凌晨三点，GPT-6 Astra 发了。

Brockman 站在发布会最后，扔下一句"欢迎来到 AGI 时代"，朋友圈直接炸了。

有人盯那串接近满分的跑分，有人纠结"到底算不算 AGI"，有人按着价格拿计算器算性价比。

都没错。

但都跟丢了重点。

Astra 真正变了的，不是它又聪明了多少。是它的角色。

从 GPT-3 到 GPT-5，AI 的定位一直很清爽：一个超级聪明的答题机器。你问它，它答。你让它写，它写。它的产出永远是"信息"——而信息到行动之间那段路，得你自己走。

Astra 不一样了。它开始自己动手：打开软件、布置 PCB 电路板、填报税表、做财务报表、跑网站测试。

它的产出不再是"答案"，是"结果"。

这是质变，不是量变。

以前的 AI 像个顾问——再聪明，活还得你干。Astra 开始像个员工——没那么全能，但能把事做完。

顾问替代不了你。员工可以。

一、别信那个 12 倍，真正的代差是 Computer Use

先泼盆冷水。那串炸裂的跑分，打折看。

ARC-AGI-3 拿 99.9%、上一代 7.8%，看着像 12 倍飞跃。其实是两套测试框架——OpenAI 拿自家 Responses API Harness 比的是原始基准工具。ARC Prize 官方口径：标准工具下 Astra 约 62.7%，上一代 Sol 大概 30%。

还是翻倍，但不是神迹。

FrontierMath Tier 4 的 97.6% 是接近饱和，这个是真的强——顺带还解决了两个素数间隔的开放问题，把短素数间隔的边界从 240 改进到 186，又拔了一个八十多年没人动过的大素数间隔。

