OpenAI 推出 GPT-6 Astra 模型，AI 代理功能超越先前基準

OpenAI 發布 GPT-6 Astra 模型，實現 AI 從 Answer Engine 向 AI Agent 的關鍵轉變。Astra 已具備操作電腦、瀏覽網頁、使用軟體、編寫並運行代碼、完成複雜工作流程等能力，在 OSWorld 2.0 測試中達 72.6%，高於 GPT-5 的 65.7%。這意味著 AI 從「回答得更好」走向「成功把事情做完」，不再只是回答問題的工具，而成為可被「僱用」的數位勞動力。Token 需求將從單純的用戶增長，轉向 Agent 數量、每個 Agent 任務數、每任務 Token 消耗三個變量同時增長的乘數效應。AI 正形成 "Human+AI→Train→Better AI" 的飛輪效應，模型能力提升本身成為算力需求增長的發動機。

文章作者、來源：少數派觀點局

相信幾乎所有人都認可下面這段話：

在 AI 時代，打敗你的，是那個比你更早、更會使用 AI 的人或公司。

但在 OpenAI 推出自己的 GPT-6 Astra 模型後，上述說法完全不準確，甚至完全錯誤。現在，真正正確的說法應該是：

在 AI 時代，打敗你的，不再是比你更會使用 AI 的人或公司，而是那些更積極率先擁有、部署並真正駕馭 AI Agent 的人或公司。

特別提醒一句，上面的「你」也可以是一個公司。

還記得嗎？上個月，Astra 曾經亮相過，當時作為 OpenAI 的內部秘密模型，Astra 對於 10 個數學和理論電腦科學問題，提供了頂尖數學研究（菲爾茲獎）水準的解答。而這次，OpenAI 正式發布的 Astra 最大的突破，甚至不僅僅是變得「更聰明（具有更強的數學和科學能力）」，而是 Astra 讓 AI 從 Answer Engine 真正邁向了 AI Agent。

因此，這次發布，OpenAI 不再僅限於講述 Astra 的 benchmark 提高了多少，而是在一開始就對 Astra 的能力邊界做出了非常明確的描述：

Astra 已能操作電腦、瀏覽網頁、使用軟體、編寫和運行代碼、完成複雜工作流程，並在科學、網路安全和專業工作中執行長程任務。

這句話總結了 Astra 的真正突破。也就是說，AI 正從「人→AI→答案」真正邁向「人→AI Agent→任務→執行→結果」。因此，GPT-6 Astra 意味著：

AI 不再只是一個回答問題的工具，而開始成為一個可以被「僱用」、永遠工作永不休息的數位勞動力。

Astra's capability improvement on long-range missions is the most critical.

在 OSWorld 2.0（由 CMU 及史丹福等團隊提出的測試，用於評估 AI Agent 在數位環境中完成辦公、多檔案軟體工程除錯、系統級網路安全配置等複雜任務的能力，並與人類專家進行基線對比）中，Astra 達到 72.6%，高於 GPT-5.6 Sol 的 65.7%；同時，完成任務的模擬時間從約 75 分鐘下降至約 40 分鐘。

這意味著 Astra 正在發生一個非常決定性的變化：

從「回答得更好」走向了「成功把事情做完」。

這將徹底改變我們對「AI滲透率」的理解方式以及對代幣總需求的估算。過去我們估算AI的市場規模時，很自然地會問：有多少人在使用ChatGPT？有多少企業員工在使用Copilot？AI在程式設計師、客服、白領和科學家中的滲透率是多少？

再以「用戶數量×ARPU」來推算AI市場空間有多大。這個邏輯在Answer Engine時代當然沒有問題，但在AI Agent時代，問題就來了：

• 一個人使用 AI，並不意味著只有一個人的 AI 工作量；一個人可以建立多個 Agent 工作任務；一個企業可以同時部署數百甚至數千個 Agent。一個 Agent 可以持續運行數小時，甚至 24 小時工作。

因此，有如下不等式：

1 個人 ≠ 1 個 AI 用戶 ≠ 1 份 AI 工作量。

一名材料科學家可以針對不同的研究方向，一次性配置數十個 AI Agent 來協助執行各項研究任務。因此，真正需要關注的變量變成了：

• How many AI agents are currently running worldwide?
• 每個正在運行的 AI Agent 每天運行多少任務？會消耗多少 Token？

這兩個數字的乘積，才會是 AI 真實的需求函數。

至於你是否使用 AI、你身邊的朋友是否使用 AI、你的公司是否使用 AI，這些對於 AI 的滲透率以及 Token 的總需求根本無關緊要。你不使用 AI 反而更好，自然會有人用 AI Agent 取代你的優勢或你的業務，進而取代你和你的公司。

