Ang Astra ng OpenAI ay nagbabago ng pansin sa AI mula sa pag-sagot patungo sa pagpapatupad ng mahahabang gawain

Hindi ang paggawa ng isang matematikal na problema nang maayos ang dapat pagtuunan ng pansin sa Astra, kundi kung paano hinahango ng OpenAI ang mga modernong modelo mula sa “system ng agad na sagot” patungo sa isang sistema ng pagpapatupad na makakapagpapatuloy sa ilang oras o higit pa, na may kakayahang maghihiwalay ng mga gawain at mag-operate ng mga real-world software.

May-akda at pinagmulan: 0x9999in1, ME News



• Hindi ang paggawa ng isang matematikal na problema nang maayos ang dapat pagtuunan ng pansin sa Astra, kundi kung paano hinahango ng OpenAI ang mga modernong modelo mula sa “system ng agad na sagot” patungo sa isang sistema ng pagpapatupad na makakapagpapatuloy sa ilang oras o higit pa, na may kakayahang maghihiwalay ng mga gawain at mag-operate ng mga real-world software.
• 16 na mga Agent na nagtatrabaho nang sabay-sabay upang patunayan ang isang matematikal na problema, direktang mag-operate ng computer, at ang “AI Research Intern” — ang mga demo na ito ay nagtuturo sa isang parehong pagbabago: ang pangunahing sukat ng kompetisyon sa AI ay nagpapalit mula sa kalidad ng isang tanging sagot, patungo sa kung gaano kalalim at kumplikado ang mga serye ng trabaho na maaaring tanggapan nang mag-isa.
• Kung maaaring mapanatili ang kakayahang ito, magkakaroon ng pagbabago ang lohika ng pagbili ng AI ng mga negosyo: noong una, binibili ang mga upuan sa software at Copilot, ngunit sa hinaharap, lalong magiging katulad nito ang pagbili ng “digital na puwersa ng paggawa” at throughput ng gawain.
• Ngunit ang pampribadong demo ay hindi production environment. Ang Astra ay kung sakali ay hindi pa pinalabas sa publiko, at ang tinatawag na “research intern” ay istandard ng OpenAI mismo, at ang matematikal na demo ay nagbibigay ng candidate proof, hindi ng independiyenteng pagpapatotoo sa kanyang scientific correctness.
• Mas dapat iingatan na ang pagpapabuti ng kakayahan ay nagsimula nang magdulot ng pagbabawas sa sariling bilis ng pag-aaral ng OpenAI. Acknowledge ng OpenAI noong Agosto na maaaring maabot ng Astra ang pinakamataas na antas ng “Critical” na网络安全 kakayahan, at dahil dito, ipinagbawal ang ilang mga aktibidad sa pagtuturo at pag-evaluate.
• Kaya ang tanong kung ang Astra ay AGI ay may limitadong kahalagahan ngayon. Ang tunay na mahalagang tanong ay naging: Ano ang mangyayari sa mga modelo ng ekonomiya ng mga kumpanya, merkado ng puwersa ng paggawa, at mga kumpanya ng AI kapag unang makakamit ng AI ang pagkakataon na magsakay mula sa “sagutin ang iyong tanong” patungo sa “gawin nang patuloy ang iyong trabaho, o kahit tulungan ang pag-aaral ng susunod na henerasyon ng AI”?

Kung titingnan lang sa surface, ang closed preview ng Astra ay madaling maunawaan bilang muli pang pagpapalakas bago ang paglalabas ng model.

Mga dosenang pinuno ng mga mahalagang kliyente ng OpenAI ay dumating sa bagong binuksan na gusali ng MB0 sa San Francisco. Sa labas, patuloy pa ring nakaupo ang mga protesta na may slogan na “Stop the AI Race”; sa loob, isang buong pader ng mga halaman ang itinayo sa harap ng saling-guhit upang pansalin ang paningin ng parehong panig. Bumalik si Sam Altman mula sa Washington, kung saan noong nakaraan ay ipinakilala niya sa mga opisyales ng pamahalaan ng Estados Unidos ang hindi pa pinalabas na pamilya ng modelo.

Ang larawang ito ay mas tumpak na naglalarawan sa industriya ng AI ngayon kaysa sa anumang pagpapahayag: ang kapital, mga kliyente, at gobyerno ay naghihintay para patuloy na umunlad ang kakayahan, habang ang isang iba pang grupo ay nagsisimula nang mag-alala na sobrang mabilis ang pag-unlad nito.

