Inilunsad ng OpenAI ang GPT-6 Astra Model, ang mga kakayahan ng AI Agent ay lumampas sa mga nakaraang benchmark

Ipinakilala ng OpenAI ang GPT-6 Astra model, na nagdudulot ng mahalagang pagbabago mula sa Answer Engine patungo sa AI Agent. Ang Astra ay may kakayahang mag-operate ng computer, bisitahin ang web, gamitin ang software, isulat at jalurin ang code, at tapusin ang mga kumplikadong workflow. Sa pagsubok na OSWorld 2.0, nakamit nito ang 72.6%, na mas mataas kaysa sa 65.7% ng GPT-5. Ibig sabihin nito na ang AI ay lumilipat mula sa “mas mabuting pag-sagot” patungo sa “tagumpay na pagkumpleto ng gawain”—hindi na ito simpleng kasangkapan para sagutin ang mga tanong, kundi isang digital na puwersa ng paggawa na maaaring “hiringin.” Ang pangangailangan sa Token ay magsisilbi mula sa simpleng pagtaas ng mga user patungo sa multiplicative effect na binubuo ng tatlong variable: bilang ng mga Agent, bilang ng mga gawain bawat Agent, at pagkawala ng Token bawat gawain. Ang AI ay nagbuo na ng “Human+AI→Train→Better AI” na flywheel effect, kung saan ang pagpapabuti ng model capability mismo ay naging engine ng pagtaas sa pangangailangan sa computing power.

May-akda ng artikulo, pinagmulan: Minority View Bureau

Naniniwala ang halos lahat na ang sumusunod na pahayag ay tama:

Sa panahon ng AI, ang magtatagumpay sa iyo ay ang tao o kumpanya na mas maaga at mas marunong maggamit ng AI.

Ngunit matapos ng paglalabas ng sariling GPT-6 Astra model ni OpenAI, ang pangungusap na ito ay lubos na mali, o lubos na mali. Ngayon, ang tama pangungusap ay:

Sa panahon ng AI, ang hindi makakalaban sa iyo ay hindi na ang mga tao o kumpanya na mas mahusay sa paggamit ng AI, kundi ang mga mas aktibo na una nang may-ari, nagde-deploy, at tunay na pinaglalaban ang AI Agent.

Isang espesyal na paalala: ang “ikaw” sa itaas ay maaari rin isang kumpanya.

Tandaan mo pa ba? Noong nakaraang buwan, lumabas na ang Astra bilang isang pribadong modelo ng OpenAI, kung saan ito ay nagbigay ng antas ng pinakamataas na pananaliksik sa matematika (Fields Medal) sa 10 na problema sa matematika at teoretikal na agham ng kompyuter. At ngayon, ang pinakamalaking pag-unlad ng opisyal na inilabas na Astra ni OpenAI ay hindi lang naging “mas matalino” (may mas malakas na kakayahan sa matematika at agham), kundi ginawa ng Astra ang AI na mula sa Answer Engine ay lumipat patungo sa AI Agent.

Kaya, sa paglalabas na ito, hindi na lamang limitado ng OpenAI ang pagpapaliwanag kung gaano karami ang pagtaas ng benchmark ng Astra, kundi agad na nagbigay ng malinaw na paglalarawan sa hangganan ng kakayahan ng Astra:

Nakakapag-oper na ng computer, nagsisibisita sa mga webpage, gumagamit ng software, sumusulat at tumatagal ng code, natatapos ang mga kumplikadong workflow, at nagpapatupad ng mahabang mga gawain sa agham,网络安全, at propesyonal na trabaho ang Astra.

Ang pangungusap na ito ay naglalahad ng tunay na pagbubukas ng Astra. Ibig sabihin, ang AI ay patungo na sa paglipat mula sa “tao→AI→sagot” patungo sa “tao→AI Agent→gawain→pagganap→resulta.” Kaya, ang GPT-6 Astra ay nangangahulugan na:

Hindi na lang ang AI isang kasangkapan para sagutin ang mga tanong, kundi simula nang maging isang “nahuhulog” na digital na puwersa ng paggawa na laging gumagawa at hindi nagpapahinga.

Ang pagpapabuti ng kakayahan ng Astra sa mahabang misyon ay ang pinakamahalagang pagbabago.

Sa OSWorld 2.0 (isang pagsubok na ipinakilala ng mga team mula sa CMU at Stanford na sinusuri ang kakayahan ng AI Agent na matupad ang mga kumplikadong gawain tulad ng paggawa sa opisina, pag-debug ng multi-file software engineering, at pag-configure ng system-level cybersecurity, at paghahambing nito sa baseline ng mga eksperto), natamo ng Astra ang 72.6%, na higit sa 65.7% ng GPT-5.6 Sol; samantala, bumaba ang simulated na oras para matapos ang gawain mula sa halos 75 minuto hanggang sa halos 40 minuto.

Ito ay nangangahulugan na mayroong isang napakadecisive na pagbabago sa Astra:

Mula sa “mas magandang sagot,” patungo sa “tagumpay na pagkumpleto ng mga gawain.”

