Manus 取得 GAIA 基準測試 SOTA 成績，引發 AI 發展路徑討論

Manus 在 GAIA 基準測試中展現出卓越性能，超越了同層次大模型。這意味着它能夠獨立處理復雜任務，如跨國商業談判，涉及合同條款分析、策略制定和方案生成等多個環節。Manus 的優勢在於其動態目標拆解、跨模態推理和記憶增強學習能力。它能將大型任務分解爲數百個可執行子任務，同時處理多種類型的數據，並通過強化學習不斷提升決策效率，降低錯誤率。

Manus 的突破再次引發了人工智能領域對未來發展路徑的討論：是走向通用人工智能（AGI）主導，還是多智能體系統（MAS）協同主導？

Manus 的設計理念包含兩種可能性：

1. AGI 路徑：通過不斷提升單體智能水平，使其接近人類綜合決策能力。

2. MAS 路徑：作爲超級協調者，指揮衆多垂直領域智能體協同工作。

這場討論實際上觸及了 AI 發展的核心問題：如何在效率與安全之間取得平衡？隨着單體智能越接近 AGI，其決策過程的不透明性風險也隨之增加；而多智能體協同雖能分散風險，卻可能因通信延遲錯失關鍵決策時機。

Manus 的進步也凸顯了 AI 發展中的固有風險。例如，在醫療場景中，Manus 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信息。此外，還存在算法偏見問題，如在招聘談判中可能對特定羣體產生不公平的薪資建議，或在法律合同審核時對新興行業條款的誤判率較高。另一個潛在風險是對抗性攻擊，例如黑客可能通過植入特定聲音信號，幹擾 Manus 在談判中的判斷。

這些挑戰突出了一個關鍵問題：AI 系統越智能，其潛在攻擊面也越廣。

在 Web3 領域，安全一直是核心關注點。基於這一理念，衍生出了多種加密方式：

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）：實現了一種新的去中心化數字身份模式。

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 時代安全問題的有力工具。它允許在加密數據上進行計算，爲保護隱私提供了新的可能性。

在應對 AI 安全挑戰時，FHE 可以在多個層面發揮作用：

• 數據層面：用戶輸入的所有信息在加密狀態下處理，even 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 AI 的決策過程不被窺探。

• 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泄露。

盡管 Web3 安全技術目前可能與普通用戶距離較遠，但其重要性不容忽視。在這個充滿挑戰的領域，只有不斷加強防護，才能避免成爲潛在的受害者。

隨着 AI 技術逐漸接近人類智能水平，非傳統的防御系統變得越發重要。FHE 不僅能解決當前的安全問題，還爲未來的強 AI 時代奠定基礎。在通往 AGI 的道路上，FHE 已經從可選項變成了生存必需品。