O mundo digital depende de um conjunto de fechaduras invisíveis para manter nossas informações mais sensíveis seguras. Quando um hospital envia registros de pacientes, um banco processa uma transação ou um sistema de defesa atualiza seu software, essas fechaduras garantem que apenas o destinatário pretendido possa abrir a mensagem. Por décadas, essas fechaduras foram construídas sobre enigmas matemáticos complexos envolvendo grandes números, que são fáceis de criar, mas quase impossíveis de resolver sem a chave correta. No entanto, um novo tipo de computador poderoso, conhecido como computador quântico, está se aproximando de um nível de capacidade onde poderia resolver esses enigmas em instantes, tornando as atuais fechaduras inúteis. Esta ameaça não é apenas sobre segurança futura; ela já está acontecendo. Adversários estão atualmente roubando e armazenando dados criptografados, apostando que serão capazes de desbloqueá-los assim que a tecnologia quântica amadurecer. Esta estratégia, conhecida como "colha agora, decifre depois", significa que os dados enviados hoje poderão ser expostos amanhã. O desafio é substituir essas velhas fechaduras por novas que nem mesmo um computador quântico consiga quebrar, sem desacelerar os complexos sistemas de inteligência artificial que agora regem nossa infraestrutura crítica.

Uma pesquisadora do Instituto de Tecnologia de Massachusetts abordou este problema estudando como essas novas fechaduras, resistentes ao quantum, desempenham quando aplicadas a cargas de trabalho de inteligência artificial. O estudo foca em um conjunto específico de novos padrões de segurança recentemente finalizados pelo National Institute of Standards and Technology. Estes padrões introduzem novos algoritmos para duas tarefas principais: estabelecer uma conexão segura (troca de chaves) e verificar a identidade (assinaturas digitais). A pesquisadora não testou apenas esses algoritmos em computadores padrão; em vez disso, ela os testou na diversidade de hardware onde a inteligência artificial moderna realmente opera. Isso inclui processadores gráficos poderosos, chips de computador de uso geral e controladores minúsculos e com memória limitada encontrados em dispositivos de borda (edge devices). O objetivo era ver se a atualização para essas novas medidas de segurança quebraria os rigorosos requisitos de tempo da inteligência artificial ou se os sistemas conseguiriam lidar com a mudança de forma suave.

A investigação começou configurando três cenários diferentes para comparar entre si. O primeiro cenário utilizou os métodos de segurança clássicos atuais, que estão em uso hoje. O segundo cenário utilizou apenas os novos métodos resistentes ao quantum. O terceiro cenário utilizou uma abordagem híbrida, combinando os métodos antigos e novos simultaneamente para garantir a segurança durante um período de transição. Essas configurações foram testadas em três tipos distintos de tarefas de inteligência artificial. A primeira foi a inferência em tempo real, onde um grande modelo de linguagem responde perguntas instantaneamente. A segunda foi o treinamento distribuído, onde múltiplos computadores trabalham juntos para ensinar um modelo. A terceira foi o aprendimento federado, onde modelos são treinados através de diferentes organizações sem compartilhar dados brutos. Ao executar milhares de iterações dessas tarefas, a pesquisadora mediu exatamente quanto tempo e memória os novos métodos de segurança exigiam em comparação aos antigos.

Os resultados revelaram uma divisão clara e um tanto surpreendente sobre como a nova segurança afeta diferentes partes do sistema. A tarefa de estabelecer uma conexão segura, que é o primeiro passo em qualquer comunicação, mostrou pouquíssimos problemas. O novo método para esta etapa adicionou uma pequena quantidade de dados ao aperto de mão (handshake) inicial, mas como isso acontece apenas uma vez no início de uma conexão, o custo foi diluído ao longo de muitas solicitações subsequentes. Para grandes modelos de inteligência artificial, esse custo extra foi tão pequeno que mal foi percebido, desaparecendo efetivamente no plano de fundo. Isso significa que proteger a privacidade dos dados em trânsito é uma tarefa gerenciável que pode ser atualizada com impacto mínimo no desempenho.

No entanto, a situação foi diferente para a verificação de identidade. As novas assinaturas digitais necessárias para provar que uma mensagem ou atualização de modelo é genuína são significativamente maiores do que as antigas. Nos testes, o tamanho dessas assinaturas saltou de algumas dezenas de bytes para vários milhares de bytes. Em servidores poderosos, esse aumento foi facilmente absorvido. Mas em controladores embarcados menores e chips especializados que ficam na borda da rede, esse aumento de tamanho criou um problema estrutural. Esses dispositivos possuem quantidades fixas de memória e limites rígidos sobre quanta informação podem armazenar em seus certificados. As novas assinaturas, maiores, ameaçavam transbordar esses limites, potencialmente quebrando a capacidade do dispositivo de verificar sua própria identidade. O estudo descobriu que a verdadeira dificuldade não estava na velocidade de cálculo, mas em encaixar essas peças de dados muito maiores nos espaços pequenos e imutáveis projetados para as antigas e menores.

Com base nessas descobertas, a pesquisadora propôs um framework prático para que organizações migrem seus sistemas sem causar interrupções. A abordagem sugere que as empresas não devem tratar isso como uma única e massiva troca técnica, mas sim como um esforço de modernização em etapas. O primeiro passo é assegurar as conexões para dados em trânsito, pois esta é a ameaça mais urgente devido à estratégia de "colha agora, decifre depois" e carrega quase nenhum penalidade de desempenho. Uma vez que as conexões estejam seguras, o foco deve mudar para o problema mais difícil da verificação de identidade. Esta segunda fase deve ser tratada com cuidado, começando pelos sistemas mais flexíveis e movendo-se em direção ao hardware mais restrito. Para os dispositivos minúsculos e embarcados, o plano envolve atualizar seu firmware e o armazenamento de certificados para acomodar as assinaturas maiores, uma tarefa que exige atenção de engenharia em vez de apenas um patch de software.

O estudo conclui que o medo de que computadores quânticos quebrem a segurança da inteligência artificial é amplamente equivocado se a migração for conduzida com uma estratégia clara. O custo de desempenho da nova segurança não é uma barreira para a maioria dos sistemas; o desafio é primariamente de organização e engenharia. Ao priorizar a proteção de dados em trânsito primeiro e, em seguida, abordar metodicamente os limites de armazenamento da verificação de identidade em dispositivos menores, as organizações podem proteger suas cargas de trabalho de inteligência artificial contra ameaças futuras. O caminho a seguir não é encontrar uma solução mágica que torne tudo mais rápido, mas sim entender onde a nova segurança se encaixa e ajustar o hardware e o software para abrir espaço para ela. Essa abordagem garante que os sistemas que protegem nossa infraestrutura crítica permaneçam robustos, mesmo conforme a tecnologia subjacente evolui.