Il mondo digitale si affida a un insieme di serrature invisibili per mantenere al sicuro le nostre informazioni più sensibili. Quando un ospedale invia le cartelle cliniche dei pazienti, una banca elabora una transazione o un sistema di difesa aggiorna il proprio software, queste serrature garantiscono che solo il destinatario previsto possa aprire il messaggio. Per decenni, queste serrature sono state costruite su complessi enigmi matematici che coinvolgono grandi numeri, i quali sono facili da creare ma quasi impossibili da risolvere senza la chiave giusta. Tuttavia, un nuovo tipo di computer potente, noto come computer quantistico, si sta avvicinando a un livello di capacità tale da poter risolvere questi enigmi in pochi istanti, rendendo inutili le attuali serrature. Questa minaccia non riguarda solo il futuro; sta già accadendo. Gli avversari stanno attualmente rubando e conservando dati criptati, scommettendo di poterli sbloccare una volta che la tecnologia quantistica sarà matura. Questa strategia, nota come "raccogli ora, decripta dopo", significa che i dati inviati oggi potrebbero essere esposti domani. La sfida è sostituire queste vecchie serrature con nuove che nemmeno un computer quantistico possa rompere, senza rallentare i complessi sistemi di intelligenza artificiale che ora gestiscono le nostre infrastrutture critiche.

Un ricercatore del Massachusetts Institute of Technology ha affrontato questo problema studiando come queste nuove serrature resistenti ai quanti influenzano il rendimento quando applicate ai carichi di lavoro dell'intelligenza artificiale. Lo studio si concentra su un set specifico di nuovi standard di sicurezza recentemente finalizzati dal National Institute of Standards and Technology. Questi standard introducono nuovi algoritmi per due compiti principali: stabilire una connessione sicura (scambio di chiavi) e verificare l'identità (firme digitali). La ricercatrice non ha testato questi algoritmi solo su computer standard; li ha invece testati sulla diversificata combinazione di hardware dove l'intelligenza artificiale moderna opera realmente. Questo include potenti processori grafici, chip per computer a uso generale e piccoli controller con memoria limitata che si trovano nei dispositivi edge. L'obiettivo era vedere se l'aggiornamento a queste nuove misure di sicurezza avrebbe compromesso i rigorosi requisiti temporali dell'intelligenza artificiale o se i sistemi potessero gestire il cambiamento senza problemi.

L'indagine è iniziata impostando tre diversi scenari per confrontarli tra loro. Il primo scenario utilizzava i metodi di sicurezza classici attualmente in uso. Il secondo scenario utilizzava solo i nuovi metodi resistenti ai quanti. Il terzo scenario utilizzava un approccio ibrido, combinando sia i vecchi che i nuovi metodi simultaneamente per garantire la sicurezza durante un periodo di transizione. Questi setup sono stati testati attraverso tre distinte tipologie di compiti di intelligenza artificiale. Il primo era l'inferenza in tempo reale, in cui un modello linguistico di grandi dimensioni risponde alle domande istantaneamente. Il secondo era l'addestramento distribuito, in cui più computer lavorano insieme per insegnare a un modello. Il terzo era l'apprendimento federato, in cui i modelli vengono addestrati attraverso diverse organizzazioni senza condividere i dati grezzi. Eseguendo migliaia di iterazioni di questi compiti, la ricercatrice ha misurato esattamente quanto tempo e memoria richiedevano i nuovi metodi di sicurezza rispetto a quelli vecchi.

I risultati hanno rivelato una divisione chiara e piuttosto sorprendente nell'effetto della nuova sicurezza sulle diverse parti del sistema. Il compito di stabilire una connessione sicura, che è il primo passo in ogni comunicazione, ha mostrato pochissime difficoltà. Il nuovo metodo per questo passaggio ha aggiunto una piccola quantità di dati all'handshake iniziale, ma poiché ciò avviene solo una volta all'inizio di una connessione, il costo viene distribuito su molteplici richieste successive. Per i grandi modelli di intelligenza artificiale, questo costo extra è stato così piccolo da essere quasi impercettibile, svanendo efficacemento nello sfondo. Ciò significa che proteggere la privacy dei dati in transito è un compito gestibile che può essere aggiornato con un impatto minimo sulle prestazioni.

Tuttavia, la situazione era diversa per la verifica dell'identità. Le nuove firme digitali necessarie per provare che un messaggio o un aggiornamento del modello è autentico sono significativamente più grandi delle vecchie. Nei test, la dimensione di queste firme è passata da poche decine di byte a diverse migliaia di byte. Su server potenti, questo aumento è stato facilmente assorbito. Ma sui piccoli controller embedded e sui chip specializzati che si trovano al limite della rete, questo aumento di dimensioni ha creato un problema strutturale. Questi dispositivi hanno quantità di memoria fisse e limiti rigidi su quanta informazione possono memorizzare nei loro certificati. Le nuove firme, più grandi, minacciavano di saturare questi limiti, potenzialmente compromettendo la capacità del dispositivo di verificare la propria identità. Lo studio ha scoperto che la vera difficoltà non risiedeva nella velocità di calcolo, ma nel far entrare questi pezzi di dati molto più grandi negli spazi piccoli e immutabili progettati per quelli vecchi e più piccoli.

Sulla base di queste scoperte, la ricercatrice ha proposto un quadro pratico affinché le organizzazioni possano migrare i propri sistemi senza causare interruzioni. L'approccio suggerisce che le aziende non dovrebbero trattare questo processo come un singolo e massiccio scambio tecnico, ma piuttosto come uno sforzo di modernizzazione a tappe. Il primo passo è mettere in sicurezza le connessioni per i dati in transito, poiché questa è la minaccia più urgente a causa della strategia "raccogli ora, decripta dopo" e comporta quasi nessun penalità sulle prestazioni. Una volta che le connessioni sono sicure, l'attenzione deve spostarsi sul problema più difficile della verifica dell'identità. Questa seconda fase dovrebbe essere gestita con cura, partendo dai sistemi più flessibili e procedendo verso l'hardware più limitato. Per i minuscoli dispositivi embedded, il piano prevede l'aggiornamento del firmware e della memoria dei certificati per accomodare le firme più grandi, un compito che richiede attenzione ingegneristica piuttosto che un semplice aggiornamento software.

Lo studio conclude che il timore che i computer quantistici possano rompere la sicurezza dell'intelligenza artificiale è ampiamente infondato se la migrazione viene gestita con una strategia chiara. Il costo delle prestazioni della nuova sicurezza non è una barriera per la maggior parte dei sistemi; la sfida è principalmente di organizzazione e ingegneria. Dando priorità alla protezione dei dati in transito per primi e affrontando poi metodicamente i limiti di archiviazione della verifica dell'identità sui dispositivi più piccoli, le organizzazioni possono proteggere i propri carichi di lavoro di intelligenza artificiale contro le minacce future. La strada da seguire non consiste nel trovare una soluzione magica che renda tutto più veloce, ma nel comprendere dove la nuova sicurezza si inserisce e regolare l'hardware e il software per farle spazio. Questo approccio assicura che i sistemi che proteggono le nostre infrastrutture critiche rimangano robusti, anche mentre la tecnologia sottostante evolve.