AI knäckte två olösta krigsmeddelanden på egen hand — och bolaget som lär AI designa chip värderas till 40 miljarder
AI löste ensam kryptografiska gåtor från andra världskriget som förbryllat forskare i tjugo år.
När AI börjar göra det vi trodde bara människor kunde
Det finns ögonblick när ett teknikskifte slutar vara abstrakt och blir konkret. Den senaste veckan bjöd på två sådana ögonblick — och tillsammans målar de upp konturerna av vad nästa fas av AI-utvecklingen faktiskt innebär.
Enigma-maskinen är ett av historiens mest kända kryptografiska underverk. Alan Turing och hans team vid Bletchley Park knäckte koden under andra världskriget med hjälp av mekaniska räknemaskiner och briljant matematiskt tänkande. Men ett fåtal meddelanden har förblivit olösta ända sedan dess — ofta till följd av feltranskribering eller misstag hos de ursprungliga kodoperatörerna. Nu rapporterar TechCrunch att två kryptoanalytiker använt moderna AI-modeller för att lösa inte ett utan två av dessa historiska gåtor.
Det som gör berättelsen tekniskt fascinerande är hur det gick till. Utvecklaren Carter Leffen gav OpenAI:s modell Astra i uppdrag att självständigt söka igenom ett arkiv med okodade Enigma-meddelanden. Modellen genomförde arkivforskning på egen hand, identifierade sammanhangsledtrådar, byggde sedan en egen simulator av Enigma-maskinen — och lyckades slutligen återskapa klartexten i ett meddelande som legat olöst sedan 2005.
Frode Weierud, pensionerad ingenjör och veterankryptoanalytiker, bekräftade lösningen och beskrev sin häpnad inför resultatet. Hans kommentar fastnade hos mig:
"GPT-6 Astra uppför sig som en mycket professionell kryptoanalytiker och arkivforskare. Vad den åstadkom på två dagar skulle ta en människa veckor eller månader."
Weierud hade själv ägnat flera veckor åt att granska samma arkivfiler som Astra refererade till. Det är inte en liten skillnad — det är en storleksordning.
Chipdesign: den självförstärkande cykeln
Samtidigt rapporterar TechCrunch om ett annat genombrott med ännu mer långtgående konsekvenser för AI-infrastrukturen som helhet. Uppstartsföretaget Ricursive Intelligence, grundat i slutet av 2025 av Anna Goldie och Azalia Mirhoseini, har på under fyra månader rest kapital som värderar bolaget till 40 miljarder kronor.
Goldie och Mirhoseini är inte nykomlingar. De ledde tidigare Googles AlphaChip — ett system som kunde generera kretskortsdesigner på timmar snarare än månader, och som låg till grund för flera generationer av Googles tensorprocessorer. Nu vill de gå väsentligt längre.
Det som särskiljer Ricursives ansats är det de kallar den självförstärkande utvecklingscykeln: ett system som inte bara löser ett enskilt designproblem, utan som samlar erfarenheter från varje krets det ritar och tillämpar dem på nästa. Ju fler chip systemet designar, desto skickligare blir det. Målet är att pressa ned den tid det tar att designa ett avancerat halvledarkretslopp — från dagens två till tre år till några veckor.
Det är en logik som en systemutvecklare lätt kan uppskatta: det är egentligen samma princip som förstärkt inlärning tillämpad på hårdvarudesign. Systemet optimerar mot ett mål, samlar data om utfallet, och itererar. Skillnaden är att varje iteration här resulterar i ett fysiskt chip som i sin tur kan driva kraftfullare AI-system.
Två genombrott, ett mönster
Vad har kryptoanalys av andra världskrigets meddelanden gemensamt med chipdesign? På ytan — ingenting. Men under ytan delar de ett viktigt mönster: båda representerar domäner där djup specialistkunskap tidigare utgjorde den absoluta gränsen för vad som var möjligt.
Kryptoanalys kräver historisk kontextförståelse, logiskt resonemang och förmågan att hantera ofullständig information. Chipdesign kräver expertkunskap om halvledarfysik, arkitekturavvägningar och förmågan att optimera mot hundratals konkurrerande krav samtidigt. I båda fallen börjar AI inte bara assistera — den börjar leverera.
Det är värt att understryka att detta inte är demonstrationer i kontrollerade labbmiljöer. Enigma-lösningen bekräftades av en av världens ledande experter på området. Ricursives värdering speglar att kapitalmarknaden tar konsekvenserna på fullt allvar.
Vi befinner oss i en fas där AI slutar vara ett verktyg vi använder och börjar bli en aktör som löser problem — ibland snabbare och bättre än de bästa mänskliga specialisterna. Det är inte skrämmande. Det är anmärkningsvärt.
Vår analys
De här två genombrotten är inte slumpmässigt samtida — de pekar mot samma strukturella förändring. AI rör sig från att vara ett stödverktyg till att bli en problemlösare i egentlig mening, kapabel att hantera öppna, komplexa uppgifter inom domäner som tidigare krävde decennier av mänsklig specialisering.
Den självförstärkande cykeln som Ricursive beskriver är särskilt värd att följa noga. Om AI-system kan designa bättre hårdvara, och den hårdvaran möjliggör kraftfullare AI, förändras förutsättningarna för hela branschen i en takt som kan bli svår att förutsäga.
För oss som bygger system är det viktigaste att förstå: den relevanta frågan är inte längre om AI kan lösa specialistuppgifter, utan vilka uppgifter som är näst på tur — och hur vi bygger organisation och infrastruktur för att ta hand om den kapaciteten på ett klokt sätt.