Manus在GAIA基準測試中取得突破性成績

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。這意味着Manus能夠獨立完成復雜的任務，如跨國商業談判，涉及合同條款分解、策略預判、方案生成，甚至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。它能將大型任務分解成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自身決策效率，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AGI一統天下，還是MAS協同主導？Manus的設計理念暗含兩種可能性：一是通過持續提升單體智能水平，逼近人類綜合決策能力的AGI路徑；二是作爲超級協調者，指揮數千個垂直領域Agent協同作戰的MAS路徑。

這場爭論實際上反映了AI發展中效率與安全如何平衡的核心矛盾。單體智能越接近AGI，其決策黑箱化風險越高；而多Agent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的進化也放大了AI發展的固有風險，如數據隱私、算法偏見和對抗攻擊等問題。例如，在醫療場景中，Manus需要實時訪問患者基因組數據；在金融談判時，可能觸及企業未公開財報信息。在招聘談判中，可能對特定族裔候選人給出低於平均水平的薪資建議；在法律合同審核時，對新興行業條款的誤判率可能接近一半。此外，黑客還可能通過植入特定語音頻率，使Manus在談判中誤判對手報價區間。

這些挑戰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。基於V神提出的不可能三角（區塊鏈網路無法同時實現安全性、去中心化和可擴展性）框架，衍生出了多種加密方式：

1. 零信任安全模型：核心理念是"不信任任何人，總是進行驗證"，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）：一套標識符標準，使實體能夠以可驗證和持久的方式獲得識別，無需集中式註冊表。

3. 全同態加密（FHE）：允許在不解密數據的情況下，對加密數據執行任意計算，適用於雲計算和數據外包等場景。

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。它可以在以下幾個層面發揮作用：

1. 數據層面：用戶輸入的所有信息（包括生物特徵、語音語調）在加密狀態下被處理，連AI系統自身也無法解密原始數據。

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

3. 協同層面：多個Agent通信採用門限加密，單個節點被攻破不會導致全局數據泄露。

在Web3安全領域，一些項目已經開始探索這些技術：

• 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年發布了其主網，致力於零信任安全模型的應用。
• Mind Network是首個主網上線的FHE項目，並與多家知名機構合作。

盡管這些安全項目可能不如一些投機性項目受關注，但它們對於構建安全的Web3生態系統至關重要。

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等技術不僅能解決當前的安全挑戰，還爲未來的強AI時代奠定基礎。在通向AGI的道路上，這些安全技術不再是可選項，而是生存的必需品。