نموذج Manus يظهر أداءً ممتازًا في اختبار GAIA المعياري، مما يثير جدلًا حول مسار تطوير الذكاء الاصطناعي
مؤخراً، حقق نموذج Manus إنجازاً ملحوظاً في اختبار GAIA المعياري، حيث تفوقت أداؤه على نماذج اللغة الكبيرة من نفس المستوى. يُظهر هذا الإنجاز قدرة Manus الاستثنائية في معالجة المهام المعقدة، مثل المفاوضات التجارية الدولية، التي تشمل تحليل العقود، وتطوير الاستراتيجيات، وتوليد الحلول.
تتمثل مزايا Manus بشكل رئيسي في ثلاثة جوانب: تفكيك الأهداف الديناميكية، الاستدلال عبر الأنماط، والتعلم المعزز بالذاكرة. يمكنه تقسيم المهام المعقدة إلى مئات من المهام الفرعية القابلة للتنفيذ، في حين يتعامل مع أنواع متعددة من البيانات، ويعمل على تحسين كفاءة اتخاذ القرار وتقليل معدل الخطأ من خلال التعلم المعزز.
أثارت هذه التطورات مجددًا نقاشًا في الصناعة حول مسار تطوير الذكاء الاصطناعي: هل سنذهب نحو الذكاء الاصطناعي العام (AGI) أم نحو أنظمة متعددة الوكلاء (MAS)؟
تشير فلسفة تصميم Manus إلى احتمالين:
مسار AGI: من خلال تعزيز قدرات نظام ذكي واحد باستمرار، ليقترب تدريجياً من مستوى اتخاذ القرار الشامل للبشر.
مسار MAS: تعيين Manus كمنسق رئيسي، لقيادة الآلاف من الوكلاء المتخصصين للعمل معًا.
تعكس هذان المساران تناقضًا جوهريًا في تطوير الذكاء الاصطناعي: كيف يمكن تحقيق التوازن بين الكفاءة والأمان؟ كلما اقترب النظام الذكي الفردي من الذكاء العام الاصطناعي، أصبح من الصعب تفسير عملية اتخاذ القرار الخاصة به؛ بينما يمكن لنظام الوكلاء المتعددين توزيع المخاطر، لكنه قد يفوت اللحظات الحاسمة لاتخاذ القرار بسبب تأخيرات في التواصل.
تقدم Manus يعكس أيضًا المخاطر المحتملة في تطوير الذكاء الاصطناعي. على سبيل المثال، قد يتطلب الأمر الوصول إلى بيانات الجينات الحساسة للمرضى في سياقات طبية؛ وفي المفاوضات المالية، قد يتم التعرض لمعلومات مالية غير معلنة للشركات. بالإضافة إلى ذلك، هناك مشكلة التحيز الخوارزمي، مثل تقديم اقتراحات غير عادلة للأجور لمجموعات معينة خلال عمليات التوظيف. في مراجعة العقود القانونية، قد يكون هناك معدل مرتفع من الأخطاء في تفسير البنود المتعلقة بالصناعات الناشئة. والأكثر خطورة، قد يتمكن القراصنة من التدخل في حكم Manus أثناء المفاوضات من خلال إدخال إشارات صوتية محددة.
تسلط هذه التحديات الضوء على واقع صارم: كلما زادت ذكاء أنظمة الذكاء الاصطناعي، زادت المساحات المحتملة للهجمات.
في مجال Web3، كانت الأمان موضوعًا يحظى باهتمام كبير. نظرية "مثلث المستحيل" التي قدمها مؤسس الإيثيريوم فيتاليك بوتيرين (لا يمكن لشبكات blockchain تحقيق الأمان واللامركزية وقابلية التوسع في نفس الوقت) أدت إلى ظهور تقنيات تشفير متعددة:
نموذج الأمان صفر الثقة: يركز على إجراء تحقق صارم من الهوية والتفويض لكل طلب وصول.
الهوية اللامركزية (DID): تتيح للكيانات الحصول على هوية قابلة للتحقق دون الحاجة إلى تسجيل مركزي.
التشفير المتجانس بالكامل (FHE): يسمح بإجراء حسابات على البيانات في حالة التشفير، مما يحمي خصوصية البيانات.
