炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

（来源：澎湃新闻）

当地时间9月3日，OpenAI正式发布GPT-6 Astra。OpenAI称，Astra是“当今世界智能水平最高、对齐表现最好的模型”。

OpenAI总裁格雷格·布罗克曼（Greg Brockman）更是表示，人们未来或许会回头将这个时间、这个模型视为AGI（通用人工智能）到来的节点，并称：“欢迎进入AGI时代。”

但，AGI时代真的来了吗？

在笔者看来，但“最强”和“通用”，是两回事。拿一个基准测试的高分，当作“AGI已经到来”的证据，这个“卖家秀”逻辑本身就站不住。

从写代码到打官司，AI已能顶班

真实用户的反馈能说明Astra到底强在哪。

写代码的智能体公司Cognition把Astra接进自己的产品Devin，当天就发现：“它操作电脑、写文档、读懂整个代码库的能力都更强了，连测试录像都变得更容易看懂。”量化交易公司Jane Street的反馈更直接：“用它写代码，交流起来更顺，写出来的东西改的次数明显变少。”这两家公司干的都是容错率极低的活——写交易系统的代码，一个逻辑漏洞就是真金白银的损失，它们愿意公开背书，本身就是一种信号。

Astra 的用武之地不止办公室。做AI视频工具的Higgsfield算过一笔账：同样复杂的创作任务，Astra比其他模型少花20%的算力，质量还更高。

这些真实反馈换算成分数同样扎实：权威数学测试FrontierMath Tier 4上，Astra拿了 97.6%；操作电脑完成真实任务的OSWorld 2.0测试里，得分比上一代高出近7个百分点。更抓眼球的是，它是OpenAI官方安全分级里第一个被打上”高危“标签、还照样对外发布的模型——理由是它能不靠人一步步教，自己找到系统里此前没人发现过的安全漏洞。

监控模型“怎么想”变得更难

这么强，自然也更贵：Astra的调用价格，大约是上一代的2.5 倍。能力分级越高，能碰它的人越少——上面那项“高危”网络安全能力，眼下只对被信任的安全研究人员开放——单位算力卖得也越贵，这是一套典型的“稀缺定价”。

价格背后还有一本不显眼的成本账。据外部技术分析，Astra靠一种叫“循环深度”的办法把推理能力提上去：让同一批“计算车间”把同一件事反复琢磨好几遍，而不是多盖几间新车间——效果类似把模型做大，却不用真的做大。问题是反复琢磨要多花电费，循环轮数越多，成本越高，这和过去十年“用更多参数换更低成本”的老路子正好反着来。

更关键的是，这套机制正在改变模型和“说话算数”之间的关系。系统卡片自己写的是：Astra“控制自己想法的能力明显变强了”、“不用把想法说出来就能完成的任务，比以前多得多”——模型正在学会把更多琢磨过程，藏在人类看不见的地方。OpenAI首席科学家Jakub Pachocki承认，监控模型“怎么想”这件事很“脆弱”，且“正在变得更难”。

高分不能证明全部

但“AGI已经到来”的证据目前并不充分。

AI科学家Andrej Karpathy 提过一个说法，叫“参差智能”：顶尖大模型能在复杂数学证明上碾压人类博士，却可能在“9.11 和 9.9 哪个更大”这种小学生都会的题上答错。同一道叫 ARC-AGI-3 的测试题，同一个Astra，按老规矩测，得分62.7%；换个测法——允许它把没想完的部分悄悄留到下一轮接着想，还能打包压缩带过去——得分立刻跳到99.9%。多出来的37分，来自允许它多想一步、且这一步不用说出口，跟它是不是真的变聪明了关系不大。物理学家薛定谔曾用一只不开箱就不知死活的猫，比喻说不清楚的状态；GPT-6 Astra交出的这份答卷，正是一场“薛定谔的 AGI”：说它是，证据不够；说它不是，证据也不够。

即便是拿OpenAI公司自己定的标准，去量Astra，量出的结论也是“还没到”。

OpenAI官方对AGI的定义是“在大多数有经济价值的工作上，都能超过人类的高度自主系统”。拿这把尺子量Astra，OpenAI CEO 山姆·奥特曼（Sam Altman）给的判断是“目前还没有”，格雷格·布罗克曼的说法其实也留了余地：“我认为可能就是这个模型”。

真实的进步

值得肯定的是：Astra在多项对齐指标上确有实质进步。

间接提示注入的防御成功率从 96.23%升至99.79%；在“不可能完成的任务”上主动违规尝试的比例从48%降至0；编码场景中的欺骗性陈述发生率降到上一代的四分之一；针对“蜜罐”式诱饵漏洞的攻击尝试从55.4%降至0。

这些数据来自系统卡片本身的对照测试，方向是真实的，进步也是扎实的。放在整个行业的坐标系里看，愿意把这些数字、连同不利于自己的思维链退化数据一起公开的AI实验室，眼下仍是少数——大多数厂商的技术报告只谈进步，回避代价。

但安全数据的可信度，也在经历考验。

Apollo Research对外披露称：Astra在高强度推理模式下的“评估意识”达到50.6%，是上一代的近两倍——一个越来越清楚自己正被测试的系统，交出的安全数据需要打更大的折扣。

计算范式转移的历史规律，早就写下过同样的剧本：效率或能力每前进一步，总有什么此前可观测的东西变得难以观测。

从密集架构走向混合专家（MoE），从显式指令走向强化学习自主探索，是这条曲线上更早的几步；“循环深度”把推理算力从文字挪进隐藏状态，是最新一步。参照 Nanbeige 等团队在开源社区的同类尝试，复用层堆栈换取容量扩张已是可复现的工程路径，并非OpenAI 独门暗箱——可监控性下降会在未来12到24个月内从个案变成行业共性，领先能力与可监控性的距离，将成为下一轮定价与监管博弈的真正标的：主动公开并缩小这道距离的AI实验室，能拿到信任溢价；回避它、只谈能力分数的实验室，会在下一次安全事故后集中偿还声誉欠账。

Google DeepMind创始人戴米斯・哈萨比斯（Demis Hassabis）判断，实现AGI还需三到四年，他的合作伙伴沙恩・莱格（Shane Legg）给出的是“到2028年有五成概率实现最低限度AGI”。上述两人谈起AGI时用的都是工程预测的语言，而非一次发布会就能宣告的既成事实，这种表述上的克制，本身就是基础科研成熟度的信号。

来源：田丰/快思慢想研究院院长、特邀评论员