Manusは、GAIAベンチマークでSOTA(State-of-the-Art)スコアを達成し、そのパフォーマンスが同レベルのOpen AIの大規模モデルを上回ったことを示しました。 言い換えれば、契約条件の分解、戦略の予測、解決策の生成、さらには法務チームと財務チームの調整を含む国境を越えたビジネス交渉などの複雑なタスクを独立して完了することができます。 従来のシステムと比較して、Manusには、動的オブジェクト分解能力、クロスモーダル推論能力、および記憶強化学習能力という利点があります。 大規模なタスクを数百の実行可能なサブタスクに分割し、複数の種類のデータを同時に処理し、強化学習を使用して意思決定の効率を継続的に改善し、エラー率を減らすことができます。! [ManusはAGIの夜明けをもたらし、AIセキュリティも熟考する価値があります](https://img.gateio.im/social/moments-239a6a2d7c4c2dd73d85a1418d94f2d9)テクノロジーの急速な発展に驚嘆するだけでなく、ManusはAIの進化の道筋について再び意見の相違を引き起こしました:将来、AGIが世界を支配するのか、それともMASが相乗的に支配するのか?これは、2つの可能性を示唆するManusのデザイン哲学から始まります。1つはAGIパスです。 個々の知能のレベルを継続的に向上させることで、人間の総合的な意思決定能力に近づいています。MASパスもあります。 スーパーコーディネーターとして、何千人もの垂直エージェントに協力を命じます。表面的には、私たちはさまざまな道筋を議論していますが、実際には、AI開発の根本的な矛盾、つまり効率とセキュリティのバランスをどのように取るべきかを議論しています。 モノリシックインテリジェンスがAGIに近いほど、ブラックボックスの意思決定のリスクが高くなります。 マルチエージェントコラボレーションはリスクを分散させる可能性がありますが、コミュニケーションの遅延により重要な意思決定のウィンドウを見逃す可能性があります。Manusの進化は、AI開発に内在するリスクを目に見えない形で拡大しています。 たとえば、データプライバシーのブラックホール:医療シナリオでは、Manusは患者のゲノムデータにリアルタイムでアクセスする必要があります。 財務交渉中に、会社の非公開の財務情報に触れる場合があります。 たとえば、アルゴリズムのバイアストラップでは、採用交渉において、Manusは特定の民族の候補者に平均以下の給与を推奨します。 法的な契約をレビューすると、新興業界の用語の誤判断の割合はほぼ半分です。 別の例は、ハッカーが特定の音声周波数を埋め込むことで、Manusが交渉中に相手のオファー範囲を誤って判断できるようにする敵対的攻撃の脆弱性です。AIシステムにとって、私たちは深刻な問題点に直面しなければなりません:システムが賢ければ賢いほど、攻撃対象領域は広くなります。ただし、セキュリティはweb3でよく言及されている単語であり、Vの不可能な三角形のフレームワークから派生したさまざまな暗号化方法があります(ブロックチェーンネットワークは、セキュリティ、分散化、スケーラビリティを同時に実現することはできません)。ゼロトラストセキュリティモデル:*の核となる考え方は、「誰も信用せず、常に検証する」、つまり、デバイスが内部ネットワーク上にあるかどうかに関係なく、デフォルトでデバイスを信頼してはならないということです。このモデルでは、システムのセキュリティを確保するために、各アクセス要求の厳格な認証と承認が強調されています。分散型ID(DID):DIDは、一元化されたレジストリを必要とせずに、検証可能かつ永続的な方法でエンティティを識別できるようにする一連の識別子標準です。これにより、Web3の重要な部分である自己主権型IDと比較されることが多い分散型デジタルIDの新しいモデルが可能になります。