Ngunit ang tunay na mahalaga sa Astra ay hindi ang “gaano karaming porsyento ang pagtaas ng modelo”.

Ang unang demo sa live ay ang 16 AI Agent na nagtatagpo sa isang research-level na matematikal na problema. Nilalayon nilang hatiin ang problema sa mga sub-problem, subukan ang bawat isa nang hihiwalay, mag-coordina ng mga resulta, at pagkatapos ay i-combine upang makabuo ng isang candidate proof. Dito kailangang malinaw ang salitang “candidate”: hindi ito isang bagong matematikal na teorema na nagsagawa ng pampublikong pag-verify, at hindi rin ito awtomatikong katumbas ng isang panel ng 16 na mahusay na matematiko dahil sa pagtatrabaho ng 16 na Agent. Maaaring magbahagi ang maraming modelo ng parehong pagkakamali, at ang pagdami ng bilang ng Agent ay hindi nangangahulugang linyar na tataas ang accuracy.

Ngunit mahalaga pa rin ito.

Dahil sa nakaraan, ang paraan nating masusukat ang malalaking modelo ay ang pagpapansin sa isang tanong: kaya ba nito sagutin?

Sinubukan ng Astra na palitan ang tanong sa isang iba: Kaya ba nito na organisahin ang sariling trabaho at patuloy na gawin ang isang kumplikadong gawain?

Ang parehong mga bagay ay tila nagkakaiba ng isang hakbang lamang, ngunit ang kanilang komersyal na kahulugan ay maaaring magkakaiba ng isang panahon.

Ang pinakakaraniwang paraan ng interaksyon sa mga unang bersyon ng ChatGPT ay ang pagtatanong ng tao at ang pagtugon ng machine; pagkatapos, pumasok ang Copilot sa mga proseso ng pag-program, paggawa ng office, at paglikha, kung saan patuloy na nagbibigay ang tao ng mga utos at patuloy na nag-aayos ang AI. Ang Agent naman ay humaharap sa isang mas malalim na antas, kung saan ang tao ay kailangan lang magbigay ng layunin, samantalang ang machine ang magdedesisyon sa mga hakbang, pipili ng mga kasangkapan, susuriin ang mga intermediate resulta, at patuloy na magpapalaya.

Kaya ang ikalawang demo ay mas dapat pakinggan ng mga eksekutibo ng kumpanya kaysa sa isang matematikong problema.

Ang Astra ay direktang nagpapatakbo ng computer, nagpapalit-palit sa mga karaniwang desktop software, at gumagawa at nagpapabago ng nilalaman nang napakabilis. Sinabi ni Altman na ang pagmamasid kung paano ginagamit ng model ang computer nang "superhuman, napakabilis" ay isa sa mga pinakamakapagpapabagabag na bagay na nakita ng mga empleyado ng OpenAI sa nakalipas na panahon.

Bakit mahalaga ang paggamit ng computer?

Dahil ang karamihan sa mga gawain sa mundo ng negosyo ay hindi isang magandang tanong na maaaring ilagay sa isang chat box.

Ang mga tunay na gawain ay nakalat sa mga browser, Excel, email, code repository, ERP, CRM, design software, internal database, at approval systems. Ang halaga ng isang empleyado ay hindi lamang “alam ang sagot,” kundi ang kakayahang maghahatid ng impormasyon sa mga sampu-sampung sistema, gumawa ng desisyon, baguhin ang mga file, at ipagpatuloy ang proseso upang tapusin ang gawain.

Kahit anong mangyari, habang hindi makakapag-lampas ang AI sa hangganan na ito, ito ay patuloy na isang tool para sa kaalaman.

Pagkatapos malampasan ito, unang beses itong talagang magsisimulang maging malapit sa “paggawa”.

Ang pangunahing anyo ng produkto na iginuhit ni Altman para sa Astra ay ang persistent agents—mga Agent na patuloy na umiiral at gumagawa nang matagal.

Ang salitang ito ay hindi gaanong nakaka-engganyo kaysa sa AGI, ngunit mas malapit sa mga bagay na makakaapekto sa tunay na pagsasagawa ng mga kumpanya sa kanilang pagsasagawa sa mga susunod na taon.

