Manus在GAIA基準測試中取得突破性成果，引發AI發展路徑爭論

近期，Manus在GAIA基準測試中取得了突破性的成績，其性能超越了同層次的大型語言模型。這一成果表明，Manus具備獨立完成復雜任務的能力，例如跨國商業談判，包括合同條款分解、策略預判、方案生成，甚至能夠協調法務和財務團隊。

Manus的優勢主要體現在三個方面：動態目標拆解能力、跨模態推理能力以及記憶增強學習能力。它能夠將大型任務分解成數百個可執行的子任務，同時處理多種類型的數據，並通過強化學習不斷提升自身的決策效率，降低錯誤率。

這一進展再次引發了業內對AI演化路徑的討論：未來是走向通用人工智能（AGI）一統天下，還是多智能體系統（MAS）協同主導？

Manus的設計理念暗含兩種可能性：

1. AGI路徑：通過持續提升單體智能水平，使其逼近人類綜合決策能力。

2. MAS路徑：作爲超級協調者，指揮數千個垂直領域的智能體協同工作。

表面上，這是關於不同發展路徑的爭論，實際上反映了AI發展中的核心矛盾：如何平衡效率與安全。當單體智能越接近AGI，其決策的不透明風險就越高；而多智能體協同雖然可以分散風險，卻可能因通信延遲而錯失關鍵決策時機。

Manus的進步無形中放大了AI發展的固有風險，包括：

1. 數據隱私問題：在醫療場景中，需要實時訪問患者敏感數據；在金融談判中，可能涉及企業未公開財報信息。

2. 算法偏見：在招聘談判中，可能對特定羣體給出不公平的薪資建議；在法律合同審核時，對新興行業條款的誤判率較高。

3. 對抗性攻擊漏洞：黑客可能通過植入特定語音頻率，導致系統在談判中誤判對手報價區間。

這些問題凸顯了一個嚴峻的現實：越智能的系統，其攻擊面也越廣。

在Web3領域，安全一直是備受關注的話題。圍繞這一主題，衍生出了多種加密技術方案：

1. 零信任安全模型：強調對每個訪問請求進行嚴格的身分驗證和授權。

2. 去中心化身份（DID）：實現無需集中式註冊表的身分識別。

3. 全同態加密（FHE）：允許在不解密數據的情況下對加密數據進行計算。

其中，全同態加密被認爲是解決AI時代安全問題的關鍵技術。它可以在以下幾個層面提供保護：

• 數據層面：用戶輸入的所有信息在加密狀態下被處理，連AI系統自身也無法解密原始數據。

• 算法層面：通過FHE實現"加密模型訓練"，確保連開發者都無法窺探AI的決策路徑。

• 協同層面：多個智能體之間的通信採用門限加密，防止單點泄露導致全局數據暴露。

盡管Web3安全技術與普通用戶可能沒有直接聯繫，但它們對於保護用戶利益至關重要。在這個充滿未知的領域，加強安全防護是避免成爲"韭菜"的必要手段。

歷史上，已有多個項目在Web3安全領域進行了探索：

• uPort於2017年在以太坊主網上發布，是較早的去中心化身份項目之一。
• NKN於2019年發布了基於零信任安全模型的主網。
• 某網路則是首個在主網上線的FHE項目，並與多家知名機構達成合作。

隨着AI技術不斷接近人類智能水平，非傳統的防御體系變得越發重要。FHE等安全技術不僅能解決當前問題，還爲未來強AI時代奠定基礎。在通向AGI的道路上，這些安全技術已不再是可選項，而是生存的必需品。