Ito ang magbabago nang buo sa paraan nating pag-unawa sa “penetrasyon ng AI” at sa pagtantiya ng kabuuang pangangailangan sa Token. Noong nakaraan, habang tinantiya natin ang laki ng merkado ng AI, natural na tanong natin: Ilan ang gumagamit ng ChatGPT? Ilan ang mga empleyado sa negosyo na gumagamit ng Copilot? Ano ang antas ng penetrasyon ng AI sa mga programmer, customer service, white-collar workers, at mga siyentipiko?

Pagkatapos ay gamitin ang “bilang ng mga user × ARPU” upang matantiya kung gaano kalaki ang AI market space. Ang lohikang ito ay walang problema sa panahon ng Answer Engine. Ngunit sa panahon ng AI Agent, dumating ang mga problema:

• Ang paggamit ng AI ng isang tao ay hindi nangangahulugan na mayroon lamang isang AI na trabaho; maaaring magtatag ng maraming Agent na mga gawain ang isang tao; maaaring i-deploy ng isang kumpanya ang mga hundreds o libo-libo ng Agent nang sabay-sabay. Maaaring magpatuloy ang isang Agent sa pagtatrabaho ng ilang oras, kahit 24 oras.

Kaya, mayroon tayong sumusunod na inequality:

1 tao ≠ 1 AI user ≠ 1 unit ng AI workload.

Isang siyentipiko ng materyales ay maaaring mag-configure ng mga dekada ng AI Agent para sa iba't ibang direksyon ng pag-aaral upang isagawa ang iba't ibang gawain sa pag-aaral. Kaya, ang tunay na dapat tandaan ay ang mga variable:

• Ilang ilang AI Agent ang nagpapatakbo sa buong mundo?
• Gaano karaming gawain ang isinagawa ng bawat nagpapatakbo na AI Agent araw-araw? Gaano karaming Token ang ginagamit?

Ang produkto ng dalawang numero ay ang totoong demand function ng AI.

Kung gumagamit ka ba ng AI, kung nakikita mo ba ang mga kaibigan mo ay gumagamit ng AI, o kung ang iyong kumpanya ay gumagamit ng AI—hindi ito mahalaga sa antas ng pagkakaroon ng AI o sa kabuuang pangangailangan ng Token. Kung hindi ka magiging gumagamit ng AI, magkakaroon ng iba na gagamit ng AI Agent upang palitan ang iyong kahusayan o negosyo, at pagkatapos ay palitan ka at ang iyong kumpanya.

Kaya, dito ay idinagdag ang espesyal na pahayag:

Ngayon na, kailangan ng lahat ng mga kumpanyang katamtaman at malaki na isaalang-alang sa antas ng board ang pagbuo ng kanilang sariling AI strategy, dahil maraming matalino sa mundo na nagmamalasakit sa iyong kita.

Kaya ang depinisyon ng pagkakaroon ng AI ay umusbong mula sa “Per Human” patungo sa “Per Agent”. Noon ay naniniwala na ganito:

Antas ng pagkakaroon ng AI = Bilang ng mga gumagamit ng AI / Potensyal na populasyon

At pagkatapos ng Astra, ang formula para sa pagkakaroon ng AI Agent ay ganito:

Antas ng pagpapalit ng agent = Mga gawain na kinuha ng AI Agent / Mga gawain na maaaring gawin ng Agent

Ang mga denominator ng dalawang pormula ay may malaking pagkakaiba sa bilang. Dahil hindi na kailangan ng Agent na magkakasundo sa bilang ng tao, maaaring magkaroon ng maraming personal na AI Agent ang isang tao. Tungkol sa kung gaano karaming “mga gawain na maaaring gawin ng Agent,” naniniwala ako na ang pagpapakilala ng OpenAI sa Astra ay nagbigay ng isang paalala.

Ang itaas ay isang map ng kalawakan na ibinigay ng OpenAI sa kanilang pahina ng pagpapakilala sa Astra; ang kakaibang aspeto ng pagiging maliit ng tao sa kalawakan ay ang aming kawalan ng kaalaman tungkol sa mundo ng kalawakan, at ang bawat pag-aaral sa kawalan ng kaalaman ay maaaring maging isang gawain para sa isang AI Agent. Kung isasagawa natin ito, ang bilang ng mga AI Agent ay maaaring walang hanggan.

Kaya, ang “ilan ang tao sa buong mundo na nagmumula sa AI” at ang “ilan ang digital na puwersa ng paggawa na nagpapatakbo” ay dalawang iba’t ibang antas ng bilang.

Ang pangangailangan para sa kabuuang halaga ng Token ay magkakaroon ng mas malaking elasti­sidad kaysa sa paglago ng bilang ng mga gumagamit ng AI Agent. Dahil ang pangangailangan para sa Token sa panahon ng Agent ay hindi lamang tumataas nang sabay sa paglago ng bilang ng mga gumagamit, kundi pati na rin sa “dami ng AI na trabaho na hinihingan ng bawat Agent”.

