Две крупные LLM-платформы только что решили задачу, которую люди не могли решить годами. Разработчик Картер Леффен попросил OpenAI Astra самостоятельно найти и взломать зашифрованное Enigma-сообщение из архива — и модель это сделала. Она провела собственное архивное исследование, нашла контекстные подсказки, построила симулятор самой машины Enigma и восстановила открытый текст сообщения, которое озадачивало исследователей с 2005 года. Леффен даже использовал Astra, чтобы создать интерактивный сайт, объясняющий весь процесс решения.
Через несколько дней крипто-аналитик Джек Уиллис достиг аналогичного результата с Claude Opus 5 от Anthropic — взломав второе неразгаданное сообщение с большей степенью направляющих инструкций. Фроде Вейеруд, пенсионер-электроинженер, который содержит крупный архив криптографических ресурсов Crypto Cellar и валидирует исторические криптографические решения, был поражён результатами. Он отметил, что Astra провела в два дня работу, которая заняла бы человека недели или месяцы — и сам Вейеруд потратил несколько недель на исследование архивов Bundesarchiv, которые модель использовала.
Интересный момент: логи Astra указывают на обращение к «приватной коллекции» архивных сообщений, которые не размещены на сайте Вейеруда. Он не уверен, действительно ли модель к ним получила доступ или нашла их в других открытых источниках — возможно, они были опубликованы другим исследователем, либо модель обратилась к публичным архивам немецкого правительства. Это указывает на ещё одну практическую способность современных LLM: автономный web-search и синтез информации из разрозненных источников без явной подсказки пользователя.
Контекст здесь не лишь в исторических курьёзах. Это реальный тест на то, что LLM могут делать в задачах, требующих многошагового логического рассуждения, глубокого архивного поиска и синтеза информации. Взлом Enigma — это задача, которая несколько десятилетий была сложна даже для специалистов высокого уровня. Что модель делает именно то, что обещают: работает с контекстом, находит паттерны, строит гипотезы и проверяет их — без ручного программирования специальных алгоритмов для каждого шага.
Остаётся всего семь невзломанных Enigma-сообщений плюс одно, где открытый текст известен, но код не разгадан. Учитывая траекторию прогресса современных LLM, эти сообщения вряд ли продержатся в статусе «нерешённые» очень долго. Вейеруд фактически предположил, что срок их жизни отсчитывается днями.
Для российского бизнеса это может быть полезно в задачах, где нужна глубокая аналитическая работа: анализ больших объёмов документации, поиск паттернов в архивных данных, исследовательская работа. В данном контексте LLM могут уменьшить время на рутинную фазу исследований — найти релевантные источники, синтезировать информацию, предложить гипотезы. Для компаний, работающих с compliance, legal research или business intelligence, это может означать более быстрый цикл анализа и меньше рутинной ручной работы перед этапом экспертного решения.
Но здесь важно отличить маркетинговый шум от реальности. Этот пример работает именно потому, что задача — объективная (либо взломал код, либо нет, решение валидируется простой проверкой), информация организована (архивы существуют и структурированы), и модели работали в режиме агентов — активно ища информацию, а не отвечая на прямой вопрос. В менее структурированных областях результаты будут неоднозначнее. И то, что модель обращалась к источникам, которые не были явно указаны пользователем — это полезно, но и требует внимания к вопросу о том, откуда модель берёт информацию и как её верифицировать.