GPT-6 Astra测试成绩双面性引争议，OpenAI宣布AGI来临遭质疑

在历经11年对AGI（通用人工智能）的不懈探索后，OpenAI突然对外宣称“AGI时代已然来临”。

当地时间9月3日，OpenAI推出的新一代旗舰模型GPT-6 Astra在AI通用学习能力测试ARC-AGI-3中，斩获了最高99.9%的惊人成绩。

OpenAI联合创始人兼总裁格雷格·布罗克曼（Greg Brockman）随即兴奋地宣布：欢迎踏入AGI时代。

然而，在这耀眼的99.9%成绩背后，却隐藏着一个不容忽视的关键细节：一旦测试环境统一，其得分便从99.9%急剧下降至62.7%。

回顾过去11年，OpenAI内部对于AGI的定义频繁变动，首席执行官山姆·奥尔特曼甚至在几天前还公开表示，AGI不过是一个营销术语。

在收入、估值以及IPO速度被Anthropic全面超越的严峻背景下，OpenAI总裁此时高调宣布AGI的到来，究竟是技术实现了质的飞跃，还是仅仅为了营销造势呢？

GPT-6 Astra操纵电脑完成excel比赛（4倍速）视频来源：OpenAI

99.9%还是62.7%？GPT-6 Astra的AGI成绩单出现双面结果

OpenAI将GPT-6 Astra誉为其迄今为止“最智能、最对齐”的模型。

相较于之前的版本，GPT-6 Astra的能力提升不再局限于聊天、写代码等单一任务，而是成功拓展至计算机操作、软件工程、专业工作以及网络安全等更为复杂的领域。

OpenAI公布的数据显示，在电脑操作能力测试中，GPT-6 Astra得分高达72.6%，超过了上一代GPT-5.6 Sol的65.7%；在专业工作自动化测试中，得分从18.1%大幅跃升至41.4%；在Terminal-Bench 4.0测试中，GPT-6 Astra得分57.9%，超越了Anthropic的Claude Fable 5.1。

尤为值得一提的是，其网络安全能力的提升更是显著。

GPT-6 Astra在ExploitBench测试中取得了100%的优异成绩，并成为OpenAI首个达到其Preparedness Framework中网络安全能力“关键”级别的模型。

OpenAI表示，在获得相应的工具和权限后，GPT-6 Astra能够自主发现此前未知的安全漏洞，并开发出新的利用方式，而无需人类逐步指导。

ExploitBench 图片来源：OpenAI

然而，在所有成绩中，最引人注目的依旧是ARC-AGI-3测试。

与数学、代码或知识问答不同，ARC-AGI-3测试的核心在于评估AI在面对一个全新环境时，能否通过探索、交互和试错，自行理解规则、发现目标并解决问题。

简单来说，它测试的是AI能否具备“自主学习和解决问题的能力”。

在此次测试中，GPT-5.6 Sol的成绩仅为7.8%，而GPT-6 Astra最高则达到了99.9%。测试机构ARC Prize Foundation表示，GPT-6 Astra在96%的测试关卡中使用的行动次数少于受测人类的中位数，行动效率已经达到甚至超越了人类基准。

ARC-AGI-3 图片来源：OpenAI

也正是基于这项测试的结果，布罗克曼认为GPT-6 Astra已经达到了AGI的水平。

不过，GPT-6 Astra的AGI测试成绩中也存在着明显的矛盾。

GPT-6 Astra取得99.9%高分的测试环境，主要得益于Provider Adapter（供给适配层）框架的支持。在这一模式下，GPT-6 Astra能够利用OpenAI专门设计的上下文管理机制，在连续操作之间保留内部推理状态，并对超长对话进行压缩，从而更充分地发挥模型能力，这相当于为GPT-6 Astra的测试“开了小灶”。

而在所有模型使用统一、中立的Standard Harness环境中，GPT-6 Astra的得分仅为62.7%。

测试机构认为，未来真正的AGI应该能够在统一测试环境下解决ARC-AGI-3测试中的问题。

ARC-AGI-3 图片来源：ARC Prize Foundation

在第三方机构Artificial Analysis的“智能指数4.1.1”测试中，GPT-6 Astra得分61.2，仅略高于GPT-5.6 Sol的60.9，低于Claude Fable 5.1的65.7和Claude Opus 5的63.1。