Kaya maaaring isulat ang kabuuang pangangailangan sa Token nang walang detalye:

Kabuuang pangangailangan sa token ≈ Bilang ng AI Agent × Bilang ng gawain bawat agent × Pagkawala ng token bawat gawain

At ang tatlong variable na ito, ay maaaring mag-angat nang sabay-sabay.

Una, ang pagdami ng bilang ng mga Agent. Noon, isang tao ay maaaring gumamit lamang ng isang ChatGPT, ngunit sa hinaharap, maaaring magpapatakbo nang sabay-sabay ang isang tao ng personal assistant Agent, Coding Agent, Research Agent, Finance Agent, Shopping Agent, atbp. Ang mga negosyo naman ay maaaring magsimula sa ilang dosen hanggang sa libo-libo o maging milyon-milyon na mga Agent.

Pangalawa, lalong dumadami ang mga gawain na isinasagawa ng bawat Agent. Noon, ang “Tulungan mo akong i-summarize ang artikulong ito” ay maaaring kailanganin lamang ang ilang libo na Token, ngunit sa hinaharap, ito ay “Pag-aralan ang industriyang ito, basahin ang 500 na dokumento, ihambing ang 50 na kumpanya, bumuo ng modelo, hanapin ang mga anomaliya, lumikha ng ulat, at batay sa ulat, magbigay ng mga rekomendasyon sa pag-invest.” At dito nakikita ang kahalagahan ni Astra: mas malaki ang kakayahan ng modelo na matapos ang mga kumplikadong gawain, mas maraming tao ang magiging handang ibigay ang mga kumplikadong gawain sa mga Agent.

Ikatlo, magiging “patuloy na tumatakbo” ang Agent mula sa “minsan-lamang na tinatawag”. Ang tradisyonal na ChatGPT ay tumatakbo kapag may tanong ang tao, tinatawag ito isang beses, natatanggap ang sagot, at tapos na. Samantala, ang AI Agent ay,

Makatanggap ng layunin → Plano → Maghanap → I-execute → I-verify → I-modify → I-execute muli → Kumpleto.

Ito ay isang patuloy na nagpapatakbo na chain ng computation na nagpapalabas ng mga API call. Mas kumplikado ang task, mas mahaba ang reasoning, mas malaki ang context, mas marami ang tool call, mas marami ang output, at mas malaki at mas marami ang pagkakagastusan ng token.

Kaya ang AI Agent ay hindi lamang magdaragdag ng bilang ng mga gumagamit ng AI, kundi magpapalaki rin ng kahilingan sa Token para sa bawat gumagamit ng AI.

Kaya nga naman maaaring mangyari ang ganitong sitwasyon: ang bilang ng AI Agent ay tumataas lamang ng 20%, ngunit ang kabuuang pangangailangan sa Token ay tumataas ng 300%.

Ang Astra ay mula sa pinakamalaking training run ng OpenAI hanggang sa kasalukuyan, at ang mga pampublikong impormasyon ay nagpapakita na ang laki ng pag-train ay lumampas na sa 100,000 GPU. Mas mahalaga pa, ang AI ay patuloy na mas maraming bahagi sa proseso ng pag-train ng mga modelo mismo.

Kanina ay “Human→Train→AI”, ngunit unti-unting nagiging:

Tao + AI → Pagsasanay → Mas Mahusay na AI

Ito ay nangyayari na sa basic mode ng RSI, kung saan ang modelo ay maaaring makilahok sa pagbuo ng training data, pagkilala sa mga problema, pag-e-evaluate, pagbibigay ng feedback, at kahit sa pagtutulungan sa ilang aspeto ng engineering at pananaliksik sa proseso ng pag-train.

Kaya, magkakaroon ng isang napakagandang chuva ng efekto:

Mas malakas na modelo, mas malakas ang kakayahan ng AI Agent, at maaaring makumpleto ng higit pang mga gawain sa tunay na mundo, maglikha ng higit pang mataas na kalidad na datos at feedback sa gawain, na bumabalik upang tulungan ang pag-train ng mas malakas na modelo, at ang mas malakas na modelo ay muli ay papaunlad ang kakayahan ng Agent, kaya't maaaring kunin nito ang higit pang mga gawain…

Ibig sabihin nito na ang pag-unlad ng AI ay hindi katulad ng “version iteration” ng tradisyonal na software, kundi mas tulad ng isang sariling nag-aaccelerate na sistema ng produksyon. Ang resulta ay ang pangangailangan sa Token ay may multi-variable na epekto ng pagpapalawak, at mas malakas ang modelo, mas malakas ang epekto ng pagpapalawak na ito.

Kaya, tiyak na makikita natin:

Ang pagpapabuti ng kakayahan ng modelo mismo ang naging motor ng paglalago ng demand para sa AI computing power, na nagdudulot ng milyon, sampung milyon, at patuloy na dumaraming digital na puwersa ng trabaho na AI Agent, at pagkatapos ay ang paghinga ng demand para sa Token ay walang hanggan.

Ito ang mahalagang kahulugan ng paglalabas ng GPT-6 Astra na ito.