Sinabi ni Jakub Pachocki, pangunahing siyentipiko ng OpenAI, sa TIME na natutupad na ng Astra ang panloob na pamantayan ng kompanya para sa “automated AI research intern”: bigyan mo ito ng isang ideya ng eksperimento, at kayang gawin nito ang solusyon sa sariling codebase ng OpenAI, patakbuhin ang eksperimento, at ibalik ang resulta; bigyan mo ito ng isang pananaliksik na papel, at kayang gawin nito ang susunod na mga gawain na dati ay kumukuha ng isang linggo sa isang human researcher.

Ito ay patuloy na isang panloob na pagtataya ng OpenAI, walang independiyenteng pag-verify mula sa ikatlong paksang, at hindi maaaring madaling iuugnay bilang “nagkakaroon na ng kakayahang palitan ng mga researcher ang Astra.” Gayunpaman, sapat na malinaw ang signal na inilalabas nito: ang yunit na hinahanap ng OpenAI ay umuusbong mula sa token, sagot, at diyalogo, patungo sa haba ng pagpapatupad ng gawain.

Hindi ito isang kuwento na biglaang nilikha ng OpenAI.

Ang independiyenteng evaluator na METR ay nagsikap sa mga nakaraang taon na gamitin ang “task-completion time horizon” upang sukatin ang kakayahan ng Agent: hindi ito nagtatanong kung ang modelo ay kayang gawin ang isang uri ng tanong, kundi sinusuri kung gaano kabilis ito makakakompleto ng isang gawain na may tiyak na antas ng tagumpay, katumbas ng oras na kailangan ng isang eksperto na tao.

Ang mga data ng METR pagkatapos ng update noong 2026 ay patuloy na nagpapakita ng malinaw na eksponensyal na pagpapabuti. Sa mahabang panahon, ang oras na kinakailangan para sa software at mga pag-aaral sa mga frontier model ay lumalala nang dalawang beses bawat 6 hanggang 7 buwan; kung titingnan lamang ang mga data mula 2023 patungo sa kasalukuyan, mas mabilis pa ang paglago. Hanggang sa Mayo ng taong ito, ang ilang pinakabagong publikong model ay nasa malapit na o nasa itaas na ng kanilang umiiral na test set na 16 na oras na epektibong saklaw, kaya nagbigay ang METR ng espesyal na babala na hindi dapat sobrang i-interpret ang mga data na hihigit sa haba na ito.

Ito ang eksaktong nagpapaliwanag kung bakit umiiral ang Astra.

Kapag ang mga gawain na kayang tapusin ng model ay lumalago mula sa ilang minuto hanggang sa ilang oras, at mula sa ilang oras patungo sa isang araw o higit pa, magkakaroon ng pagbabago sa anyo ng produkto. Hindi na kailangan mong manatili sa tabi ng chat window para i-correct ito; kaya mo nang sabihin tulad ng pagkakaloob ng gawain sa isang kasamahan: “Suriin ang problema na ito, subukan ang tatlong solusyon, i-organize ang data, at ibigay sa akin ang resulta bukas.”

Ang tinatawag na "mga virtual na kasamahan," ang tunay na punto ng pagkakahati ay hindi kung paano ito nakakausap tulad ng tao.

Kundi kung ito ay magpapatuloy pa sa paggawa pagkatapos mong umalis.

Ito rin ang pinakamaliit na napapansin na pang-ekonomikong kahulugan ng Astra.

Sa nakaraang tatlong taon, ang pangunahing modelo ng pagbili ng generative AI ng mga kumpanya ay patuloy na isang pagpapalawig ng tradisyonal na SaaS modelo: dagdag na isang AI seat bawat empleyado, at dagdag na ilang sampung dolyar bawat buwan. Ganito rin ang Microsoft Copilot, ang enterprise version ng ChatGPT, at maraming iba pang AI SaaS.

Ngunit kapag naging matatag na ang persistent agent, ang logika sa pagtatakda ng presyo ay lalabas na mas kakaiba.

Bakit?

Hindi na ang tunay na binibili ng mga kumpanya ang “pahintulot na gamitin ng isang empleyado ang AI”, kundi ang kakayahan ng AI na kumilos nang sarili nito.

