حقق Manus إنجازاً بارزاً في اختبار GAIA المعياري، مما أثار جدلاً حول مسار تطوير الذكاء الاصطناعي

مؤخراً، حققت Manus نتائج بارزة في اختبار معيار GAIA، حيث تفوقت أداؤها على نماذج اللغة الكبيرة من نفس الفئة. تشير هذه النتيجة إلى أن Manus لديها القدرة على إتمام المهام المعقدة بشكل مستقل، مثل المفاوضات التجارية الدولية، بما في ذلك تحليل شروط العقود، التنبؤ بالاستراتيجيات، توليد الحلول، وحتى التنسيق بين الفرق القانونية والمالية.

تتمثل مزايا Manus بشكل رئيسي في ثلاثة مجالات: القدرة على تفكيك الأهداف الديناميكية، القدرة على الاستدلال عبر الأنماط المختلفة، وقدرة التعلم المعزز للذاكرة. إنه قادر على تقسيم المهام الكبيرة إلى مئات من المهام الفرعية القابلة للتنفيذ، مع معالجة أنواع متعددة من البيانات، ويعمل على تحسين كفاءة قراراته باستمرار من خلال التعلم المعزز، مما يقلل من معدل الأخطاء.

هذا التطور أثار مرة أخرى نقاشاً في الصناعة حول مسار تطور الذكاء الاصطناعي: هل سيكون المستقبل نحو الذكاء الاصطناعي العام (AGI) الذي يهيمن على الجميع، أم أن هناك نظاماً متعدد الوكلاء (MAS) يتعاون للسيطرة؟

تتضمن فكرة تصميم Manus احتمالين:

1. مسار AGI: من خلال تحسين مستوى الذكاء الفردي باستمرار، مما يجعله يقترب من القدرة على اتخاذ القرار الشامل لدى البشر.

2. مسار MAS: كمنسق فائق، يقود آلاف الوكلاء في مجالات عمودية للعمل معًا.

على السطح، هذه مناقشة حول مسارات التنمية المختلفة، ولكنها تعكس في الواقع التناقض المركزي في تطوير الذكاء الاصطناعي: كيفية تحقيق التوازن بين الكفاءة والأمان. عندما تقترب الذكاء الأحادي من AGI، فإن مخاطر عدم الشفافية في قراراته تزداد؛ بينما يمكن أن يؤدي التعاون بين العوامل المتعددة إلى توزيع المخاطر، إلا أنه قد يفوت فرص اتخاذ قرارات حاسمة بسبب تأخيرات الاتصال.

إن تقدم Manus يوسع بصورة غير مرئية المخاطر الكامنة في تطوير الذكاء الاصطناعي، بما في ذلك:

1. مشكلة خصوصية البيانات: في السيناريوهات الطبية، هناك حاجة للوصول الفوري إلى البيانات الحساسة للمرضى؛ في المفاوضات المالية، قد تتعلق المعلومات بالتقارير المالية غير المنشورة للشركات.

2. انحياز الخوارزمية: قد يتم تقديم اقتراحات رواتب غير عادلة لمجموعات معينة في مفاوضات التوظيف؛ معدل الخطأ في تقييم بنود الصناعات الناشئة أثناء مراجعة العقود القانونية مرتفع.

3. ثغرات الهجمات المعاكسة: قد يقوم القراصنة بزرع ترددات صوتية معينة، مما يؤدي إلى أن يُخطئ النظام في تقدير نطاق عروض المنافسين أثناء المفاوضات.

تسلط هذه القضايا الضوء على واقع صارخ: كلما كانت الأنظمة أكثر ذكاءً، زادت مساحة الهجوم.

في مجال Web3، كانت الأمان دائمًا موضوعًا يلفت الانتباه. حول هذا الموضوع، ظهرت مجموعة من الحلول التشفيرية المتنوعة:

1. نموذج الأمان صفر الثقة: يركز على التحقق من الهوية والتفويض الصارم لكل طلب وصول.

2. الهوية اللامركزية (DID): تحقيق التعرف على الهوية دون سجل مركزي.

3. التشفير المتجانس بالكامل (FHE): يسمح بإجراء العمليات على البيانات المشفرة دون فك تشفيرها.

من بين ذلك، يُعتبر التشفير المتجانس بالكامل التقنية الرئيسية لحل مشكلات الأمان في عصر الذكاء الاصطناعي. يمكن أن يوفر الحماية على عدة مستويات:

• على مستوى البيانات: تتم معالجة جميع المعلومات المدخلة من قبل المستخدم في حالة تشفير، حتى نظام الذكاء الاصطناعي نفسه لا يمكنه فك تشفير البيانات الأصلية.

• على مستوى الخوارزميات: من خلال FHE لتحقيق "تدريب نموذج مشفر"، لضمان عدم قدرة المطورين حتى على التطفل على مسار اتخاذ قرارات الذكاء الاصطناعي.

• الجانب التعاوني: يتم استخدام تشفير العتبة للتواصل بين عدة وكالات، لمنع تسرب نقطة واحدة من التسبب في كشف البيانات العالمية.

على الرغم من أن تقنيات أمان Web3 قد لا ترتبط مباشرة بالمستخدمين العاديين، إلا أنها ضرورية لحماية مصالح المستخدمين. في هذا المجال المليء بالمجهول، فإن تعزيز الحماية الأمنية هو وسيلة ضرورية لتجنب أن تصبح "عشبًا".

تاريخياً، كانت هناك عدة مشاريع استكشفت مجال الأمان في Web3:

• تم إصدار uPort على الشبكة الرئيسية للإيثيريوم في عام 2017، وهو واحد من أوائل مشاريع الهوية اللامركزية.
• أصدرت NKN الشبكة الرئيسية المستندة إلى نموذج الأمان بدون ثقة في عام 2019.
• كانت هذه الشبكة هي الأولى التي أطلقت مشروع FHE على الشبكة الرئيسية، وقد أبرمت شراكات مع العديد من المؤسسات المعروفة.

مع اقتراب تقنيات الذكاء الاصطناعي من مستوى الذكاء البشري، أصبحت أنظمة الدفاع غير التقليدية أكثر أهمية. تقنيات الأمان مثل FHE لا تستطيع فقط حل المشكلات الحالية، بل تؤسس أيضًا لحقبة الذكاء الاصطناعي القوي في المستقبل. على الطريق نحو الذكاء الاصطناعي العام، لم تعد هذه التقنيات الأمنية خيارًا، بل أصبحت ضرورية للبقاء.