完全準同型暗号化(FHE)は、暗号化されたデータを復号化せずに任意の計算を実行できるようにする高度な暗号化技術です。これは、第三者が暗号文を操作でき、復号化後に得られる結果は、平文に対する同じ操作の結果と同じであることを意味します。この機能は、クラウド コンピューティングやデータ アウトソーシングなど、生データを公開せずに計算する必要があるシナリオで重要です。ゼロトラストセキュリティモデルとDIDは、強気市場の複数のラウンドで一定数のプロジェクトを持ち、暗号化の波に成功したか溺れたかのどちらかであり、最も新しい暗号化方法として、完全準同型暗号化(FHE)は、AI時代のセキュリティ問題を解決するための大きなキラーでもあります。 完全準同型暗号化(FHE)は、暗号化されたデータに対して計算を行うことを可能にする技術です。それを修正する方法は?まず、データレベルでです。 ユーザーが入力したすべての情報(生体認証、音声トーンを含む)は暗号化された状態で処理され、Manus自体でさえ元のデータを復号化することはできません。 例えば、医療診断の場合、生体情報の漏洩を避けるために、患者のゲノムデータを暗号文で解析します。アルゴリズムレベル。 FHEによって達成される「暗号モデルトレーニング」により、開発者はAIの意思決定の道筋を覗くことができなくなります。シナジーのレベルです。 閾値暗号化は複数のエージェント通信に使用され、1つのノードを突破してもグローバルなデータ漏洩を引き起こすことはありません。 サプライチェーンの攻撃訓練や防御訓練でも、攻撃者は複数のエージェントに侵入してビジネスの全体像を把握します。技術的な制限により、web3セキュリティはほとんどのユーザーに直接関係しないかもしれませんが、間接的な利益と密接に関連しています。2017年にイーサリアムのメインネットでローンチされたuPortは、おそらくメインネットでリリースされた最初の分散型ID(DID)プロジェクトでした。ゼロトラストセキュリティモデルに関しては、NKNは2019年にメインネットをリリースしました。**Mind Network**は、メインネットで開始された最初のFHEプロジェクトであり、ZAMA、Google、DeepSeekなどとの協力を主導してきました。uPortとNKNはすでに聞いたことのないプロジェクトであり、セキュリティプロジェクトは本当に投機家によって注目されていないようですので、Mind networkがこの呪縛から逃れてセキュリティ分野のリーダーになれるかどうか見守りましょう。未来はここにあります。 AIが人間の知能に近づくほど、人間以外の防御が必要になります。 FHEの価値は、今日の問題を解決するだけでなく、強いAIの時代を切り開くことにあります。 AGIへのこの危険な道では、FHEは選択肢ではなく、生き残るための必需品です。
ManusはAGIの夜明けをもたらし、AIセキュリティも熟考する価値があります
Manusは、GAIAベンチマークでSOTA(State-of-the-Art)スコアを達成し、そのパフォーマンスが同レベルのOpen AIの大規模モデルを上回ったことを示しました。 言い換えれば、契約条件の分解、戦略の予測、解決策の生成、さらには法務チームと財務チームの調整を含む国境を越えたビジネス交渉などの複雑なタスクを独立して完了することができます。 従来のシステムと比較して、Manusには、動的オブジェクト分解能力、クロスモーダル推論能力、および記憶強化学習能力という利点があります。 大規模なタスクを数百の実行可能なサブタスクに分割し、複数の種類のデータを同時に処理し、強化学習を使用して意思決定の効率を継続的に改善し、エラー率を減らすことができます。
! ManusはAGIの夜明けをもたらし、AIセキュリティも熟考する価値があります
テクノロジーの急速な発展に驚嘆するだけでなく、ManusはAIの進化の道筋について再び意見の相違を引き起こしました:将来、AGIが世界を支配するのか、それともMASが相乗的に支配するのか?