所以，這裡特別補充一句：

如今，至少所有中大型公司都應從董事會層面重視制定自身的AI戰略，因為這個世界有太多聰明人正虎視眈眈地盯著你的盈利業務。

因此，對 AI 滲透率的定義也從「Per Human」走向了「Per Agent」。曾經以為是這樣的：

AI 滲透率 = 使用 AI 的人數 / 潛在人口

而在 Astra 之後，AI Agent 滲透率的公式如下：

代理滲透率 = 被 AI 代理接管的工作任務 / 可被代理執行的工作任務

這兩個公式的分母當然存在著巨大的數量級差異。因為 Agent 不再需要與人類數量一一對應，一個人也可能同時擁有多个個人的 AI Agent。至於有多少「可被 Agent 執行的工作任務」，我覺得 OpenAI 這次發布 Astra 的介紹頁面給了一個暗示。

上面是 OpenAI 這次發布 Astra 介紹頁面所給出的一張宇宙星圖，人類之於宇宙的渺小的另一面，就是人類對宇宙世界的無知，而所有對無知的探索都可以成為 AI Agent 去研究的工作任務，這麼一推斷，AI Agent 的數量簡直就可以無窮無盡。

因此，「全球有多少人開始使用 AI」和「全球有多少數位勞動力正在運行」是兩個完全不同的數量級。

而對 Token 的總需求，將出現比「AI Agent 用戶數增長」大得多的需求彈性。因為 Agent 時代的 Token 需求，不只是簡單地隨著用戶數量增長，還隨著「每個 Agent 負擔的 AI 工作量」增長。

因此，可將代幣總需求粗略寫成：

Token 總需求 ≈ AI Agent 數量 × 每 Agent 任務數 × 每任務 Token 消耗

而這三個變數，都可能同時快速增長。

第一，Agent 數量的增加。過去一個人可能只使用一個 ChatGPT，未來一個人可能同時運行個人助理 Agent、Coding Agent、Research Agent、Finance Agent、Shopping Agent……企業則可能從幾十、幾百個 Agent 擴展到數千、數萬個。

第二，每個 Agent 執行的任務越來越多。過去是「幫我總結這篇文章」，可能只需要幾千 Token，而未來則是「研究這個行業，閱讀 500 份文件，比較 50 家公司，建立模型，尋找異常，形成報告，再根據報告提出投資建議」，而 Astra 的意義就在於此：模型越能完成複雜任務，人類就越敢把複雜任務交給 Agent。

第三，Agent 會從「偶爾調用」變成「持續運行」。這是最重要的變化。傳統 ChatGPT 是人有提問，調用一次，得到答案，然後結束。而 AI Agent 則是，

接到目標 → 規劃 → 搜索 → 執行 → 驗證 → 修改 → 再執行 → 完成。

它是一條持續運行的計算鏈，不斷產生 API 調用。任務越複雜，Reasoning 就越長，Context 就越大，Tool Call 就越多，Output 就越多，然後 Token 消耗也越大越多。

因此，AI Agent 不僅會增加 AI 用戶數量，還會放大每個 AI 用戶背後的 Token 需求。

因此，完全可能出現這樣的情況：AI Agent 的數量僅增長了 20%，但 Token 的總需求增長了 300%。

Astra 是來自 OpenAI 迄今為止規模最大的訓練運行，此次公開資訊顯示其訓練規模已超過 10 萬個 GPU。更重要的是，AI 正越來越多地參與模型訓練本身。

過去是「Human→Train→AI」，而正逐漸變成：

人類 + 人工智慧 → 訓練 → 更佳的人工智慧

這已是 RSI 的初級模式，模型可參與生成訓練數據、發現問題、進行評估、提供反饋，甚至協助訓練過程中的部分工程與研究工作。

因此，將形成一條非常漂亮的飛輪效應鏈條：

更強的模型，就會有更強的 AI Agent 能力，然後 AI Agent 可以完成更多真實世界任務，產生更多高質量任務數據和反饋，反過來幫助訓練更強模型，而更強模型再次提升 Agent 能力，從而接管更多任務…

這意味著 AI 的發展不會像傳統軟體那樣進行「版本迭代」，而更像一個自我加速的生產系統。結果就是，對 Token 的需求將會產生多變量同時擴張的乘數效應，而且模型越強，這個乘數效應越明顯。

所以，我們一定會看到：

模型能力的提升本身成為 AI 算力需求增長的引擎，進而產生十億、數十億、越來越多的 AI Agent 數位勞動力，隨之而來的 Token 需求洶湧不斷，無窮無盡。

這就是本次 GPT-6 Astra 發布的重要意義。