Isipin na ang isang koponan sa pondo ay kailangan ng 10 tao para sa pagpapakilos ng data, paggawa ng mga ulat, pagsusuri sa anomaliya, at pagpapakilala sa iba’t ibang sistema. Ang problema na haharapin ng mga mangangasiwa sa hinaharap ay hindi na “kailangan ba naming bilhin ang isang Copilot para sa bawat isa sa 10 tao”, kundi “ilang dami ng Agent workload ang kailangan kong bilhin upang matapos ang mga gawain na ito”?

Sa panahong ito, ang mga katungkulan ng AI ay hindi na lamang ang mga budget para sa software.

Nagsimula na ito sa budget para sa manpower.

Ang datos ng Stanford AI Index noong 2026 ay nagpapakita ng ganitong kabalintunaan. Sa isang bahagi, patuloy ang mabilis na pagtaas ng paggamit ng AI sa mga negosyo: noong 2025, 88% ng mga organisasyon sa survey ay gumagamit na ng AI sa kahit anong isang larangan, at 70% ay gumagamit na ng generative AI; sa kabilang bahagi, ang mga tunay na nagde-deploy ng Agent ay nananatiling may maliit na porsyento lamang sa karamihan ng mga negosyo na punsyon.

Sa ibang salita, ang mga tao ay napakasigurado na “gumamit ng AI,” ngunit hindi pa sila handang magbigay ng ganap na awtoridad sa AI.

Ito ang pagkakahati na sinusubukang lapitan ng Astra.

Kapag napasok na, ang epekto ay hindi magiging limitado sa loob ng mga tech company. Ayon sa Stanford Statistics, mula pa noong 2024, bumaba na ng halos 20% ang pagkakaroon ng trabaho ng mga software developer sa Estados Unidos na 22 hanggang 25 taong gulang; samantala, humigit-kumulang isang kalahati ng mga kompanya na nasurvey ay umaasang sa susunod na taon ay magdudulot ang AI ng pagbawas sa empleyado, habang ang kabuuang merkado ng trabaho ay kasalukuyang malayo pa sa pagkakaroon ng parehong sukat ng pangkalahatang pagkawala ng trabaho.

Ito ay nagpapakita na ang epekto ng AI sa merkado ng puwesya ay malamang ay hindi isang biglaang pagpindot sa pangkalahatang switch, kundi una ay nagbabago sa mga entry point ng paghahanap ng trabaho, mga entry-level na posisyon, at marginal na pangangailangan para sa mga standardisadong trabaho sa kaalaman.

Dahil dito, ang tawag na “AI Research Intern” ay medyo delikado.

Ngayon, maaari itong unang gawin ang mga eksperimento na kumukuha ng isang linggo ngunit may malinaw na layunin para sa mga siyentipiko; bukas, tanungin ng mga kumpanya: K деan ang unang pagbuo ng financial analyst? Ang pagkolekta ng impormasyon ng consultant? Ang karaniwang pag-unlad ng programmer? Ang pagpapatupad sa iba’t ibang sistema ng marketing department?

Noong nakaraan, patuloy naming pinag-uusapan kung papalitan ba ng AI ang isang propesyon.

Mas realistiko ang proseso, kung saan malamang una ng AI na kunin nang paulit-ulit ang mga pinakamadaling istandartisahin, pinakamadaling i-verify, at pinakamaraming oras na kumuha ng mga module sa isang propesyon. Hindi magkakaroon ng biglaang pagkawala ng posisyon sa isang umaga, ngunit ang isang kumpanya na dati ay kailangan ng sampung bagong empleyado para gawin ang trabaho, ay maaaring maging bahagyang kailangan ng anim, apat, at isang grupo ng Agent.

Hindi karaniwang ang “agad na kayang gawin ng AI ang lahat” ang nagbabago sa merkado ng paggawa.

Kundi kaya ang mga kumpanya ay natuklasan: ang susunod na empleyado ay maaaring hindi muna hiramin.

Kung tatapos ang kuwento dito, ang Astra ay isang produkto na may napakalaking imahinasyong pangnegosyo.

Ang problema ay ang OpenAI ay nagpatotoo na hindi ganito kalabis ang mga bagay.

Ago 7, inilabas ng OpenAI ang pahayag na batay sa kanilang pinakabagong panloob na pagtataya, hindi na nila maalis ang posibilidad na makamit ng Astra ang antas ng “Critical” sa kanilang Preparedness Framework para sa网络安全.

Hindi ito isang “paghahambing ng modelo na nakakasulat ng code.”

