行业观察

AI 破解 RSA?拆穿标题,看清 DeepMind 那篇论文真正做了什么

AI 破解 RSA?拆穿标题,看清 DeepMind 那篇论文真正做了什么 2026 年 11 月 5 日,Google DeepMind 发布工作论文《Fan Factories: Multiple Number Fields in Factorization Factories and Batch NFS》。媒体标题炸了:「AI 破解 RSA」「密码学末日」。真相是:论文改进了大数分解算法的效率常数,论文明确写「不威胁 2048 位及以上的 RSA」。 这不是密码学末日,这是 AI 辅助数学的又一个里程碑。

AI 破解 RSA?拆穿标题,看清 DeepMind 那篇论文真正做了什么

2026 年 11 月 5 日,Google DeepMind 发布工作论文《Fan Factories: Multiple Number Fields in Factorization Factories and Batch NFS》。媒体标题炸了:「AI 破解 RSA」「密码学末日」。真相是:论文改进了大数分解算法的效率常数,论文明确写「不威胁 2048 位及以上的 RSA」。

这不是密码学末日,这是 AI 辅助数学的又一个里程碑。

1. 媒体标题 vs 一手来源:逐条核实

媒体声明 一手来源原文 证据级别
「AI 破解了 RSA」 论文改进的是数域筛法(NFS)的效率常数 c,从 1.9019 降到 1.7929 A(论文 Abstract)
「RSA 不再安全」 「Our results do not threaten deployed cryptosystems today that are based on 2048-bit and larger RSA.」 A(论文第 1 页脚注)
「AI 自主发现的突破」 「The results were obtained with a two-agent AI harness: one model generated the proofs, and a second model verified them.」 A(论文 Abstract)
「1024 位 RSA 被攻破」 论文讨论的是 1024 位整数的理论成本降低,1024 位 RSA 2013 年后已被淘汰 A(论文 Section 4)

结论:媒体标题是标题党,论文本身是扎实的数论工作。

2. 论文到底做了什么

2.1 数域筛法(NFS)是什么

数域筛法(Number Field Sieve, NFS)是分解大整数的最快经典算法,也是分解 RSA 模数的标准方法。

它的启发式运行时间可以粗略写成:指数里的常数 c,乘上 (ln N)^(1/3) 与 (ln ln N)^(2/3) 的乘积,再取指数。

其中 c 是常数,进展的衡量标准就是降低 c——c 降一点,运行时间就成指数级下降,而且 N 越大省得越狠。

2.2 33 年没人动过的常数

算法 常数 c 年份
标准 GNFS 1.923 1993
Coppersmith MNFS 1.9019 1993
DeepMind Fan Factory 1.7929 2026

从 1993 年到 2026 年,33 年没人改进这个常数。

2.3 DeepMind 的新方法:Fan Factory

论文提出的「fan factory」方法:

  • 给每个待分解整数配一族数域(a fan of number fields),而不是单个多项式
  • 所有数域共享一次有理侧预计算
  • 同样预算下,c 降到 1.7929

改进幅度:

指标 数值
常数降低 从 1.9019 → 1.7929,降低 0.109
1024 位整数成本 做一次预计算后,每多分解一个 key 的成本只有单独硬算的约 1/58
相比 MNFS 成本降低约 30 倍

2.4 亮点在方法本身

论文的真正亮点不是「破解 RSA」,而是方法本身:

亮点 说明
双智能体 AI harness 一个模型生成证明,另一个模型验证
Lean 4 机器检验 核心代数恒等式全部用 Lean 4 形式化验证
闭式解 对每个预计算预算,给出每个整数的最小成本(closed form)

这是 AI 辅助数学的典型案例:AI 不是直接「破解」,而是帮助数学家发现了几十年没人找到的优化路径。

3. 为什么媒体炸了:三件事被混成一锅

2026 年下半年,三件与「大数分解」相关的事在同期发生,被媒体混为一谈:

