AI 一周三件大事：Claude 破解了密码学、Kimi K3 开创新架构、吴恩达又创业了

三个事件，三个信号：AI 从"应用层"开始往"基础层"渗透了

一、Claude 找到了密码算法的数学漏洞

你没看错。Anthropic 在 7 月 28 日扔出一篇重磅论文——Claude Mythos Preview 找到了两种加密算法的数学缺陷。

第一条线是 HAWK。这是一种后量子数字签名算法，正在参与 NIST 的第三轮竞选。所谓后量子，就是设计来抵御量子计算机攻击的。HAWK 基于一个叫"格同构问题"的数学难题，安全性本应有保障。但 Claude 只花了 60 小时 就找到了其格结构中的非平凡自同构，将密钥的有效强度砍了一半。

具体来说，原先认为 HAWK-256 的攻击成本是 2⁶⁴，Claude 将其降到了 2³⁸。虽然仍然是指数级复杂度的攻击（不是多项式时间可解），但这意味着要维持同样的安全级别，HAWK 的密钥长度需要翻倍。而一旦密钥翻倍，HAWK 作为后量子签名方案的大部分吸引力就消失了。

第二条线更有意思——7 轮 AES。AES 是全世界用得最多的对称加密算法，完整版 10 轮。研究者经常研究简化版（少几轮）来测试攻击方法。之前最好的中间相遇攻击需要枚举 256 个值并查表。Claude 想出了一个叫「Möbius Bridge」的指纹算法——一种不变性指纹——直接省去了这一轮猜测，让攻击速度提升了 200~800 倍。

但这个过程的幕后细节更值得聊。一开始 Claude 根本不干，它自己写：

"AES-128 r5/r6/r7 找不到东西，因为没什么好找的；这是人类研究最多的分组密码。"

Anthropic 的研究员只好"哄"它，给了三条提示："目标是找到值得发表的成果""我们需要真正的研究发现""再试试 7 轮"。最终 Claude 产出了 10 亿个 token 的推理，发现了这个攻击。

成本概算：每次研究约 10 万美元 API 费用。验证 Claude 的结果花了两名研究员近一个月。

我的看法：这是一个分水岭事件。过去我们说 AI 能写代码、能辅助科研，但这次是 AI 自主发现了密码算法的缺陷——密码学是少有的、人类数学家已经深耕了几十年的领域，能在这里找到新东西，说明 AI 的科研能力到了一个前所未有的高度。Anthropic 还发布了 CryptanalysisBench 基准测试，正式把这个方向纳入评估体系。未来，AI 可能不只是"找漏洞"，还要"设计加密算法"——这正是 Anthropic 在论文结尾说的。

二、Kimi K3：中国大模型的架构突围

Sebastian Raschka 最近写了一篇 Kimi K3 的架构分析，在美国技术圈引起了不小讨论。Kimi K3 是月之暗面（Moonshot AI）推出的新模型，在多个基准上与 Claude Opus 4.7/4.8 相当，甚至在某些复杂任务上表现更好。

但更重要的是它的架构选择——非常"不跟风"。

第一，全面放弃 RoPE。RoPE（旋转位置编码）是当前几乎所有主流模型的标配——Llama、GPT、Claude，全在用。但 Kimi K3 全面采用 NoPE（无位置嵌入），所有层都没有显式的位置编码。这在之前的模型中被认为不可思议——没有位置信息，Transformer 不就是一锅"词向量汤"吗？

Kimi 的解法是：用 Kimi Delta Attention（KDA） 来隐式编码位置信息。KDA 本质上更像 RNN 而不是 Attention——它的隐藏状态类似于一个可编辑的小型注意力记忆。RNN 天然有序列概念（X 在 Y 之前，Y 在 Z 之前），所以 KDA 层能自然地感知位置。Kimi K3 在每层全局注意力之前塞了 3 层 KDA，让每个 token 在进入注意力层之前就已经知道自己在序列中的位置。

Raschka 指出：RoPE 实际上有破坏性（信息损失），去掉它反而可能有好处。Google 的 Gemma-4 也做过类似的事——用滑动窗口注意力处理局部信息而不用 RoPE，全局注意力层则完全去掉 RoPE。