Ayon sa sariling depinisyon ng OpenAI, ang Critical na antas ay nangangahulugan na ang modelo ay maaaring hanapin at pagbuo ang iba’t ibang antas ng zero-day vulnerabilities sa malaking bilang ng kritikal na sistema na may pagsasabay na pagsusulong, o magdisenyo at pagsasagawa ng mga bagong end-to-end attack strategies na nakatuon sa mga pinauunlad na layunin batay lamang sa isang mataas na layunin.

Ipinahiwatig ng OpenAI na ang kasalukuyang sitwasyon ay ang pagkakaroon ng posibilidad na ito, hindi ang pagsasakatuparan na mayroon ang Astra sa lahat ng mga kakayahan na nabanggit; samantala, ang Astra ay walang kinalaman sa nakaraang insidente ng seguridad ng OpenAI sa Hugging Face.

Ngunit sapat na ang reaksyon ng kumpanya upang ipakita ang sitwasyon.

Pinagpalakas ng OpenAI ang network isolation, sandboxing, proteksyon ng model weights, at end-to-end monitoring, at sinuspensyon ang mga gawain ng Astra na hindi sumusunod sa bagong mga pamantayan sa kaligtasan. Noong Agosto 18, idinagdag ng kumpanya na upang palakasin ang kapaligiran at palawakin ang sakop ng pagmamasid, sinuspensyon ang pag-train ng reinforcement learning para sa pinakabagong modelong itinatampok sa loob ng dalawang linggo, at ang pinakamalaking frontline RL training ay nananatiling sinuspensyon, habang ang malaking bilang ng mga gawain sa pag-train at pag-evaluate na may kinalaman sa Astra ay hindi pa nababawi.

Kahit ang seguridad mismo ay nagsisimula nang maging isang mahal na gastos sa computing power.

Ipinapalagay ng OpenAI na ang sistema ng pagmamasid na ito ay maaaring magkost ng karagdagang 20% ng computing power na katumbas ng computing power ng inirereplyang proseso.

Ang set na ito ng mga numero ay lubos na dapat tandaan ng mga kapital na merkado.

Ang kuwento ng AI industry sa mga nakaraang taon ay palaging: mas malakas ang modelo, mas malaki ang komersyal na halaga, kaya't worth it na i-invest ang mas maraming GPU, data center, at kuryente. Ngunit unang ipinakita ng Astra ang ibang kurba ng gastos—mas malakas ang modelo, hindi lang tumaas ang gastos sa pagtatrain, kundi ang seguridad, paghihiwalay, pagmamasid, at pamamahala ay nagsisimulang kumain din ng computing power.

Ibig sabihin ngayon na ang ekonomikong modelo ng susunod na henerasyon ng AI ay hindi maaaring tanging kalkulahin ang “bawat milyong token kung magkano”.

Dapat ding kalkulahin ang panganib ng pagkawala ng kontrol, seguridad na redundansya, pagpapahintulot ng tao, paghihiwalay ng mga pribilehiyo, at tunay na pagkawala dahil sa mga pagkakamali.

Isang modelo na nagpapautos ng email na may kamalian ay maaaring magdulot ng kahihiyan lamang.

Ang pagkakamali ng isang Agent na may matagal na memorya, kakayahang patakbuhin ang code, at access sa network na kayang mag-operate nang mag-isa sa mga sistemang pangkumpanya nang ilang oras ay iba ang kalikasan.

Kasunod ng kakayahan ng isang empleyado, ang pamamahala ng pahintulot ay dapat maging katulad ng isang empleyado; kung lalampas na sa karaniwang empleyado, ang mga pangangailangan sa kaligtasan ay kahit na dapat mas mataas kaysa sa isang empleyado.

Kaya ang totoong hamon ng Astra sa OpenAI ay hindi “kaya ba ito gawin”.

Kung kayang gawing produkto na handang i-deploy sa production environment ng isang kumpanya ang ganitong sistema.

Ang pinakamalayong pahayag ni Altman sa pribadong preview ay ang kanyang paghula na maaaring maging ang Astra ang unang modelo na “makakalikha ng mga bagong bagay sa totoong mahalagang paraan,” at tinawag niya ang kakayahang ito bilang “sobrang katulad ng AGI.”

This statement certainly has a strong Altman style.