事件 时间 性质 与 AI 的关系
DeepMind Fan Factories 论文 2026-11-05 算法改进(改常数 c) ✅ AI 辅助产出
RSA-260(863 位)被分解 2026-09 RSA 挑战纪录 ⚠️ 未核实是否用了 AI
量子侧资源估算 eprint 2026/2665 2026-10-30 量子路线(Shor 算法) ❌ 与 AI 无关

3.1 RSA-260:挑战纪录,不是 AI 突破

  • 2026 年 9 月,RSA-260(863 位十进制数)被分解
  • 这是 RSA 分解挑战的最新纪录(之前的纪录是 RSA-250,829 位)
  • HN 有帖子讨论,但未核实是否用了 AI
  • 863 位远小于 2048 位(617 位十进制),对在用 RSA 无影响

3.2 量子侧:eprint 2026/2665

  • 标题:「Shor's algorithm compiled on cat qubits: 22,593 qubits for RSA-2048 in 3.14 days」
  • 这是量子计算路线,用 Shor 算法分解 RSA-2048
  • 估计需要约 2.26 万个 cat qubits,运行 3.14 天
  • 与 AI 无关,是量子硬件的资源估算

3.3 媒体怎么混的

标题 问题
「AI 破解 RSA」 把 DeepMind 论文说成「破解」
「RSA-260 被分解,AI 立功?」 把挑战纪录和 AI 强行关联
「量子+AI,RSA 末日」 把量子估算和 AI 混为一谈

真相:三件事独立发生,只有 DeepMind 论文与 AI 相关,且论文自己说「不威胁 2048 位 RSA」。

4. 对现实安全的影响:几乎零

4.1 Fan Factory 的适用场景

Fan factory 只在以下场景有意义:

条件 说明
批量分解 要分解大量同尺寸密钥
预计算 能承受一次天文数字预计算(论文说「一次 GNFS 运行的成本」)
目标位数 1024 位整数(2048 位不受影响)

4.2 1024 位 RSA 早已淘汰

年份 建议
2013 NIST 建议最低 2048 位
2026 当前在用的是 2048 位、4096 位

1024 位的成本降低,对在用系统无影响。

4.3 2048 位 RSA 不受威胁

论文明确写:

「Our results do not threaten deployed cryptosystems today that are based on 2048-bit and larger RSA.」

翻译:我们的结果不威胁当今基于 2048 位及更大 RSA 的部署密码系统。

5. 真正的信号:AI 辅助数学的里程碑

5.1 AI 在攻克「几十年没人推进的硬问题」

Fan factory 的意义不在「破解 RSA」,而在:

意义 说明
33 年突破 没人改进的常数,被 AI 辅助的数学家改进了
方法创新 给每个整数配一族数域,而不是单个多项式
机器验证 Lean 4 形式化验证,零人为错误

5.2 与 OpenAI、Anthropic 的数学工作呼应

这和近期几件事是同一波:

事件 时间 内容
OpenAI 721 篇数学手稿 2026-10 内部模型产出,373 个结果家族,约 42% 顶层结果形式化
Anthropic formal-math 仓库 2026-11 公开三个 Lean 4 形式化项目(zeta23、3sum-apsp、eth)
莱顿宣言 2026-11 16 位数学家联合警告 AI 在数学中的「严重错位」,25 位菲尔兹奖得主联名

共同点:AI 正在以前所未有的速度生成数学证明——但数学界正在以前所未有的力度反思。

5.3 我的评估(标注为分析)

Fan factory 的真正意义:

维度 评估
不是「破解 RSA」 而是 AI 辅助数学的又一个案例
不是密码学末日 而是数论研究的正常进展
真正的信号 AI 正在帮助数学家攻克「几十年没人推进的硬问题」

对密码学的影响:

时间尺度 影响
短期(5-10 年) 零影响,2048 位 RSA 不受威胁
中期(10-20 年) 可能推动后量子密码迁移加速(但主因是量子计算,不是 AI)
长期(20+ 年) AI 辅助数学可能持续改进算法常数,但是否能突破 2048 位未知

对 AI 的影响:

趋势 说明
从玩具到硬问题 AI 辅助数学正在从「玩具问题」走向「硬问题」
标准范式 双智能体 harness + Lean 4 验证的模式,可能成为 AI 数学研究的标准范式
数学界反思 莱顿宣言值得重视:AI 生成的证明,数学家能否理解?

