Останні досягнення в сфері ШІ: продуктивність моделі Manus перевищує аналогічні продукти OpenAI

Нещодавно модель Manus досягла проривного прогресу в тестуванні GAIA, її продуктивність перевищила продуктивність моделей OpenAI того ж рівня. Це означає, що Manus вже має можливість самостійно виконувати складні завдання, такі як багатоступеневі завдання з аналізу умов контрактів, розробки стратегій та генерації пропозицій під час міжнародних бізнес-переговорів.

Переваги Manus в основному проявляються в трьох аспектах: динамічному розподілі цілей, крос-модальному висновку та посиленому навчанні пам'яті. Він може розбивати складні завдання на сотні виконуваних підзавдань, одночасно обробляючи кілька типів даних, і постійно підвищувати ефективність прийняття рішень та знижувати частоту помилок за допомогою навчання з підкріпленням.

Цей прорив знову викликав обговорення в індустрії щодо шляхів розвитку ШІ: чи йти до загального штучного інтелекту (AGI), чи до системи багатьох агентів (MAS)? Дизайнерська концепція Manus, здається, натякає на дві можливості: по-перше, шляхом постійного підвищення рівня окремого інтелекту, наближатися до загальної здатності людини до прийняття рішень; по-друге, виступати як суперкоординатор, керуючи співпрацею декількох AI в спеціалізованих областях.

Проте, з підвищенням можливостей ШІ, також зростають його потенційні ризики. Наприклад, у медичних сценаріях ШІ може знадобитися доступ до чутливих генетичних даних пацієнтів; у фінансових переговорах можуть бути залучені не опубліковані фінансові дані компанії. Крім того, системи ШІ можуть також мати алгоритмічні упередження, такі як несправедливі оцінки певних груп під час процесу відбору. Ще серйозніше, системи ШІ можуть піддаватися атакам, такими як зловмисники, які шляхом впровадження певного аудіо змушують ШІ робити помилкові висновки під час переговорів.

Стикаючись з цими викликами, галузь досліджує різноманітні рішення для забезпечення безпеки. Серед них повна гомоморфна криптографія ( FHE ) вважається важливим інструментом для вирішення проблем безпеки в епоху штучного інтелекту. FHE дозволяє обробляти дані в зашифрованому стані, навіть система ШІ сама не може розшифрувати оригінальну інформацію. Цю технологію можна застосовувати на кількох рівнях:

1. Дані на рівні: Вся інформація, введена користувачем (, включаючи біометричні дані, голос ) обробляється в зашифрованому вигляді, ефективно запобігаючи витоку інформації.

2. Алгоритмічний рівень: реалізація "зашифрованого навчання моделей" через FHE, навіть розробники не можуть безпосередньо спостерігати за процесом прийняття рішень AI.

3. Співпраця: комунікація між кількома AI-агентами використовує порогове шифрування, і навіть якщо один вузол буде зламано, це не призведе до витоку глобальних даних.

Хоча наразі застосування технології FHE у сфері Web3 ще відносно обмежене, проте з швидким розвитком технологій ШІ її важливість стає все більш очевидною. У майбутньому, коли системи ШІ все більше наближатимуться до людського інтелекту, нетрадиційні системи захисту стануть життєво важливими. FHE не тільки вирішує актуальні проблеми безпеки, але й закладає основу для майбутньої ери сильного ШІ. На шляху до AGI FHE, ймовірно, перетвориться з опційного елемента на життєво необхідний.