบัติ: ยังไม่มีอะไรที่คุณต้องรีบทำกับระบบของคุณ AES ที่ใช้ใน TLS, ในดิสก์เข้ารหัส, ในแอปธนาคาร ไม่ได้อ่อนแอลงแม้แต่นิดเดียวจากงานนี้ ถ้าใครในองค์กรเอาข่าวนี้ไปเป็นเหตุผลเร่งซื้อโซลูชัน “quantum-safe” ด่วน ๆ ให้ชี้ไปที่ตัวเลข 2^105 ส่วนเรื่องที่ควรติดตามจริงคือ HAWK ซึ่งเป็นผู้สมัครในมาตรฐานหลังควอนตัม — และเป็นเรื่องของคณะกรรมการมาตรฐาน ไม่ใช่ของทีมพัฒนาแอป

ข้อสองเชิงโครงสร้าง และผมคิดว่าสำคัญกว่า: ยุคที่ AI ผลิตผลลัพธ์เชิงเทคนิคได้เร็วกว่าที่มนุษย์ตรวจสอบได้ กำลังทำให้ “การตรวจสอบ” กลายเป็นคอขวดใหม่ของวิทยาศาสตร์ ตัวเลขหนึ่งสัปดาห์ต่อหนึ่งเดือนจากงานของ Anthropic คือภาพย่อของปัญหานี้ ถ้าอัตราส่วนนี้ยังอยู่ สิ่งที่จะขาดแคลนในทศวรรษหน้าไม่ใช่ไอเดีย แต่คือผู้เชี่ยวชาญที่ลึกพอจะบอกได้ว่าไอเดียไหนจริง สำหรับไทยที่กำลังผลักดันกำลังคนด้าน AI นี่เป็นข้อคิดที่สวนทางกับกระแส — การลงทุนกับคนที่เชี่ยวชาญลึกในสาขาคลาสสิกอย่างการเข้ารหัส คณิตศาสตร์ หรือการพิสูจน์เชิงรูปนัย อาจมีค่ามากขึ้น ไม่ใช่น้อยลง ในโลกที่โมเดลเขียนคำตอบได้เก่งขึ้นทุกเดือน

แหล่งข่าว

• Some Notes About Anthropic’s New Results — Matthew Green (29 ก.ค. 2026)
• Discovering cryptographic weaknesses with Claude — Anthropic Research
• การพูดคุยบน Hacker News (29 ก.ค. 2026)