卡特·莱芬（Carter Leffen）并不是密码学家。

他没有接受过专业密码分析训练，也没有花费数年时间研究二战时期的德国军事通信。2026年9月，他只是向一个人工智能模型提出了一个任务：从一批尚未破解的历史密电中挑选一份，试着找出答案。

随后，他让模型继续工作，自己去睡觉了。

第二天醒来时，一份已经沉睡85年的德国军方密电，出现在他的电脑屏幕上。

人工智能不仅给出了看似合理的德文原文，还编写程序模拟了德国著名的恩尼格玛密码机，寻找可能的加密设置，并利用历史档案中的线索验证结果。

莱芬将结果提交给保存这份密电的密码研究者。经过核查，答案获得确认。

这是近年来人工智能进入历史密码破译领域的一个引人注目的案例。

10月16日，《自然》（Nature）杂志报道，越来越多没有专业密码学背景的人，开始使用大型语言模型挑战过去几十年甚至几百年未能破解的历史密码。

他们之中，有人真正找到了答案，也有人只是获得了看起来像答案的文字。

对于长期研究历史密码的专家而言，这场变化既令人兴奋，也令人疲惫。

过去需要专业知识、编程能力和长期档案研究才能开展的工作，如今可以通过一段自然语言指令启动。

但人工智能降低了解密门槛，也降低了制造错误结论的门槛。

一封1941年的德国密电

莱芬选择的目标，来自挪威独立密码研究者弗罗德·韦耶鲁德（Frode Weierud）维护的历史密码资料网站Crypto Cellar。

这个网站收录了大量有关恩尼格玛密码机的研究资料，其中包括一些至今尚未完全破译的军事电报。

恩尼格玛是二战时期德国军队使用的重要加密设备。

操作人员按下键盘上的一个字母，机器内部的转子和电路就会将它转换成另一个字母。随着转子不断转动，同一个字母在不同位置可能被加密成不同结果。

再加上转子排列、初始位置和插线板连接方式的变化，可能的加密组合极其庞大。

这也是为什么恩尼格玛密码曾给盟军带来巨大困难。

二战期间，英国布莱切利园的密码分析人员，包括数学家艾伦·图灵及其同事，利用数学分析、机械计算和情报线索，逐步破解了大量德国军事通信。

但并非所有历史密电都得到解决。

有些电文太短，缺乏足够的统计特征；有些原始记录可能存在抄写错误；还有一些缺少当年使用的密钥资料。

莱芬让OpenAI的GPT-6 Astra模型从这些难题中寻找突破口。

模型选中了一份1941年7月10日发出的德国军方密电，长度只有82个字符。

这份密电并非完全没有线索。

研究者此前已经破解了同一天发送的另一份电文，因此可以推测两份电报可能涉及相近的人物、地点或军事事务。

在密码分析中，这种可能出现在明文中的已知词语或短语，被称为“明文线索”（crib）。

如果猜测的词语确实存在于原始电文中，研究人员就能够大幅缩小搜索范围。

AI利用这些线索编写了模拟恩尼格玛运行的程序，并不断测试可能的机器设置。

根据《自然》的报道，模型在约十小时内测试了超过40亿组设置。

最终，它找到了能够生成合理德文内容的加密配置。

莱芬将结果交给韦耶鲁德核查。后者确认了这次破译。

令人意外的是，这份密电与同一天另一份已经破解的电文，竟然使用了不同的恩尼格玛设置。

这种不寻常的情况，可能正是它长期未被解开的原因之一。

这次成功并不是人工智能凭空猜出了一段德文。

它完成的是一整套复杂工作：寻找档案、提出假设、编写模拟程序、进行大规模计算，再用密码机的实际机制检验答案。

而这些步骤，过去往往需要专业研究者分别完成。

两百年前，拿破仑军队写了什么？

