数据加密能否被AI破解?——一个被误读的威胁

一、一个被误读的威胁

2026年7月，一则新闻在网络安全领域引发震动：AI系统在约60小时内独自发现了两项密码学新攻击——将后量子数字签名方案HAWK的有效密钥强度从2⁶⁴降至2³⁸，并将AES-128七轮攻击速度提升200至800倍。与此同时，研究者利用Transformer架构尝试破解椭圆曲线加密（ECC），探索用现代语言模型架构逆向工程公钥与私钥之间的关联。

     这些进展似乎指向一个令人不安的结论：AI正在攻破加密的堡垒。然而，真相远比 headlines 复杂。数据加密能否被AI破解？这个问题的答案取决于我们如何定义“加密”、如何定义“破解”，以及我们谈论的是哪一种AI。

本文将从数据加密的技术原理出发，系统分析AI介入密码分析的前提条件、权限约束与算法适配性，力图对这一时代之问提供一个审慎而全面的回答。

二、数据加密的技术原理

2.1 加密的本质：从明文到密文的可逆变换

数据加密的本质，是将可读的“明文”通过特定的数学算法和密钥，转换为不可读的“密文”。加密算法主要包括对称加密、非对称加密和哈希摘要三大类，分别服务于数据保密、安全传输和完整性校验三种不同的安全需求。

加密算法的安全性建立在两个核心假设之上：算法的数学困难性——破解加密在计算上不可行；密钥的保密性——攻击者不知道密钥。当这两个假设同时成立时，加密便是安全的。而AI的介入，恰恰在同时挑战这两个假设——它既可能发现算法中的数学弱点，也可能通过侧信道等方式绕过密钥本身。

2.2 对称加密

对称加密是最古老也最高效的加密方式，其核心特征是加密和解密使用同一个密钥。正如一把钥匙既能锁门也能开门，对称加密的单一密钥需要发送方和接收方事先共享并妥善保管。

AES（高级加密标准） 是目前最广泛使用的对称加密算法，由美国国家标准与技术研究院于2001年确立。AES对128位的固定大小数据块进行操作，支持128、192和256位三种密钥长度。其工作原理基于代换-置换网络，通过多轮转换实现加密：字节代换、行移位、列混淆和轮密钥加。AES-128执行10轮，AES-192执行12轮，AES-256执行14轮。AES的吞吐量是RSA的1000倍以上，适合批量数据加密和磁盘加密。国家标准中的SM4与之类似，属于国产对称加密算法。

对称加密的优点是速度快、效率高，缺点是密钥分发困难——如何安全地将密钥传递给对方，本身就是一个“先有鸡还是先有蛋”的问题。

2.3 非对称加密：公钥与私钥的分离

非对称加密解决了对称加密的密钥分发难题。它使用一对数学上关联但不可互相推导的密钥：公钥用于加密，私钥用于解密。公钥可以公开，私钥必须保密。

RSA是最经典的非对称加密算法，其安全性建立在大整数质因数分解的数学困难性之上。虽然计算机可以轻松将两个大质数相乘，但在合理时间内反向分解乘积以找到原始因子，对经典计算机而言几乎是不可能的。前几年一般建议RSA密钥至少1024位，但由于GPU和超级计算机算力的提升，现在建议2048位甚至更高。

ECC（椭圆曲线加密） 是基于椭圆曲线离散对数问题的非对称算法。ECC能以远短于RSA的密钥长度（约1/6）提供同等的安全强度，因此在移动设备和物联网场景中优势明显。然而，非对称加密的致命缺点是慢——RSA的加密速度大致只有AES的三十分之一，因此不适合加密大量数据，通常用于密钥交换和数字签名。

2.4 哈希摘要：不可逆的“数字指纹”

哈希摘要与前两者有本质区别：加密是可逆的，哈希是不可逆的。哈希算法将任意长度的数据“压缩”成固定长度的摘要值（如SHA-256生成256位哈希），这个摘要就像是原始数据的“数字指纹”。哪怕原始数据只改动一个比特，哈希值也会面目全非。

哈希算法主要用于密码存储和数据完整性校验。但简单密码直接用MD5或SHA存储是不安全的——攻击者可以构建“彩虹表”，将常用密码与其哈希值对照，反查出原始密码。因此，现代系统通常采用“加盐”存储或BCrypt等专门设计的方式。