Walang publikong ebidensya ngayon na patotoo na ang Astra ay nakakapag-stabilize ng mahalagang bagong agham na kaalaman na nakaranas ng peer review, at ang OpenAI ay hindi pa naglalabas ng sapat na mga resulta ng panlabas na pagsubok. Kaya, ang pagsusulat ng direkta na “ang AGI ay nandito na” para sa Astra ay walang kahalagahan at walang batayang katotohanan.

Ngunit bakit tekin ng Altman ang “pagkakaroon ng bagong kaalaman,” ay值得认真研究。

Dahil dito talaga magkakaroon ng eksponensyal na pagbabago sa industriya ng AI.

Kung ang AI ay tanging tumutulong sa mga tao na pataasin ang efisiyensiya sa pagsusulat ng code, paggawa ng disenyo, at pagsusuri ng mga file, ang buong industriya ay kahit gaano pa katapangan, sa puso nito ay isang rebolusyon sa mga kasangkapan sa produktibidad. Maaari itong lalong pataasin ang ekonomikong efisiyensiya, ngunit patuloy pa ring nakasalalay sa mga tao ang pagdedesisyon kung ano ang susunod na pag-aaral, paano disenyo ang mga eksperimento, at kung paano lumikha ng susunod na henerasyon ng teknolohiya.

Kung makakapag-ambag ang AI sa pag-aaral ng AI mismo, nagbabago ang lohika.

Isang Agent na makakabasa ng mga papel, magpapahayag ng mga eksperimentong plano, baguhin ang mga malalaking codebase, magpapatakbo ng mga eksperimento at mag-analisa ng mga resulta, kahit na tumatagal lamang sa antas ng isang mahusay na intern sa pag-aaral, ay maaari nang palakasin ang epektibong kakayahan ng pag-aaral ng isang pinakamataas na laboratorio.

Ngayon, 100 na mga mananaliksik ay maaaring mag-run ng 500 mga Agent; sa hinaharap, ang bilang ng mga eksperimento na maaaring ituloy ng bawat mananaliksik araw-araw ay hindi na nakadepende sa 24 oras sa isang araw, kundi mas maraming nakadepende sa computing power, gastos sa eksperimento, at kakayahan sa pag-verify.

Kaya, isang dating napakakalikuan na konsepto—“ang AI ay tumutulong sa pagbuo ng mas mahusay na AI”—ay nagsimulang maging konkretong.

Ito ang pinakamahalagang aspeto ng Astra na dapat pagtuunan ng pansin, at samantala, ang pinakamahalagang lugar na dapat pahalagahan ang pagiging maingat.

Dahil may malaking pagkakabawas pa sa pagitan ng “pagkumpleto ng eksperimento na isinagawa ng iba” at “pagpapahayag ng sariling makabuluhang bagong direksyon sa pananaliksik”; mas malaki pa ang pagkakabawas sa pagitan ng “pagbuo ng isang bagong ideya na tila makatotohanan” at “paglikha ng bagong kaalaman na maaaring maulit, ma-verify, at talagang magpapagawa ng pag-unlad sa agham”.

Ang pagkakaroon ng 16 na Agent na nagtatrabaho nang sabay-sabay ay hindi nangangahulugan ng 16 beses na pagkakabuo.

Mga 100,000 na eksperimento araw-araw ay hindi nangangahulugan na natural na makakamit ang isang pagbubukas.

Hindi kailangan ng agham ang mga hipotesis, ang tunay na kakulangan ay ang pagkilala sa anong tanong ang dapat itanong, at kung anong resulta ang totoo nang mahalaga.

Wala pang makakapag-conclude kung ang Astra ay nakalampas sa hangganan na iyon, mula sa isang pribadong demo.

Kaya, ang pag-uusap tungkol sa kung ang Astra ay AGI ay medyo nagmamadali na.

Ang depinisyon ng AGI ay naturally malabo. Ang depinisyon na ginagamit ng OpenAI nang matagal ay isang mataas na awtonomong sistema na makakalampas sa tao sa karamihan ng mga gawain na may ekonomikong halaga; ang iba pang mga laboratorio, mga akademiko, at publiko ay may ganap na iba’t ibang pamantayan para sa paghuhusga nito.

Huwag mag-away tungkol sa isang label, subukan mong obserbahan ang tatlong mas tiyak na tanong.

Una, gaano kalabas ang panahon na kayang tanggapan ng Astra nang mag-isa, at ano ang antas ng kumpiyansa nito?