من بين ذلك، تعتبر التشفير المتجانس بالكامل التقنية الرئيسية لحل مشكلات الأمان في عصر الذكاء الاصطناعي. يمكن أن تلعب دورًا في الجوانب التالية:
على مستوى البيانات: تتم معالجة جميع المعلومات المدخلة من قبل المستخدم في حالة مشفرة، حتى أن نظام الذكاء الاصطناعي نفسه لا يمكنه فك تشفير البيانات الأصلية.
على المستوى الخوارزمي: تحقيق "تدريب نموذج مشفر" من خلال FHE، حتى المطورين لا يستطيعون التطفل على عملية اتخاذ القرار للذكاء الاصطناعي.
الجانب التعاوني: يتم استخدام التشفير بالعتبة للتواصل بين عدة وكالات، حتى إذا تم اختراق عقدة واحدة، فلن يؤدي ذلك إلى تسريب البيانات على مستوى العالم.
في مجال أمان Web3، تم استكشاف العديد من المشاريع. على سبيل المثال، تم إصدار uPort على شبكة Ethereum الرئيسية في عام 2017، وهو واحد من أولى مشاريع الهوية اللامركزية. أصدرت NKN الشبكة الرئيسية القائمة على نموذج الأمان بدون ثقة في عام 2019. أما في مجال FHE، فإن Mind Network هو المشروع الأول الذي أطلق الشبكة الرئيسية، وقد أقام شراكات مع العديد من المؤسسات المعروفة.
مع التطور السريع للتكنولوجيا الذكية، أصبح بناء نظام دفاعي قوي أكثر أهمية. لا تحل التشفير المتجانس الكامل فقط المشكلات الأمنية الحالية، بل تهيئ أيضًا الطريق لوصول عصر الذكاء الاصطناعي القوي في المستقبل. على طريق الوصول إلى الذكاء الاصطناعي العام، أصبح التشفير المتجانس الكامل تقنية لا غنى عنها.
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
نموذج Manus يحقق اختراقًا في اختبار GAIA مما يثير الجدل حول مسارات تطوير الذكاء الاصطناعي والأمان
نموذج Manus يظهر أداءً ممتازًا في اختبار GAIA المعياري، مما يثير جدلًا حول مسار تطوير الذكاء الاصطناعي
مؤخراً، حقق نموذج Manus إنجازاً ملحوظاً في اختبار GAIA المعياري، حيث تفوقت أداؤه على نماذج اللغة الكبيرة من نفس المستوى. يُظهر هذا الإنجاز قدرة Manus الاستثنائية في معالجة المهام المعقدة، مثل المفاوضات التجارية الدولية، التي تشمل تحليل العقود، وتطوير الاستراتيجيات، وتوليد الحلول.
تتمثل مزايا Manus بشكل رئيسي في ثلاثة جوانب: تفكيك الأهداف الديناميكية، الاستدلال عبر الأنماط، والتعلم المعزز بالذاكرة. يمكنه تقسيم المهام المعقدة إلى مئات من المهام الفرعية القابلة للتنفيذ، في حين يتعامل مع أنواع متعددة من البيانات، ويعمل على تحسين كفاءة اتخاذ القرار وتقليل معدل الخطأ من خلال التعلم المعزز.
أثارت هذه التطورات مجددًا نقاشًا في الصناعة حول مسار تطوير الذكاء الاصطناعي: هل سنذهب نحو الذكاء الاصطناعي العام (AGI) أم نحو أنظمة متعددة الوكلاء (MAS)؟
تشير فلسفة تصميم Manus إلى احتمالين:
مسار AGI: من خلال تعزيز قدرات نظام ذكي واحد باستمرار، ليقترب تدريجياً من مستوى اتخاذ القرار الشامل للبشر.
مسار MAS: تعيين Manus كمنسق رئيسي، لقيادة الآلاف من الوكلاء المتخصصين للعمل معًا.
