AI安全問題凸顯，全同態加密或成解決之道

隨着人工智能技術的飛速發展，Manus在GAIA基準測試中取得了突破性成績，其性能已超越同層次的大型語言模型。Manus展現出了獨立完成復雜任務的能力，如跨國商業談判等涉及多方面專業知識的領域。與傳統系統相比，Manus在動態目標拆解、跨模態推理以及記憶增強學習等方面具有顯著優勢。

然而，Manus的進步也引發了業內對AI發展路徑的熱議：未來是會出現一個統一的通用人工智能（AGI），還是由多個專業化智能體（MAS）協同工作？這一爭論實際上反映了AI發展中效率與安全的平衡問題。單一智能體接近AGI時，決策過程的不透明性會增加風險；而多智能體協作雖然可以分散風險，但可能因溝通延遲而錯過關鍵決策時機。

Manus的發展無形中放大了AI固有的安全隱患。在醫療場景中，它需要訪問患者的敏感基因組數據；在金融談判中，可能涉及企業未公開的財務信息。此外，AI系統還面臨算法偏見和對抗性攻擊等問題。例如，在招聘過程中可能對特定羣體產生不公平的薪資建議，或在法律文件審核時對新興行業條款的判斷準確率偏低。更嚴重的是，黑客可能通過植入特定音頻信號，幹擾AI系統在談判中的判斷。

面對這些挑戰，業界正在探索多種安全解決方案。其中，全同態加密（FHE）技術被認爲是解決AI時代安全問題的有力工具。FHE允許在加密數據上進行計算，無需解密即可處理敏感信息。

在數據層面，FHE能確保用戶輸入的所有信息（包括生物特徵、語音等）在加密狀態下被處理，即使是AI系統本身也無法解密原始數據。在算法層面，通過FHE實現的"加密模型訓練"，可以保護AI的決策過程不被窺探。在多智能體協作方面，採用門限加密技術可以防止單個節點被攻破導致全局數據泄露。

雖然Web3安全技術對普通用戶來說可能顯得遙遠，但它們對保護用戶利益至關重要。在區塊鏈行業中，已經有一些項目在探索去中心化身份、零信任安全模型等安全技術。然而，相比於其他更受關注的領域，安全項目往往不被投機者青睞。

隨着AI技術不斷接近人類智能水平，建立強大的防御體系變得愈發重要。FHE等安全技術不僅能解決當前問題，還爲未來更強大的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，而是確保AI系統可靠運行的必要條件。