Ikalawa, kung ito ay ipinapakilala sa enterprise production environment, ilang oras ang kailangan ng tao para i-check at i-correct? Kung isang Agent ay gumagawa para sa iyo ng walong oras, ngunit kailangan ng mga engineer na mag-spent ng tatlong oras pa para i-verify, ang totoong pagtaas ng productivity nito ay lubos na iba sa demo video.

Ikatlo, at pinakamahalaga: Kaya ba nito ipaglaban ang automated research mula sa “pagganap ng eksperimento” patungo sa “paghahanap ng totoong may halagang bagong kaalaman”.

Ang dalawang unang tanong ang magpapasya kung ang Astra ay isang malaking negosyo.

Ilang ikatlo, ito ang desisyon kung ito ay isang turning point ng isang panahon.

Mula sa pananaw na ito, ang pader ng mga halaman na itinulak sa pinto ng MB0 ay may malalim na simbolismo. Sa isang gilid, ilang dosenang mga pinuno ng mga kliyente ay nagmamasid para sa unang pagkakataon sa mga digital na Agent na maaaring maglingkod sa kanila nang matagal; sa kabilang gilid, ang mga protestaong nangangailangan na ipaghinto ng buong industriya ang kompetisyon sa AI. Magkaibang ang paghuhusga ng parehong panig tungkol sa hinaharap, ngunit pareho ay tinatanggap ang isang bagay: ang teknolohiyang ito ay nagsisiging mas makapangyarihan kaysa dati.

Hindi pa ipinakalabas ang Astra, at ang mga loob na kakayahan nito ay malayo sa pagiging sapat na binigyang-patotohanan sa labas. Maaaring makaranas ito ng pagkakalate, maaaring magpakita ng maraming problema sa kumpiyansa sa tunay na kapaligiran, o maaaring huli ay hindi gaanong malapit sa AGI na ilarawan ni Altman.

Dapat na panatilihin ang lahat ng mga posibilidad na ito.

Ngunit isang bagay ay nagsisigla na.

Sa nakaraan yugto ng kompetisyon sa malalaking modelo, ang nagwagi ay ang makakasagot nang mas tama sa mga tanong na alam na ng mundo; ang susunod na yugto, na kinakatawan ni Astra, ay nagsisimula na magtanong kung sino ang makakagawa nang patuloy, makakapagtapos nang sarili ng mga kumplikadong gawain, at sa huli ay makatutulong sa tao upang masuri ang mga tanong na hindi pa alam ng mundo ang sagot.

Mula sa chatbot hanggang sa virtual na kasamahan, may apat na mataas na pader na pagkakasunod-sunod: kumpiyansa, kaligtasan, gastos, at tiwala sa organisasyon.

Ang totoong ipinapalagay ng OpenAI ay ang kakayahan ng Astra na malampasan ang bawat hadlang.

At kung talagang lalampas ito, ang mga tao ay tingnan ang taong 2026, at ang totoo nang mahalaga ay maaaring hindi ang ilang modelo na nangunguna sa listahan ng mga puntos.

Kundi kaya ang mga makina ay unang nagsimulang makakuha ng isang kakayahan na dating nasa pamamana ng mga tao: matanggap ang isang gawain, at pagkatapos ay gawin ito nang tuloy-tuloy.

1. Alex Heath, “Inside OpenAI’s Reboot”, TIME, Agosto 26, 2026 (na-reprint sa Yahoo Tech). (Yahoo Tech)
2. OpenAI, “Sumagot sa susunod na hangganan ng mga kritikal na cyber capability”, 2026年8月7日。(OpenAI)
3. OpenAI, “Pacing model development in an era of cyber-critical capabilities”, Agosto 18, 2026. (OpenAI)
4. Cat Zakrzewski, Ian Duncan, Riley Beggin, “Sam Altman ay humihingi ng suporta mula sa Washington habang pinipilit ng OpenAI ang isang makapangyarihang bagong AI”, The Washington Post, 2026年7月31日。(The Washington Post)
5. Stanford Institute for Human-Centered AI, The 2026 AI Index Report — Economy, 2026. (斯坦福HAI)
6. METR, “Task-Completion Time Horizons of Frontier AI Models”, updated on May 8, 2026. (METR)
7. METR, “Time Horizon 1.1”, 2026年1月29日。(METR)
8. Hinto ang Paligsahan sa AI, “Occupy OpenAI / Stop The AI Race”, 2026. (stoptherace.ai)