Manus 取得 GAIA 基准测试 SOTA 成绩，引发 AI 发展路径讨论

Manus 在 GAIA 基准测试中展现出卓越性能，超越了同层次大模型。这意味着它能够独立处理复杂任务，如跨国商业谈判，涉及合同条款分析、策略制定和方案生成等多个环节。Manus 的优势在于其动态目标拆解、跨模态推理和记忆增强学习能力。它能将大型任务分解为数百个可执行子任务，同时处理多种类型的数据，并通过强化学习不断提升决策效率，降低错误率。

Manus 的突破再次引发了人工智能领域对未来发展路径的讨论：是走向通用人工智能（AGI）主导，还是多智能体系统（MAS）协同主导？

Manus 的设计理念包含两种可能性：

1. AGI 路径：通过不断提升单体智能水平，使其接近人类综合决策能力。

2. MAS 路径：作为超级协调者，指挥众多垂直领域智能体协同工作。

这场讨论实际上触及了 AI 发展的核心问题：如何在效率与安全之间取得平衡？随着单体智能越接近 AGI，其决策过程的不透明性风险也随之增加；而多智能体协同虽能分散风险，却可能因通信延迟错失关键决策时机。

Manus 的进步也凸显了 AI 发展中的固有风险。例如，在医疗场景中，Manus 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信息。此外，还存在算法偏见问题，如在招聘谈判中可能对特定群体产生不公平的薪资建议，或在法律合同审核时对新兴行业条款的误判率较高。另一个潜在风险是对抗性攻击，例如黑客可能通过植入特定声音信号，干扰 Manus 在谈判中的判断。

这些挑战突出了一个关键问题：AI 系统越智能，其潜在攻击面也越广。

在 Web3 领域，安全一直是核心关注点。基于这一理念，衍生出了多种加密方式：

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）：实现了一种新的去中心化数字身份模式。

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 时代安全问题的有力工具。它允许在加密数据上进行计算，为保护隐私提供了新的可能性。

在应对 AI 安全挑战时，FHE 可以在多个层面发挥作用：

• 数据层面：用户输入的所有信息在加密状态下处理，even 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 AI 的决策过程不被窥探。

• 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泄露。

尽管 Web3 安全技术目前可能与普通用户距离较远，但其重要性不容忽视。在这个充满挑战的领域，只有不断加强防护，才能避免成为潜在的受害者。

随着 AI 技术逐渐接近人类智能水平，非传统的防御系统变得越发重要。FHE 不仅能解决当前的安全问题，还为未来的强 AI 时代奠定基础。在通往 AGI 的道路上，FHE 已经从可选项变成了生存必需品。