莱芬的成功很快引起其他技术人员的兴趣。

网络安全公司SentinelOne的工程师卡特·丘奇（Carter Church）决定挑战另一份历史密信。

这封信写于1809年，收信对象是法国皇帝拿破仑麾下的一名将领。

当时，欧洲正处于拿破仑战争时期。军队频繁调动，军事指挥官需要通过信使传递命令和情报。

如果信件被敌军截获，部队位置、进攻计划和补给情况都可能暴露。

因此，军事通信往往采用专门的密码表，将常见词语、地名、人名和军事术语转换成数字或符号。

丘奇找到的是一封此前未能完整解读的加密信件。

他将信件图像交给GPT-6 Astra，并要求模型尝试破解。

这一次，人工智能面对的不是恩尼格玛那样具有明确机械结构的加密系统，而是一套来自19世纪的历史密码。

模型首先尝试识别手稿中的符号，再搜索相关历史资料。

它在一个法国密码学资料网站中发现了部分密码表，随后利用这一线索不断调整可能的对应关系。

模型采用的技术之一，是一种名为“模拟退火”的优化方法。

这种方法会不断改变候选密钥，并比较修改后的结果是否更接近有意义的语言，从而逐渐寻找更好的解密方案。

经过大约六小时的计算与尝试，模型得到了能够解释原始密文的结果。

解读后的信件涉及军队部署和部队位置。

丘奇将成果提交给维护历史密码网站Cryptiana的日本业余密码研究者富木代智（Satoshi Tomokiyo）核查。

这一案例的意义，不在于人工智能发现了人类从未掌握的密码学原理。

恰恰相反，丘奇认为，即使没有AI，这份信件也可能通过传统方法得到破解。

人工智能真正改变的是完成工作的方式。

过去，一名研究者可能需要先辨认手稿，再查阅不同国家的历史文献，寻找密码表，编写解密程序，最后逐步调整密钥。

如今，AI可以在同一套工作流程中承担其中许多任务。

它能够读取图像、理解历史语境、搜索资料、编写程序，并反复尝试不同的解密策略。

这使得原本只有少数专家能够开展的研究，开始向更广泛的人群开放。

从图灵的时代，到普通人的电脑

历史密码破译从来不只是数学问题。

它还依赖语言知识、历史背景、情报判断，以及对原始文献的准确理解。

二战期间，图灵及其同事面对恩尼格玛密码时，虽然拥有机械计算设备，却仍然需要大量人工分析。

密码分析人员会研究德国军队的通信习惯，寻找可能重复出现的短语，并结合情报推测电报内容。

机器负责处理大量可能性，人类则负责提出有价值的问题。

今天的大型语言模型正在改变这种分工。

AI不仅可以执行计算，还能够提出候选线索、阅读历史资料，甚至自行编写和修改程序。

在莱芬的案例中，模型能够将历史研究和密码分析结合起来，尝试一条普通用户未必知道的技术路径。

这是一种与传统计算工具不同的能力。

过去，人们必须先理解问题，才能写出解决问题的程序。

现在，使用者可以先描述目标，再由AI帮助寻找方法。

这种变化并不意味着专业知识已经不再重要。

但它确实改变了谁能够参与研究。

一个对密码学知之甚少的人，只要能够提出问题、使用工具并愿意核查结果，就可能参与过去属于专业研究机构的工作。

历史档案因此有了新的可能。

世界各地的图书馆、博物馆和国家档案馆保存着大量尚未解读的加密文书。

其中一些涉及战争和外交，另一些可能记录商业交易、政治活动或私人通信。

许多文献长期无人研究，并不是因为它们必然具有无法破解的复杂密码，而是因为整理和分析它们需要大量时间。

人工智能正在降低这部分成本。

但AI也可能制造一份从未存在过的“历史真相”