これは、2つの可能性を示唆するManusのデザイン哲学から始まります。
1つはAGIパスです。 個々の知能のレベルを継続的に向上させることで、人間の総合的な意思決定能力に近づいています。
MASパスもあります。 スーパーコーディネーターとして、何千人もの垂直エージェントに協力を命じます。
表面的には、私たちはさまざまな道筋を議論していますが、実際には、AI開発の根本的な矛盾、つまり効率とセキュリティのバランスをどのように取るべきかを議論しています。 モノリシックインテリジェンスがAGIに近いほど、ブラックボックスの意思決定のリスクが高くなります。 マルチエージェントコラボレーションはリスクを分散させる可能性がありますが、コミュニケーションの遅延により重要な意思決定のウィンドウを見逃す可能性があります。
Manusの進化は、AI開発に内在するリスクを目に見えない形で拡大しています。 たとえば、データプライバシーのブラックホール:医療シナリオでは、Manusは患者のゲノムデータにリアルタイムでアクセスする必要があります。 財務交渉中に、会社の非公開の財務情報に触れる場合があります。 たとえば、アルゴリズムのバイアストラップでは、採用交渉において、Manusは特定の民族の候補者に平均以下の給与を推奨します。 法的な契約をレビューすると、新興業界の用語の誤判断の割合はほぼ半分です。 別の例は、ハッカーが特定の音声周波数を埋め込むことで、Manusが交渉中に相手のオファー範囲を誤って判断できるようにする敵対的攻撃の脆弱性です。
AIシステムにとって、私たちは深刻な問題点に直面しなければなりません:システムが賢ければ賢いほど、攻撃対象領域は広くなります。
ただし、セキュリティはweb3でよく言及されている単語であり、Vの不可能な三角形のフレームワークから派生したさまざまな暗号化方法があります(ブロックチェーンネットワークは、セキュリティ、分散化、スケーラビリティを同時に実現することはできません)。
ゼロトラストセキュリティモデル:*の核となる考え方は、「誰も信用せず、常に検証する」、つまり、デバイスが内部ネットワーク上にあるかどうかに関係なく、デフォルトでデバイスを信頼してはならないということです。このモデルでは、システムのセキュリティを確保するために、各アクセス要求の厳格な認証と承認が強調されています。 分散型ID(DID):DIDは、一元化されたレジストリを必要とせずに、検証可能かつ永続的な方法でエンティティを識別できるようにする一連の識別子標準です。これにより、Web3の重要な部分である自己主権型IDと比較されることが多い分散型デジタルIDの新しいモデルが可能になります。 完全準同型暗号化(FHE)は、暗号化されたデータを復号化せずに任意の計算を実行できるようにする高度な暗号化技術です。これは、第三者が暗号文を操作でき、復号化後に得られる結果は、平文に対する同じ操作の結果と同じであることを意味します。この機能は、クラウド コンピューティングやデータ アウトソーシングなど、生データを公開せずに計算する必要があるシナリオで重要です。
ゼロトラストセキュリティモデルとDIDは、強気市場の複数のラウンドで一定数のプロジェクトを持ち、暗号化の波に成功したか溺れたかのどちらかであり、最も新しい暗号化方法として、完全準同型暗号化(FHE)は、AI時代のセキュリティ問題を解決するための大きなキラーでもあります。 完全準同型暗号化(FHE)は、暗号化されたデータに対して計算を行うことを可能にする技術です。
それを修正する方法は?
まず、データレベルでです。 ユーザーが入力したすべての情報(生体認証、音声トーンを含む)は暗号化された状態で処理され、Manus自体でさえ元のデータを復号化することはできません。 例えば、医療診断の場合、生体情報の漏洩を避けるために、患者のゲノムデータを暗号文で解析します。
アルゴリズムレベル。 FHEによって達成される「暗号モデルトレーニング」により、開発者はAIの意思決定の道筋を覗くことができなくなります。
シナジーのレベルです。 閾値暗号化は複数のエージェント通信に使用され、1つのノードを突破してもグローバルなデータ漏洩を引き起こすことはありません。 サプライチェーンの攻撃訓練や防御訓練でも、攻撃者は複数のエージェントに侵入してビジネスの全体像を把握します。
技術的な制限により、web3セキュリティはほとんどのユーザーに直接関係しないかもしれませんが、間接的な利益と密接に関連しています。
2017年にイーサリアムのメインネットでローンチされたuPortは、おそらくメインネットでリリースされた最初の分散型ID(DID)プロジェクトでした。 ゼロトラストセキュリティモデルに関しては、NKNは2019年にメインネットをリリースしました。 Mind Networkは、メインネットで開始された最初のFHEプロジェクトであり、ZAMA、Google、DeepSeekなどとの協力を主導してきました。
uPortとNKNはすでに聞いたことのないプロジェクトであり、セキュリティプロジェクトは本当に投機家によって注目されていないようですので、Mind networkがこの呪縛から逃れてセキュリティ分野のリーダーになれるかどうか見守りましょう。
未来はここにあります。 AIが人間の知能に近づくほど、人間以外の防御が必要になります。 FHEの価値は、今日の問題を解決するだけでなく、強いAIの時代を切り開くことにあります。 AGIへのこの危険な道では、FHEは選択肢ではなく、生き残るための必需品です。