三、经典加密算法的安全边

3.1 数学困难性：加密安全的基石

经典加密的安全性并非绝对，而是建立在计算复杂性之上。对于RSA，破解意味着分解一个数百位的大整数——这个问题在数学上未被证明是“难”的，只是目前没有已知的高效算法。对于AES，最有效的攻击仍是穷举所有可能的密钥——2¹²⁸种可能性对于任何经典计算机都是天文数字。

这种“基于计算困难性”的安全模型有一个隐含的前提：攻击者的计算能力是有限的。而人工智能的出现，恰恰在重新定义“有限”的边界。

3.2 经典攻击方法及其局限

在AI之前，密码分析已经发展出一套成熟的方法论：暴力破解（穷举所有密钥）、差分分析（分析明文差异如何影响密文差异）、线性分析（寻找明文与密文之间的线性关系）、旁路攻击（利用算法实现中的物理泄漏）等。这些方法各有局限：暴力破解受限于算力，差分和线性分析受限于数据量，旁路攻击受限于物理访问条件。

AI的介入，并非创造了一种全新的攻击范式，而是极大地增强了上述经典方法的效率和自动化程度。

四、AI破解加密的技术前提

4.1 从“规则驱动”到“数据驱动”的范式转换

传统密码分析是“规则驱动”的——密码学家根据数学原理设计攻击策略。而AI密码分析是“数据驱动”的——神经网络从大量明文-密文对中自动学习加密模式，而不需要事先理解算法的数学结构。

这种范式转换带来了两个根本性的变化。第一，攻击的自动化：AI可以自主发现人类密码学家未曾注意的统计模式。第二，攻击的智能化：AI不仅能执行已知的攻击策略，还能通过强化学习等方式动态调整攻击路径。

4.2 AI学习加密需要什么？

AI破解加密的第一个前提是数据。深度学习模型需要大量的训练数据——明文-密文对、侧信道泄漏信号、或者加密算法的中间状态值。

研究表明，当AI模型在一致的加密条件下训练时（如使用相同的密钥或相同的轮数），针对SPECK32/64轻量级密码的攻击准确率可达约99%。在另一项研究中，BiLSTM模型能够以87.91%的准确率对AES、3DES、Blowfish和Twofish四种加密方案的密文进行分类。

然而，这些成果有一个共同特征：它们都是在高度受控的实验条件下取得的。在实际攻击场景中，攻击者通常不知道密钥、不知道加密算法、甚至不知道明文的格式。这种“信息缺失”极大地限制了AI的有效性。

4.3 算力前提

AI破解加密的第二个前提是算力。训练一个有效的神经密码分析模型，需要GPU集群进行数天甚至数周的运算。而在攻击阶段，模型推理虽然比传统暴力破解快得多，但仍需要相当的计算资源。

更重要的是，AI并不能从根本上改变加密算法的数学困难性。对于AES-256，即使AI能将密钥搜索效率提升数百倍，2²⁵⁶种可能性仍然是一个在物理上不可能完成的任务。AI的作用是将攻击从“不可能”变为“极其困难”，但“极其困难”在密码学中仍然等于“安全”。

五、权限问题

5.1 加密算法是公开的，密钥是保密的

理解“AI能否破解加密”，首先需要区分算法和密钥。在 Kerckhoffs 原则下，加密算法应当是公开的——安全性完全依赖于密钥的保密。这意味着：

· AI可以分析公开的算法，寻找数学上的弱点；

· AI无法“猜出”一个随机生成的256位密钥；

· AI可以通过侧信道等方式间接获取密钥信息。

这个区分至关重要。AI对加密的“破解”能力，在很大程度上取决于攻击者已经掌握了什么信息。

5.2 不同攻击场景下的权限差异

场景一：只有密文，没有其他信息。 这是最困难的攻击场景。在这种情况下，AI面对的就是一串看似随机的比特流。虽然研究显示AI可以在一定程度上识别密文所使用的加密算法，但从密文直接恢复明文——对于AES或RSA这样的现代算法——目前仍然是不可能的。

场景二：有部分明文-密文对。 这是“已知明文攻击”场景。如果攻击者知道某些明文及其对应的密文，AI可以尝试学习加密模式。但现代加密算法设计时已经考虑了这种攻击——AES和RSA在数学上被证明能够抵抗已知明文攻击。