6. 为什么降低常数 c 这么值钱

核心直觉:c 是指数里的乘数,不是加数。

环节 说明
常数降幅 从 1.9019 降到 1.7929,看着只降 0.109(约 5.7%)
实际杠杆 因为 c 在指数里,省下的是指数倍,且随 N 增长越来越夸张
具体尺寸 在 1024 位上,论文算出约 1/58(省 58 倍),相比 MNFS 是 30 倍

更关键的是「摊薄」结构:

成本项 数量
预计算(有理侧筛) 一次 GNFS 运行
每个后续整数 约 1/58 次 GNFS 运行

预计算是一次性的、大到没人愿意做;但一旦做完,之后每个 key 的边际成本被压到极低。这就是论文标题里 "factories"(工厂)的含义——把一次性成本变成摊销后的批量成本。

这也解释了论文为什么要给 batch 单独一个定理: 如果你有 M 个同尺寸密钥要分解、不做预计算而是一起分解(batch NFS),每个整数的指数最多只改善 0.018,比预计算模式小一个数量级。批量优势几乎全部来自预计算的摊薄,而不是批量本身。

7. 接下来该盯什么

该盯的 为什么
论文正式版与完整证明 当前是 Working Paper,完整版会给出全部证明、算法与 Lean 源码
预计算到底有多贵 论文说「约一次 GNFS 运行」,但 1024 位上 GNFS 的实际成本需要工程估算
是否有独立复现 Lean 4 证明是形式化的,算法实现与性能仍需第三方验证
AI harness 的细节 谁写的证明、谁验证、失败率多少——这决定方法能否复制到别的领域
1024 位以下 更小的整数(如 RSA-768)本来就更弱,改进幅度可能更大,但仍不改变 RSA 现状

最后一个冷静判断:

即便 1024 位成本降到 1/58,攻击者的现实收益也很有限——现实中的 RSA 密钥都是 2048 位或更大,而 fan factory 在那个尺寸上的收益远小于 1/58。它对「批量分解同一尺寸的 1024 位密钥」这个窄场景有意义,对现实威胁接近于零。

8. 资料来源

来源 链接 核实状态
DeepMind Fan Factories 论文 https://storage.googleapis.com/deepmind-media/papers/Fan_Factories_Multiple_Number_Fields_in_Factorization_Factories_and_Batch_NFS.pdf ✅ 一手核对
HN 讨论:Fan Factories https://hn.algolia.com/api/v1/search?query=Fan%20Factories ✅ 一手核对
HN 讨论:RSA Factoring Challenge https://hn.algolia.com/api/v1/search?query=RSA%20Factoring%20Challenge ✅ 一手核对
arXiv 2608.21986: AI Grinding for Fun and Cryptanalysis https://arxiv.org/abs/2608.21986 ✅ 一手核对
eprint 2026/2665: Shor's algorithm on cat qubits https://eprint.iacr.org/2026/2665 ⚠️ 仅确认标题
Bruce Schneier: The Future of AI Cryptanalysis https://www.schneier.com/blog/archives/2026/10/the-future-of-ai-cryptanalysis.html ⚠️ 仅确认存在,细节未取得

9. 一句话总结

「AI 破解 RSA」是媒体标题党。真相是 DeepMind 用 AI 改进了大数分解算法的常数,论文明确说「不威胁 2048 位 RSA」。这不是密码学末日,这是 AI 辅助数学的又一个里程碑——33 年没人改进的常数,被 AI 辅助的数学家改进了。

◆ 本文内容仅代表作者观点,不构成投资或采购建议。
分享这篇文章 邮件