第二，混合架构：线性注意力 + 传统注意力。Kimi K3 用了 3:1 的 KDA 层和全局注意力层比例，类似于 Gemma 的 5:1 SWA 比例。这种设计大幅降低了推理时的 KV 缓存压力。

社区实测反馈很有意思：Hacker News 上有人表示已经用 Kimi K3 替换了每月 200 美元的 Claude 订阅，"没有降级感"。还有人说它在 C++ 项目上找到了一些 Opus 4.8 没发现的 bug。当然也有人吐槽它的 token 消耗策略——因为 KDA 需要固定增量 token 块（1024 tokens）做缓存，导致每次推理可能多花最多 1023 个"缓存未命中"token。

我的看法：Kimi K3 证明了一件事——中国团队在大模型架构上不再是"跟随者"。从 DeepSeek 的 MoE 到 Kimi 的 NoPE+KDA，中国 AI 公司的技术创新正在从"微创新"走向"架构级创新"。Rope 的发明者 Jianlin Su 现在就在月之暗面工作，这是技术人才归队的一个信号。

三、吴恩达的第三次创业：LearnVector

吴恩达（Andrew Ng）又创业了。这次是 LearnVector——一个"AI 一对一学习平台"，拿到了 Coursera 的 1 亿美元投资。

页面上的话很直接：

"常规智慧认为 AI 会取代人类。我相信相反。AI 正在为每个人创造前所未有的机会。"

这个项目定位很巧妙。吴恩达的上一家公司 Coursera 解决了"优质课程的大规模分发"问题，但本质上是 one-to-many——一个老师对几百个学生。LearnVector 要做的是 one-to-one——AI 为每个人制定学习路径、适应学习方式、耐心陪伴直到掌握新技能。

页面上还特别强调了一段有意思的洞察：

"尽管 AI 取得了巨大的进步，我们仍然没有改变学习的方式。学习体验仍然是 one-to-many。而且我们知道，没有防护栏的聊天机器人会损害学习——它给你答案，但答案不是教育。认知卸载意味着你最终学得更少。"

这段话直接指向了当前 AI 教育产品的通病——学生把 AI 当"抄作业工具"。LearnVector 的思路是要做有 guardrails（防护栏） 的 AI 学习助手，不只是给答案，而是引导学习过程。

一些背景：吴恩达此前已经创立了 Google Brain、Coursera、DeepLearning.AI，是 AI 教育领域最有影响力的名字之一。这次亲自下场做 AI 教育产品，加上 Coursera 的 1 亿美元背书，说明他对"AI 个性化教育"这个赛道的判断很认真。

当然，挑战也不小。LearnVector 的 AI tutor 能不能真正解决"认知卸载"问题？能不能做到真正的个性化而不仅仅是"更聪明的问答机器人"？这需要产品上线后验证。

我的看法：AI 教育是今年最热的方向之一。可汗学院的 Khanmigo、Duolingo 的 AI 对话功能，都在尝试做类似的事。但吴恩达的优势在于——他懂教育也懂技术，而且有 Coursera 的亿级用户基础做数据源。如果 LearnVector 能打通 Coursera 的课程生态，形成"学课 + 练习 + AI 辅导"的闭环，这个想象空间很大。

写在最后

这周的三个新闻连起来看，有一条暗线：AI 正在从表层应用渗透到人类智力活动的深层结构——从破解密码学基础，到重新设计模型架构，再到重新定义教育中的"教与学"关系。

如果你是开发者：
- 可以试试 Kimi K3，至少在编码类任务上不输 Claude；
- 关注 CryptanalysisBench，这可能是未来安全测试的新范式；
- 留意 LearnVector 的产品发布，AI 教育正在经历一场供给侧改革。

如果你觉得内容有用，欢迎点赞、转发、关注。每天早八点，我会从信息洪流中捞出最值得关注的三件事。

数据来源：Anthropic Research Blog、Sebastian Raschka's Blog、LearnVector.ai、Hacker News。
发布日期：2026 年 7 月 29 日