场景三：可以物理接触加密设备。 这是侧信道攻击的场景，也是AI目前最有效的攻击路径。通过分析加密设备运行时的功耗、电磁辐射、运行时间等物理特征，AI可以恢复密钥信息。研究表明，基于深度学习的侧信道分析已经成为恢复密钥的有效工具。

场景四：可以诱导加密设备加密特定数据。 这是“选择明文攻击”场景。攻击者可以选择特定的明文，观察其加密结果，从而推断密钥信息。AI可以极大地加速这一分析过程。

5.3 “黑箱”与“白箱”：AI权限边界

权限问题的另一个维度是AI对加密系统的“可见性”：

黑箱攻击：AI只能观察到输入（明文）和输出（密文），无法看到加密过程的内部状态。这是最现实的攻击场景，也是AI最受限的场景。 

灰箱攻击：AI可以观察到加密过程中的某些中间值或统计信息。侧信道攻击属于此类。

白箱攻击：AI完全了解算法的每一个细节（算法本身是公开的，这本来就是白箱），但不知道密钥。

现代加密算法的安全性正是在“算法完全公开、密钥完全保密”的假设下建立的。AI并没有改变这个基本假设——它只是让“分析公开算法”这件事变得更快、更自动化了。

六、算法适配性：AI对不同加密技术的差异化威胁

6.1 对哈希算法的威胁：已进入实用阶段

AI对哈希算法的威胁最为直接。密码猜测是AI密码分析中最成熟的领域之一。研究表明，基于生成式预训练Transformer的密码猜测器可以显著扩展密码破解字典。反馈信息增强的密码猜测器结合自然语言预训练模型和变分自编码器，进一步提升了密码破解效率。

对于密码存储而言，这意味着：如果用户使用弱密码，AI可以更快地破解它。但哈希算法本身（如SHA-256）并未被“攻破”——AI并没有找到从哈希值逆向还原原始输入的数学方法，它只是更高效地执行了“猜测-验证”的过程。

6.2 对对称加密的威胁：取决于轮数和密钥长度

AI对对称加密的威胁存在显著差异：

对轻量级密码的威胁：SIMON、SPECK等为物联网设备设计的轻量级密码，由于轮数较少、结构相对简单，已被证明易受神经密码分析攻击。研究表明，基于残差多层感知机的模型可以有效揭示这些密码的漏洞。

对简化版标准密码的威胁：针对AES的神经密码分析目前主要停留在简化版本上——如减少轮数的AES。对完整14轮AES-256的直接攻击，AI尚未展现出实质性威胁。

对完整标准密码的威胁：AES-256在当前技术条件下仍然被认为是安全的。量子计算机对AES-128有“平方根加速”（Grover算法），但AES-256即使在量子攻击下仍能保持128位的有效安全强度。

6.3 对非对称加密的威胁：量子才是真正的威胁

AI对非对称加密的威胁，目前远小于量子计算机。RSA和ECC的安全性建立在特定的数学难题之上。Shor算法可以在量子计算机上高效分解大整数和求解离散对数，理论上RSA-2048可以在8小时内被4000量子比特的容错量子处理器破解，ECC-P256则在4小时内即可攻破。

相比之下，AI尚未找到破解这些数学难题的根本性新方法。虽然有研究尝试用Transformer架构破解ECC，但其成果仍处于探索阶段，远未达到实用水平。将RSA解密重构为监督学习任务的研究中，Transformer仅达到20.1%的准确率——距离“破解”还有巨大差距。

6.4 侧信道攻击：AI最有效的战场

如果说AI在密码分析中有一个“杀手级应用”，那就是侧信道攻击。加密算法的数学可能是完美的，但加密的实现永远存在物理泄漏——功耗变化、电磁辐射、时间差异。

深度学习在侧信道分析中展现出了惊人的能力。通过分析加密设备在运行AES时的功耗轨迹，机器学习模型可以恢复密钥。研究还提出了基于随机搜索的神经网络架构搜索方法，用于增强CNN在AES侧信道密钥恢复中的表现。