随着成功案例增加，另一种现象也开始困扰密码学家。

越来越多人向专家发送自己借助AI获得的“破解结果”，要求对方确认。

其中不少答案看似合理，却经不起真正的密码学检验。

美国密码学作家埃隆卡·杜宁（Elonka Dunin）向《自然》表示，缺乏密码分析背景的人正在提交大量错误结果。

问题在于，大型语言模型非常擅长生成连贯的文字。

当它面对一段无法理解的密文时，也可能给出一段语法通顺、内容合理、甚至符合历史背景的“译文”。

但读起来像历史文件，并不意味着它真的是原文。

一份可靠的密码破译结果，通常需要满足比语言流畅更严格的条件。

研究者必须说明使用了什么密码系统、采用什么密钥，以及如何从原始密文得到最终明文。

如果是恩尼格玛电报，就应该能够利用所找到的机器设置，重新执行加密和解密过程，验证结果是否与原始密文对应。

如果是数字替换密码，则需要说明数字与字母或词语之间的对应关系，并检查这种规则能否解释整份文献。

历史语境同样重要。

即使一段解密文字在技术上可行，研究者仍然需要判断其中的人物、地点和事件是否符合当时的实际情况。

这些要求不会因为使用了人工智能而降低。

美国中央情报局总部的著名密码雕塑“Kryptos”，便曾成为AI错误解密热潮的典型案例。

这件由艺术家吉姆·桑伯恩（Jim Sanborn）创作的作品，包含多个加密部分，长期吸引世界各地的密码爱好者。

在AI工具广泛普及后，桑伯恩曾收到大量声称已经破解密码的邮件。

不少提交者对AI生成的答案深信不疑，但其结果并不符合密码本身的规则。

这类现象使专家面临一种新的工作负担。

过去，验证一份密码破解成果通常意味着审查研究者提出的具体方法。

现在，专家还需要花费大量时间，判断提交者是否只是将AI生成的猜测误认为了真正的发现。

AI让产生候选答案变得容易，却没有让验证答案变得同样容易。

谁才是破解密码的人？

人工智能参与历史研究，还带来了一个值得讨论的问题：当一份百年密电被成功解读，应该把功劳归于谁？

是提出任务的人，编写解密程序的AI，还是提供历史档案和验证结果的密码学家？

莱芬的案例显示，这些角色已经开始交织在一起。

没有莱芬提出任务，模型不会主动选择那份电报。

没有历史密码资料网站，模型也很难找到合适的研究对象。

没有AI编写模拟程序并进行大规模搜索，解密过程可能需要更长时间。

而如果缺少韦耶鲁德这样的研究者核查，即使模型生成了合理答案，也难以获得学术上的认可。

这更像是一种新的协作关系，而不是人工智能简单取代人类专家。

专业密码学家掌握密码系统、历史资料和验证标准，AI则承担越来越多耗时的计算与信息处理工作。

普通爱好者开始成为两者之间的连接者。

这种协作可能改变历史研究的组织方式。

过去，某些规模较小的档案项目难以获得经费和专业人员。如今，AI辅助研究可能让更多文献得到初步整理，帮助学者决定哪些材料值得深入调查。

但研究门槛降低，也意味着错误发现的数量可能大幅增加。

未来，历史密码研究可能需要更加明确的成果提交标准，包括公开原始密文、解密密钥、计算过程和验证方法。

只有这样，AI生成的答案才能从一段令人惊讶的文字，变成可以由其他研究者重复验证的历史发现。

人工智能没有改变过去，却正在改变我们理解过去的方式

一封1941年的德国军事电报，在战争结束85年后得到破解。

一份拿破仑时代的加密书信，在两个多世纪后重新变得可以阅读。

这些消息未必会改写二战或拿破仑战争的整体历史。

单封军事电报可能只涉及一条行军路线、一项补给安排，或者一名军官的日常通信。

但历史并不只由决定战争胜负的重大文件组成。

许多看似普通的通信记录，能够帮助研究者还原军队如何运作、指挥官如何作出判断，以及人们在特定时代如何传递信息。

更重要的是，这些成果说明，历史研究中某些长期存在的技术障碍正在变得可以克服。

过去，密文可能因为缺乏专业研究人员而沉睡在档案馆里。

现在，人工智能可以帮助研究者以更低的成本提出假设、寻找线索，并测试大量可能的答案。

但这场变化仍然存在清晰的边界。

AI可以帮助找到答案，却不能因为自己生成了答案，就证明答案正确。

它可以让普通人参与密码破译，却不能取代历史学家和密码学家对证据的判断。

莱芬的成功之所以重要，不仅因为一份德国密电被解开，还因为他的结果能够经受独立核查。

这也是人工智能时代历史研究最需要保留的原则。

在越来越多古老密码可能被重新打开的今天，真正稀缺的或许不再是提出一个答案的能力，而是判断这个答案是否可信的能力。

人工智能正在让历史中更多沉默的文件重新开口。但要确定它们究竟说了什么，人类仍然必须认真倾听，并仔细核实。