تعكس هذان المساران تناقضًا جوهريًا في تطوير الذكاء الاصطناعي: كيف يمكن تحقيق التوازن بين الكفاءة والأمان؟ كلما اقترب النظام الذكي الفردي من الذكاء العام الاصطناعي، أصبح من الصعب تفسير عملية اتخاذ القرار الخاصة به؛ بينما يمكن لنظام الوكلاء المتعددين توزيع المخاطر، لكنه قد يفوت اللحظات الحاسمة لاتخاذ القرار بسبب تأخيرات في التواصل.
تقدم Manus يعكس أيضًا المخاطر المحتملة في تطوير الذكاء الاصطناعي. على سبيل المثال، قد يتطلب الأمر الوصول إلى بيانات الجينات الحساسة للمرضى في سياقات طبية؛ وفي المفاوضات المالية، قد يتم التعرض لمعلومات مالية غير معلنة للشركات. بالإضافة إلى ذلك، هناك مشكلة التحيز الخوارزمي، مثل تقديم اقتراحات غير عادلة للأجور لمجموعات معينة خلال عمليات التوظيف. في مراجعة العقود القانونية، قد يكون هناك معدل مرتفع من الأخطاء في تفسير البنود المتعلقة بالصناعات الناشئة. والأكثر خطورة، قد يتمكن القراصنة من التدخل في حكم Manus أثناء المفاوضات من خلال إدخال إشارات صوتية محددة.
تسلط هذه التحديات الضوء على واقع صارم: كلما زادت ذكاء أنظمة الذكاء الاصطناعي، زادت المساحات المحتملة للهجمات.
في مجال Web3، كانت الأمان موضوعًا يحظى باهتمام كبير. نظرية "مثلث المستحيل" التي قدمها مؤسس الإيثيريوم فيتاليك بوتيرين (لا يمكن لشبكات blockchain تحقيق الأمان واللامركزية وقابلية التوسع في نفس الوقت) أدت إلى ظهور تقنيات تشفير متعددة:
نموذج الأمان صفر الثقة: يركز على إجراء تحقق صارم من الهوية والتفويض لكل طلب وصول.
الهوية اللامركزية (DID): تتيح للكيانات الحصول على هوية قابلة للتحقق دون الحاجة إلى تسجيل مركزي.
التشفير المتجانس بالكامل (FHE): يسمح بإجراء حسابات على البيانات في حالة التشفير، مما يحمي خصوصية البيانات.
من بين ذلك، تعتبر التشفير المتجانس بالكامل التقنية الرئيسية لحل مشكلات الأمان في عصر الذكاء الاصطناعي. يمكن أن تلعب دورًا في الجوانب التالية:
على مستوى البيانات: تتم معالجة جميع المعلومات المدخلة من قبل المستخدم في حالة مشفرة، حتى أن نظام الذكاء الاصطناعي نفسه لا يمكنه فك تشفير البيانات الأصلية.
على المستوى الخوارزمي: تحقيق "تدريب نموذج مشفر" من خلال FHE، حتى المطورين لا يستطيعون التطفل على عملية اتخاذ القرار للذكاء الاصطناعي.
الجانب التعاوني: يتم استخدام التشفير بالعتبة للتواصل بين عدة وكالات، حتى إذا تم اختراق عقدة واحدة، فلن يؤدي ذلك إلى تسريب البيانات على مستوى العالم.
في مجال أمان Web3، تم استكشاف العديد من المشاريع. على سبيل المثال، تم إصدار uPort على شبكة Ethereum الرئيسية في عام 2017، وهو واحد من أولى مشاريع الهوية اللامركزية. أصدرت NKN الشبكة الرئيسية القائمة على نموذج الأمان بدون ثقة في عام 2019. أما في مجال FHE، فإن Mind Network هو المشروع الأول الذي أطلق الشبكة الرئيسية، وقد أقام شراكات مع العديد من المؤسسات المعروفة.
مع التطور السريع للتكنولوجيا الذكية، أصبح بناء نظام دفاعي قوي أكثر أهمية. لا تحل التشفير المتجانس الكامل فقط المشكلات الأمنية الحالية، بل تهيئ أيضًا الطريق لوصول عصر الذكاء الاصطناعي القوي في المستقبل. على طريق الوصول إلى الذكاء الاصطناعي العام، أصبح التشفير المتجانس الكامل تقنية لا غنى عنها.