AI安全: 全同态加密或成解决方案

近期，一款名为Manus的AI系统在GAIA基准测试中取得了突破性成绩，其表现超越了同级别的大型语言模型。Manus展示了独立完成复杂任务的能力，如跨国商业谈判，涉及合同分析、策略制定和方案生成等多个环节。与传统系统相比，Manus在动态目标分解、跨模态推理和记忆增强学习方面表现出色。它能将大型任务拆解为众多可执行的子任务，同时处理多种数据类型，并通过强化学习不断提升决策效率和准确性。

Manus的进步再次引发了业内对AI发展路径的讨论：是朝着通用人工智能（AGI）方向发展，还是多智能体系统（MAS）协同主导？这一争论实质上反映了AI发展中效率与安全如何平衡的核心问题。单体智能越接近AGI，其决策过程的不透明性风险就越高；而多智能体协作虽然可以分散风险，却可能因通信延迟而错过关键决策时机。

Manus的发展也凸显了AI系统固有的安全隐患。例如，在医疗场景中可能涉及敏感的患者基因数据；在金融谈判中可能接触未公开的企业财务信息。此外，AI系统可能存在算法偏见，如在招聘过程中对特定群体产生不公平的薪资建议。还有对抗性攻击的风险，黑客可能通过特殊方法误导AI系统的判断。

这些挑战凸显了一个令人担忧的趋势：AI系统越智能，其潜在的攻击面就越广。

在Web3领域，安全一直是核心关注点。目前已经发展出多种加密技术来应对这些挑战：

1. 零信任安全模型：该模型要求对每个访问请求进行严格的身份验证和授权，不信任任何默认设备。

2. 去中心化身份（DID）：这是一种新型的去中心化数字身份标准，无需依赖集中式注册系统。

3. 全同态加密（FHE）：这是一种先进的加密技术，允许在加密状态下对数据进行计算，而不需要解密。

全同态加密被认为是解决AI时代安全问题的重要工具。它可以在以下几个方面发挥作用：

• 数据层面：用户输入的所有信息可以在加密状态下处理，连AI系统本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"，即使开发者也无法直接观察AI的决策过程。

• 协同层面：多个AI代理之间的通信可以采用门限加密，即使单个节点被攻破也不会导致全局数据泄露。

在Web3生态中，已有多个项目致力于探索这些安全技术。例如，uPort在2017年推出了去中心化身份解决方案，NKN在2019年发布了基于零信任模型的主网。而在全同态加密领域，Mind Network是首个在主网上线的FHE项目，并与多家知名机构展开合作。

随着AI技术不断接近人类智能水平，建立强大的防御系统变得愈发重要。全同态加密不仅可以解决当前的安全问题，还为未来更强大的AI时代做好准备。在通向AGI的道路上，FHE可能不仅是一种选择，而是确保AI系统安全运行的必要条件。