Que va apporter Manus à l'explosion du web3 DeFai ?

La réalisation de la véritable vision DeFai nécessite la résolution de problèmes complexes tels que la limite de capacité des modèles AI monolithiques, la garantie d’atomicité de la collaboration interactive multimodale, la coordination et le contrôle unifiés des ressources des systèmes multimodaux, ainsi que des mécanismes de tolérance aux pannes et de gestion des erreurs.

Rédigé par : Haotian

Au réveil, de nombreux amis m’ont demandé de regarder #manus, qui se présente comme un agent AI véritablement universel à l’échelle mondiale, capable de réfléchir de manière autonome, de planifier et d’exécuter des tâches complexes, et de livrer des résultats complets. Cela semble très cool, mais en dehors des voix anxieuses dans de nombreux cercles d’amis sur le point de perdre leur emploi, qu’est-ce que cela apportera à l’explosion de la scène web3 DeFai ? Voici mes réflexions :

Il y a environ un mois, OpenAI a lancé un produit similaire appelé Operator, qui permet à l’IA d’effectuer de manière autonome des tâches telles que la réservation de restaurants, les achats, la réservation de billets, la commande de plats à emporter, etc. dans un navigateur. Les utilisateurs peuvent superviser de manière visuelle et reprendre le contrôle à tout moment.

Cette apparition de l’Agent n’a pas suscité beaucoup de discussions, car il s’agit d’un modèle unique piloté, ou d’un ensemble d’outils appelés par le cadre, et les utilisateurs ont perdu l’idée de compter sur l’exécution des tâches dès qu’ils ont pensé à intervenir dans les décisions clés.

2）manus en apparence ne semble pas très différent, mais il a beaucoup plus de scénarios d’application, y compris le filtrage des CV, l’étude des actions, l’achat de biens immobiliers, etc., mais en fait, il existe des différences dans le cadre et le système d’exécution en arrière-plan, Manus est alimenté par de grands modèles multimodaux et utilise de manière innovante un système de signatures multiples.

En bref, l’IA doit imiter l’action en boucle PDCA (Plan - Do - Check - Act) des humains, qui sera exécutée en collaboration par plusieurs grands modèles, chaque modèle se concentrant sur une étape spécifique. Cela permet non seulement de réduire les risques de décision pour l’exécution des tâches par un seul modèle, mais aussi d’améliorer l’efficacité de l’exécution. Le soi-disant “système de signatures multiples” est en fait un mécanisme de validation des décisions par la collaboration de plusieurs modèles professionnels, garantissant la fiabilité des décisions et de l’exécution en exigeant une confirmation commune de plusieurs modèles.

3）En comparant ainsi, les avantages de manus sont clairement mis en évidence, en plus de la série d’expériences opérationnelles présentées dans la démo vidéo, ce qui donne vraiment une expérience extraordinaire. Mais objectivement, l’innovation itérative de Manus pour l’Opérateur n’est qu’un début et n’a pas encore atteint un sens révolutionnaire de renversement.

La clé réside dans la complexité de l’exécution de ses tâches, ainsi que dans la définition du taux de tolérance aux erreurs et du taux de succès de la livraison du grand modèle après que l’utilisateur input Prompt non standard soit entré. Sinon, en suivant cette innovation, le scénario DeFai de web3 ne serait-il pas immédiatement devenu une application mature ? Apparemment, ce n’est pas encore le cas :

Par exemple: Dans le contexte DeFai, l’Agent doit prendre des décisions de transaction, il est nécessaire qu’un Agent de la couche Oracle soit responsable de la collecte et de la vérification des données de la chaîne, de l’analyse et de l’intégration des données, ainsi que de la surveillance en temps réel des opportunités de transaction de capture de prix sur la chaîne. Ce processus représente un grand défi pour l’analyse en temps réel, il est possible qu’une opportunité de transaction utile il y a une seconde, une fois que le grand modèle Oracle est transmis à l’Agent d’exécution de transaction, l’opportunité de transaction n’existe plus (fenêtre d’arbitrage);

Cela expose en fait l’une des plus grandes faiblesses de ce type de grands modèles multimodaux pour la prise de décision, comment se connecter, déclencher des analyses en temps réel et extraire des opportunités de trading, puis les capturer. L’environnement de connexion n’est pas si mal en fait, de nombreux sites de commerce électronique n’ont pas des prix de commande qui changent en temps réel, ce qui ne pose pas de problème majeur d’équilibre dynamique pour l’ensemble de la collaboration multimodale. Cependant, sur la chaîne, de tels défis sont presque toujours présents.

4）Par conséquent, dans l’ensemble, la présence de manus pourrait en effet susciter de l’anxiété dans le cercle d’amis de Web2, car de nombreux postes administratifs à forte répétitivité et des emplois de traitement de l’information pourraient être confrontés au risque d’être remplacés par l’IA. Mais laissez-les s’inquiéter eux-mêmes.

Il est impératif que nous reconnaissions objectivement le rôle moteur de cette question dans la promotion des applications DeFai dans le contexte de web3.

Il faut admettre : le sens est certainement important, après tout, le concept de LLM OS et Less Structure more intelligence qu’il propose, en particulier le système de signature multiple, offrira de grandes inspirations pour l’extension de DeFi et de l’IA dans le web3.

Cela corrige en fait une grande confusion dans la plupart des projets DeFai, ne comptez pas sur un grand modèle pour réaliser des objectifs complexes tels que la réflexion autonome de l’agent AI et la prise de décision, ce n’est tout simplement pas réaliste dans le contexte financier.

La réalisation de la véritable vision DeFai nécessite la résolution de problèmes complexes tels que la limite de capacité des modèles AI monolithiques, la garantie de l’atomicité de l’interaction et de la collaboration multimodale, la gestion et le contrôle unifiés des ressources dans les systèmes multimodaux, ainsi que les mécanismes de tolérance aux pannes et de gestion des erreurs, etc.

Par exemple : l’Agent de couche Oracle, responsable de la collecte et de l’analyse des données on-chain, surveille les prix et forme une source de données efficace ;

La couche de décision de l’Agent, analyse et évalue les risques en fonction des données fournies par Oracle, et élabore un ensemble de décisions et de plans d’action.

L’agent de niveau d’exécution, en fonction de diverses solutions fournies par la couche de décision et en tenant compte des circonstances réelles, effectue l’exécution, y compris l’optimisation des frais de gaz, l’état inter-chaîne, les conflits de tri des transactions, etc.

Seule une série d’agents synchronisés et dotés d’un vaste cadre système permettra de lancer une véritable révolution DeFai.