OpenAI至少5次修改AGI定义：从超过人类到创造巨额利润，再到营销术语……

2002年，DeepMind联合创始人Shane Legg提出AGI概念后，这一概念逐渐成为AI研究领域的主流话题。

过去几十年里，AI已经在国际象棋、围棋、图像识别、数学和编程等单项能力上多次超越人类，但这并不意味着机器已经拥有了通用智能。

真正的AGI，关键在于“general”（通用）二字。

因此，一批研究者提出，判断AGI至少需要同时考虑能力强度和能力广度，而自主性则是另一项需要单独衡量的重要维度。

ARC测试创造者François Chollet则认为，真正重要的并不是AI已经掌握了多少技能，而是一个系统在面对陌生任务时，能够以多高的效率获得新技能——即泛化和学习能力。

然而，在OpenAI内部，AGI的定义却不断发生变化。

图片来源：AI

2015年底，OpenAI成立。山姆·奥尔特曼回忆称：“我们之所以选择在那个时间点创办OpenAI，是因为我们坚信AGI有可能会实现。”于是，OpenAI将公司的使命概括为“确保AGI造福全人类”，这一使命至今仍未改变。

2018年，OpenAI在《章程》中给出了AGI的最著名定义版本：AGI是在大多数具有经济价值的工作上超过人类的高度自主系统。

2023年，OpenAI又将AGI概括为“总体上比人类更聪明的AI系统”。这一表述虽然更为宏大，但却也更难以衡量——究竟什么叫“总体上更聪明”，并没有明确的验收标准。

2024年，OpenAI发布o1推理模型。当时，OpenAI员工Vahid Kazemi在X上发文称：“我们已经实现了AGI”。他定义的AGI是“比大多数人在大多数任务上做得更好”。

同年，OpenAI试图将通往AGI的道路拆分为五个等级：聊天、推理、行动、发明创新、组织工作。

然而，在OpenAI内部，AGI逐渐从一个纯粹的技术概念，演变成了一个具有明确经济门槛的概念。

2023年，微软对OpenAI追加100亿美元融资协议中规定，只有当OpenAI开发出的AI系统能够产生至少1000亿美元利润时，才被视为达到AGI门槛。

不过，到了2025年，微软与OpenAI重新调整了合作协议，并规定OpenAI宣布实现AGI后，需要经过独立专家小组的验证。2026年4月，双方再次修改协议，取消了此前与AGI挂钩的重要合同安排。

在GPT-6 Astra发布会上，布罗克曼表示，“已经没有合同意义上的AGI触发条款了。”在他看来，AGI已经从合同义务转变为“使命概念或精神概念”。

山姆·奥尔特曼本人对AGI的态度和预期也在不断发生变化。

2024年底，他一度认为AGI可能比外界预期更早到来。然而，不到一年后，他又表示什么是AGI并不重要。今年8月26日，他在接受采访时明确表示，OpenAI还没有达到AGI的水平。

就在GPT-6 Astra发布的两天前的9月1日，奥尔特曼还公开表示：“充其量，你可以说AGI是一个定义非常模糊的术语。我本来想说，它就像一个无关紧要的营销术语。”

OpenAI的商业焦虑：急于给GPT-6 Astra贴上AGI标签的背后

既然不存在公认的标准，也没有了合同约束，那么OpenAI为什么偏偏选择在这时宣布“AGI来了”呢？

过去几年里，OpenAI虽然仍然拥有ChatGPT这一全球最具影响力的AI产品，但在商业价值更高的企业市场，竞争格局已经发生了显著变化。

风投机构Menlo Ventures的调查显示，2023年，OpenAI一度占据约50%的企业大模型支出份额，而Anthropic仅为12%；然而到了2025年，Anthropic的份额已经飙升至40%，而OpenAI则下降至27%。

在编程这一AI最重要的商业化场景之一中，Anthropic的优势更加明显：其市场份额约为54%，而OpenAI仅为约21%。Claude Code的流行成为Anthropic快速增长的重要推动力。

