Manus在GAIA基准测试中取得突破性成果，引发AI发展路径争论

近期，Manus在GAIA基准测试中取得了突破性的成绩，其性能超越了同层次的大型语言模型。这一成果表明，Manus具备独立完成复杂任务的能力，例如跨国商业谈判，包括合同条款分解、策略预判、方案生成，甚至能够协调法务和财务团队。

Manus的优势主要体现在三个方面：动态目标拆解能力、跨模态推理能力以及记忆增强学习能力。它能够将大型任务分解成数百个可执行的子任务，同时处理多种类型的数据，并通过强化学习不断提升自身的决策效率，降低错误率。

这一进展再次引发了业内对AI演化路径的讨论：未来是走向通用人工智能（AGI）一统天下，还是多智能体系统（MAS）协同主导？

Manus的设计理念暗含两种可能性：

1. AGI路径：通过持续提升单体智能水平，使其逼近人类综合决策能力。

2. MAS路径：作为超级协调者，指挥数千个垂直领域的智能体协同工作。

表面上，这是关于不同发展路径的争论，实际上反映了AI发展中的核心矛盾：如何平衡效率与安全。当单体智能越接近AGI，其决策的不透明风险就越高；而多智能体协同虽然可以分散风险，却可能因通信延迟而错失关键决策时机。

Manus的进步无形中放大了AI发展的固有风险，包括：

1. 数据隐私问题：在医疗场景中，需要实时访问患者敏感数据；在金融谈判中，可能涉及企业未公开财报信息。

2. 算法偏见：在招聘谈判中，可能对特定群体给出不公平的薪资建议；在法律合同审核时，对新兴行业条款的误判率较高。

3. 对抗性攻击漏洞：黑客可能通过植入特定语音频率，导致系统在谈判中误判对手报价区间。

这些问题凸显了一个严峻的现实：越智能的系统，其攻击面也越广。

在Web3领域，安全一直是备受关注的话题。围绕这一主题，衍生出了多种加密技术方案：

1. 零信任安全模型：强调对每个访问请求进行严格的身份验证和授权。

2. 去中心化身份（DID）：实现无需集中式注册表的身份识别。

3. 全同态加密（FHE）：允许在不解密数据的情况下对加密数据进行计算。

其中，全同态加密被认为是解决AI时代安全问题的关键技术。它可以在以下几个层面提供保护：

• 数据层面：用户输入的所有信息在加密状态下被处理，连AI系统自身也无法解密原始数据。

• 算法层面：通过FHE实现"加密模型训练"，确保连开发者都无法窥探AI的决策路径。

• 协同层面：多个智能体之间的通信采用门限加密，防止单点泄露导致全局数据暴露。

尽管Web3安全技术与普通用户可能没有直接联系，但它们对于保护用户利益至关重要。在这个充满未知的领域，加强安全防护是避免成为"韭菜"的必要手段。

历史上，已有多个项目在Web3安全领域进行了探索：

• uPort于2017年在以太坊主网上发布，是较早的去中心化身份项目之一。
• NKN于2019年发布了基于零信任安全模型的主网。
• 某网络则是首个在主网上线的FHE项目，并与多家知名机构达成合作。

随着AI技术不断接近人类智能水平，非传统的防御体系变得越发重要。FHE等安全技术不仅能解决当前问题，还为未来强AI时代奠定基础。在通向AGI的道路上，这些安全技术已不再是可选项，而是生存的必需品。