这意味着一个深刻的现实：AI不是在“破解”加密算法本身，而是在“绕过”它——通过攻击加密实现的物理层，而不是攻击算法的数学层。

七、AI密码分析的现实局限与未来展望

尽管AI在密码分析中展现出了令人瞩目的潜力，但其现实局限性同样不容忽视：

第一，实验环境与真实世界的差距。大多数AI密码分析研究在高度受控的条件下进行——已知算法、已知部分明文、充足的训练数据。真实攻击场景中，这些条件往往无法满足。

第二，可扩展性问题。针对特定算法、特定密钥长度训练的攻击模型，无法直接迁移到其他算法或参数上。这意味着攻击者需要为每一种目标加密方案重新训练模型。

第三，黑箱限制。在真正的“只有密文”场景下，AI能做的事情极为有限。密文的统计特征在经过现代加密算法的充分混淆后，几乎不包含可利用的信息。

一个值得注意的趋势是：AI密码分析的焦点正在从“破解算法”转向“破解实现”。与其试图在数学上攻破AES或RSA，攻击者更倾向于利用AI分析加密系统在部署过程中的漏洞——配置错误、密钥管理不善、侧信道泄漏、协议实现缺陷等。

这种转向意味着：加密算法本身可能是安全的，但使用加密的系统可能不安全。AI的真正威胁，或许不在于它能“破解”数学，而在于它能发现人类在实现数学时犯下的错误。

展望未来，“AI能否破解加密”这个问题可能需要被重新表述为：

对于哈希密码：AI已经能够更高效地破解弱密码，但这不意味着哈希算法被攻破。

对于对称加密：AI对完整轮数的标准算法（如AES-256）尚无实质性威胁，但对轻量级和简化版算法的威胁正在增长。

对于非对称加密：量子计算机才是真正的威胁，AI目前的作用是辅助而非颠覆。

对于加密实现：AI在侧信道攻击等领域的应用已经构成真实威胁，这要求我们在部署加密时更加谨慎。

八、技术的边界与人的责任

数据加密能否被AI破解？答案不是一个简单的“能”或“不能”，而是一个分层的、条件性的判断。

对于“破解加密算法”这个狭义问题——即从数学上逆转加密过程——AI目前并未展现出根本性的突破。AES-256、RSA-2048等现代加密算法在经典计算框架下仍然是安全的。AI所做的，是在某些特定条件下（已知部分明文、可物理接触设备、针对简化版本）提升攻击的效率。

但对于“破解加密系统”这个更广义的问题——即获取受加密保护的信息——AI已经构成了真实且不断增长的威胁。通过侧信道分析、配置漏洞发现、密码猜测等手段，AI正在让“保护秘密”这件事变得越来越困难。

这引出了一个更深层的思考：加密的本质是一场不对称的博弈。防御者需要保护每一个可能的漏洞，而攻击者只需要找到一个。AI的加入，让攻击者“找到那一个漏洞”的速度大大加快了。它不是在改变博弈的规则，而是在改变博弈的速度。

在这个意义上，“AI能否破解加密”的问题，实际上在问我们：在一个攻击速度呈指数级增长的时代，我们是否有足够的智慧和纪律，来守护数字世界的最后一道防线？

答案或许不在于寻找一种“AI无法破解”的加密算法——这样的算法可能根本不存在。答案在于：更审慎的密钥管理、更安全的实现方式、更及时的漏洞修复，以及——最重要的是——对人类自身在数字时代行为方式的持续反思。技术可以无限进步，但安全最终取决于使用技术的人。

参考资料

[1] 加密算法详解：AES、RSA 和 ECC 指南，scansearch.net

[2] 加解密（Encryption）& 哈希（Hash）算法，电子工程专辑

[3] 基础算法，阿里云开发者社区

[4] Mage: Cracking Elliptic Curve Cryptography with Cross-Axis Transformers，arXiv

[5] Neural Cryptanalysis of Lightweight Block Ciphers Using Residual MLPs，IEEE Xplore

[6] AI-Powered Cryptanalysis: Identifying Encryption Algorithms and Recovering Plaintext，IEEE Xplore

[7] Deep Learning-Driven Cryptanalysis in Modern Encryption Systems，2025

[8] Prospects of Cryptanalysis using Generative AI，SSRN

[9] 60小时击穿后量子密码：AI独自改写密码学的时刻，华尔街见闻

[10] Next-Generation Quantum Security: The Impact of Quantum Computing，ScienceDirect

[11] Quantum Computing in Cryptography: Challenges and Post-Quantum Solutions

[12] Automated Cryptographic Weakness Discovery: A Reinforcement Learning Approach，IEEE Xplore