进入2026年，竞争压力进一步反映到了收入和估值上。

7月底，Anthropic的ARR（年度经常性收入）已经超过650亿美元，相比2025年底的约90亿美元增长了超过6倍；而OpenAI的ARR则接近600亿美元。今年5月，Anthropic完成650亿美元融资后，估值达到9650亿美元，也超过了OpenAI此前的估值。

英国《金融时报》甚至将GPT-6 Astra的发布视为OpenAI重新超越Anthropic的一次有力反击。

据媒体报道，OpenAI发布GPT-6 Astra，是为了在上市前重新确立其技术领先地位。OpenAI最新估值达到8520亿美元，但仍处于高投入阶段。据《金融时报》披露，2025年OpenAI的支出约为340亿美元，而收入约为130亿美元，剔除一次性会计项目和部分非现金支出后，仍然亏损约80亿美元。

GPT-6 Astra发布后，OpenAI Pre-IPO衍生品（代号OAI）的市值飙升了21.6%，达到了1.48万亿美元。

没有统一“验收线”，谁有资格宣布AGI来了？

美国认知科学家、纽约大学心理学与神经科学荣誉退休教授加里・马库斯（Gary Marcus）在社交媒体上评论GPT-6 Astra时表示，格雷格・布罗克曼刻意模糊了AGI的评判边界，指望外界不会察觉其中的漏洞。按照传统标准来看，这套模型并不符合AGI的定义。

2025年，由多名AI研究者和学者参与撰写的《AGI的定义》一文提出，AGI是能够达到甚至超过受过良好教育成年人所具备的认知广度与认知熟练度的人工智能。按照推理、记忆、感知等10个认知领域进行评估，不能仅仅依靠单一测试的高分就宣称实现了AGI。

加里・马库斯还表示，虽然GPT-6 Astra在ARC AGI-3测试上取得的成绩非常出色，但即便这项测试的名字中带有AGI，也不能就此证明它就是通用人工智能。他推测，在开放式真实世界任务上，该模型还会暴露出大量问题。技术乐观派提前拿到了预览机会，而持怀疑态度的研究者却没有。这是一套高明的营销策略，但往往会产生误导。

有人工智能领域的资深人士向徽声在线记者表示，GPT-6 Astra已经可以在部分困难任务上达到甚至超过专家水平，但尚未稳定覆盖“大多数具有经济价值的工作”。ARC-AGI-3接近满分尤其说明AGI的判断不能仅由单项基准决定。

他对“AGI已经实现”的技术结论持审慎态度，但基本认同人工智能已经进入可以投入广泛的行业应用规模化闭环落地的阶段。

上海财经大学特聘教授胡延平向徽声在线记者表示，GPT-6 Astra在局部个别小目标上接近或达到了AGI水平，但还不能说AGI已经完全到来。按照OpenAI所定义的AGI，首先“高度自主”这一点就没有实现。

判断是否达到AGI可以从六个维度进行考量：一是知识维度、二是泛化维度、三是任务维度、四是行动维度、五是感知维度、六是学习维度。这六个维度都需要逐步建立非常系统的基准测试体系和工程化的动态测试框架，才能对AGI的进展进行持续的“可视化”。

不过，胡延平也表示，对于AGI，业界并没有特别清晰和一致的共识，不过有被广泛引用的模糊内涵：AI在所有认知任务中达到甚至超越人类表现的能力。问题是达到还是超过？达到人类平均水平还是各领域顶级专家水平？因此，AGI是AI行业一个模糊的共同目标。

上述人工智能资深人士告诉徽声在线记者，目前业内对AGI没有统一定义，也没有一条得到普遍认可的“验收线”。“前沿人工智能机构正在向更通用、更自主、更强大的智能系统靠拢，但AGI并不是整个行业统一使用的最终目标。”

他认为，在巨额算力投入、激烈模型竞争和上市预期同时存在的情况下，把技术突破描述为“AGI时代到来”，显然有利于强化技术领导者形象、提升融资能力和管理客户预期。但是，AGI标签本身并不会自动转化为利润，商业化最终取决于单位任务成本、可靠性和能够替代多少真实工作。“企业最终购买的是可稳定完成的工作，而不是某个模型是否获得了AGI称号。”

免责声明：本文内容与数据仅供参考，不构成投资建议，使用前请核实。据此操作，风险自担。