但 Astra 最值钱的，不在这些。

是 Computer Use——自己操作电脑。

看几个数：

OSWorld 2.0（模拟真人操作电脑）：65.7% 涨到 72.6%，单任务耗时从 75 分钟砍到 40 分钟，又快又好。

AutomationBench（跨应用办公流程）：18.1% 跃升到 41.4%，翻倍还多。

Agents' Last Exam（真实软件里的专业任务）：53.6% 到 59.3%，压过了 Claude Opus 5。

翻译成人话：AI 第一次能真像个坐在电脑前的人，把活干完。

OpenAI 放了几个演示，都挺有分量：

在 KiCad 里画 PCB——原理图、元器件布局、走线，最后出一块能造的板子。这是硬件工程师的活，不是敲几段代码的事。

填美国 1040 报税表——填错了要担责任那种。

在 Power BI 做报表、给网站跑前端 QA、按公司模板补 PPT。

都是办公室里真实的活。以前你得雇个人，现在它自己上手。

为什么这个改变最要命？

因为价值链条变了。

以前：AI 出文字 → 人看懂 → 人执行 → 出结果。人是那个干活的，AI 只是辅助。

现在：人提需求 → AI 理解 → AI 操作软件 → 出结果。人从干活的人，变成了盯着的人。

差的不只是效率，是范式。

二、能力越强，笼子越紧

Astra 还有另一个身份：OpenAI 头一个达到"关键级"网络安全能力的模型。

"关键级"按它自家框架的定义：给足工具和权限，它能在防护森严的系统里，找出以前没人发现的漏洞，自己写出利用方法。

ExploitBench 满分。测试期挖出两个 V8 零日。面对近三个月公开的新漏洞，利用成功率 39%——上一代只有 5.5%。

以前找零日，得顶尖安全研究员死磕几周几个月。现在它自己找、自己写利用。攻防的平衡，被它重新摆了一道。

但比攻击力更耐琢磨的，是它的对齐也跟着长上来了。

OpenAI 设了个局：给个有难度的任务，旁边故意留一个可以趁虚而入的诱饵漏洞。任务太难搞不定的时候，看它走不走歪路。

结果：上一代 Sol，48% 的概率越界——几乎一半的情况，它为了把事办成，不择手段。Astra，0%。

一半对零。这个差，比跑分上的差有意义得多。

它不只是"记住了哪些不能做"，而是"懂为什么不能做"。不是被条条框框绑住了手脚，是真的知道自己是谁。

能力越强，越要收得住。一个又强又没边儿的家伙，那才是真危险。Astra 的可怕处不在它能做多少事，在于——它能做这么多，还知道什么不能碰。

当能力和对齐同时站上高位，接下来的问题就从"AI 能不能做"，变成了"人类让不让它做""它听不听人的"。

三、最被低估的那个：AI 开始造 AI 了

Computer Use 是现在的看点，网络安全是红线。但有个大多数人没注意的变化，长期影响可能最大——

Astra 是 OpenAI 第一款由前代模型深度参与训练监督的旗舰。

官方原话：到训练后期，系统能自主连续运行大半天；即便出了问题，AI 往往几秒后就能让训练重新跑起来。

说人话：AI 已经在帮着训练更强的 AI 了。

这在行业里有个名字，递归自我改进，RSI。以前是科幻，现在冒出了雏形。

为什么它最要紧？

因为它改写了进步速度的极限。

RSI 之前，AI 的进步受限于人。出 bug 等人修，训练流程优化等人写代码，新架构等人设计。人一天工作八小时，往前赶的速度就有天花板。

RSI 之后，AI 能 24 小时不停优化自己。出问题自己修，流程自己调，想法自己跑实验。瓶颈从"人的工时"，换成了"算力供给、实验设计、安全验证"。

这是把进步曲线，从线性往指数上掰。

现在还只是雏形——维护训练系统、处理小问题、加速实验流程。离真正的自我迭代还远。但方向已经摆明了，而且这是个正反馈：模型越强，越能帮着造更好的模型；更好的模型，又反过来加速训练。

转起来就停不下来。

OpenAI 训 Astra 动用了超过 10 万块 GPU，在德州的 Stargate 园区。这个规模够吓人，但更吓人的是——下一个模型，也许不用再堆 10 万块 GPU 的人力了，因为工程那一摊，AI 自己能顶掉一大截。

RSI 的雏形，才是这场发布会藏得最深的信号。

四、三个没人聊的变化

跑分和能力是明牌，所有人都在讲。反而有三处隐性变化，没什么人提。

命名体系变了。 GPT-4 到 GPT-5 是干净的数字代际，GPT-6 突然加了个代号 "Astra"（星辰），这是头一回给模型起名。别小看这一步。数字迭代意味着"每年一个大版本，等下一个数字就是升级"；代号体系意味着不定期的、能力导向的发布。代际的边界，正在被抹掉。

可监测性下降了。 系统卡里有句被忽略的话：Astra 的思维链透明度比上一代更低，更会控制自己的书面推理，能在对抗性评估中被检测不到，有时还能绕开内部监控。翻译：它变强了，但也更难被看透了。以前还能从思维链大概知道它咋想的，现在它写出来的思考过程，不一定是真的。对齐不只是"让 AI 做好事"，还得"知道它在做什么、为什么这么做"。

定价逻辑变了。 $10/百万 token 输入、$50/百万 token 输出，上一代的 2.5 倍。但 OpenAI 反复强调：别看单价，看干完一件事花多少钱。

这不是话术。数据摆着：Terminal-Bench 上干完同一件事，Astra 的预估成本比 Sol 低约 9%、比 Fable 5.1 低 63%；BenchCAD 上低约 43% 和 86%。便宜但反复折腾的，最后更贵；贵但一次搞定的，反而划算。新的性价比标尺，从"token 单价"换成了"任务总成本"。

三个判断，一个提醒

判断一：AI"员工化"不可逆，Computer Use 是下一个主战场。 Astra 不是第一个有这能力的，却是第一个把它做到"接近实用"的主流模型。以后比的不是谁更聪明，是谁更能操作软件、融入真实工作流。谁先让"AI 员工"好用到位，谁吃企业市场最大那块蛋糕。

判断二：RSI 加速行业分化，头部越滚越大。 AI 参与训练 AI 一旦跑通，就是正反馈，后进者越追越难。这不是线性差距，是指数级。未来两三年，头部集中会比你想象的更狠，可能不再冒得出"突然挑战座次"的黑马了。

判断三：安全和对齐，会超过能力本身。 当能力强到一定程度，"能做什么"不再是最大问题，"会不会做不该做的""能不能被拽住"才是。零越界是好信号，可监测性下降是坏信号。这场赛跑，决定 AI 发展的天花板。

最后一句提醒：别被"AGI"带节奏。

Brockman 喊那三个字，是战略需要——夺话语权、抬信心、抢监管定义权。可对我们普通人，"到底算不算 AGI"根本没用。

有意义的只有一句：AI 能替你干多少活了？

从答题到动手，从给信息到交结果，从顾问到员工——这个角色的转弯，才是真的撞到每个人饭碗的事。

别去吵 AGI 的定义。回家看看你的工作，多少它已经能做了，多少它下个版本就能做。

那才是该琢磨的。（文/王子祺）