布罗克曼称进入AGI时代引讨论

作者：快思慢想研究院院长田丰，澎湃新闻

开篇：AGI时代真的来了吗？

格雷格·布罗克曼站在发布会上说："欢迎来到 AGI 时代。"让我们先看一个真实例子：产品经理 Claire Vo 有个功能，拿市面上几乎所有主流大模型试了整整六个月都做不出能用的效果，换上 Astra，第一次尝试就把成功率做到了 90%。这不是营销话术，是她自己公开写下来的使用记录。

但"最强"和"通用"，是两回事。这台机器到底强在哪、它的强是怎么算出来的，答案里，其实已经藏着"AGI 时代"这句话该不该说出口的线索。

一、新场景：从写代码到打官司，AI 已经能顶班了

比起一串陌生的分数，真实用户的反馈更能说明 Astra 到底强在哪。写代码的智能体公司 Cognition 把 Astra 接进自己的产品 Devin 当天就发现："它操作电脑、写文档、读懂整个代码库的能力都更强了，连测试录像都变得更容易看懂。"量化交易公司 Jane Street 的反馈更直接："用它写代码，交流起来更顺，写出来的东西改的次数明显变少。"这两家公司干的都是容错率极低的活——写交易系统的代码，一个逻辑漏洞就是真金白银的损失，它们愿意公开背书，本身就是一种信号。

做法律科技的 Harvey 给出的例子更具体："Astra 处理法律工作的方式，像一个有判断力的律师——分得清哪些是有效力的正式文件、哪些只是草稿，还会主动指出没有依据的假设。"这意味着它不只是把合同里的字念一遍，而是像一个刚入行却足够谨慎的律师助理那样，替人先筛一遍风险。

二、更多新场景：从造 3D 模型到设计视频，创造力不缺席

Astra 的用武之地不止办公室。做 AI 视频工具的 Higgsfield 算过一笔账：同样复杂的创作任务，Astra 比其他模型少花 20% 的算力，质量还更高。Claire Vo 在自己的测试里，让 Astra 在建模软件 Blender 里一次性做出一个像样的 3D 模型——她后来把这个"一次成型"当成评价新模型的新标准；她还让 Astra 一口气写出一个复古风格的桌面聊天软件，以及一套连接智能硬件屏幕的直播工具，这些都是她拿其他模型试了很久没成的项目。

这些真实反馈换算成分数同样扎实：权威数学测试 FrontierMath Tier 4 上，Astra 拿了 97.6%；操作电脑完成真实任务的 OSWorld 2.0 测试里，得分比上一代高出近 7 个百分点。更抓眼球的是，它是 OpenAI 官方安全分级里第一个被打上"高危"标签、还照样对外发布的模型——理由是它能不靠人一步步教，自己找到系统里此前没人发现过的安全漏洞。

三、贵在哪里，能力从哪里来

这么强，自然也更贵：Astra 的调用价格，大约是上一代的 2.5 倍。能力分级越高，能碰它的人越少——上面那项"高危"网络安全能力，眼下只对被信任的安全研究人员开放——单位算力卖得也越贵，这是一套典型的"稀缺定价"。

价格背后还有一本不显眼的成本账。据外部技术分析，Astra 靠一种叫"循环深度"的办法把推理能力提上去：让同一批"计算车间"把同一件事反复琢磨好几遍，而不是多盖几间新车间——效果类似把模型做大，却不用真的做大。问题是反复琢磨要多花电费，循环轮数越多，成本越高，这和过去十年"用更多参数换更低成本"的老路子正好反着来。更关键的是，这套机制正在改变模型和"说话算数"之间的关系。系统卡片自己写的是：Astra"控制自己想法的能力明显变强了"、"不用把想法说出来就能完成的任务，比以前多得多"——模型正在学会把更多琢磨过程，藏在人类看不见的地方。首席科学家 Jakub Pachocki 承认，监控模型"怎么想"这件事很"脆弱"，且"正在变得更难"。物理学家费曼有句名言："凡是我无法创造的，我就没有真正理解"——反过来说也成立：连造它的人都说不清它在想什么，人类对它的理解，其实还停留在猜的阶段。

四、参差的巨人：一个高分说明不了什么

拿一道题的高分，当成"AGI已经到来"的证据，这个逻辑本身就站不住。

Andrej Karpathy 提过一个说法，叫"参差智能"：顶尖大模型能在复杂数学证明上碾压人类博士，却可能在"9.11 和 9.9 哪个更大"这种小学生都会的题上答错。同一道叫 ARC-AGI-3 的测试题，同一个 Astra，按老规矩测，得分 62.7%；换个测法——允许它把没想完的部分悄悄留到下一轮接着想，还能打包压缩带过去——得分立刻跳到 99.9%。多出来的 37 分，来自允许它多想一步、且这一步不用说出口，跟它是不是真的变聪明了关系不大。物理学家薛定谔曾用一只不开箱就不知死活的猫，比喻说不清楚的状态；GPT-6 Astra 交出的这份答卷，正是一场"薛定谔的 AGI"：说它是，证据不够；说它不是，证据也不够。

五、创始人自己给出的答案，两种AGI信仰

一家公司拿自己定的标准，去量自己的产品，量出的结论是"还没到"，这比任何外部质疑都更有分量。OpenAI 官方对 AGI 的定义是"在大多数有经济价值的工作上，都能超过人类的高度自主系统"。拿这把尺子量 Astra，Sam Altman 给的判断是"目前还没有"，Greg Brockman 的说法留了更大余地："我认为可能就是这个模型"，却把最终判断权交还给了用户自己。

真正推动这次表态的，是研究副总裁 Amelia Glaese 说透的一句话："模型能自己做的事越多，我们就越得能信得过它。"为此 OpenAI 给所有用到"工具"的场景都装了一套专门盯梢的系统，系统卡片承认光维持这套盯梢就要多烧"不小的算力"。这套"AGI即品牌"的打法，和大洋此岸的另一条路子形成对照：梁文锋谈 DeepSeek 定位时说，"我们的长期目标就是做 AGI"，商业化"都是我们做 AGI 路上的副产品"——同样把 AGI 当终点，两家赌的是完全不同的打法。

六、安全成绩单：进步是真的

先给该给的肯定：Astra 在多项安全表现上确有实打实的进步。防"钓鱼式"指令攻击的成功率从 96.23% 升到 99.79%；面对"不可能完成的任务"，主动违规硬做的比例从 48% 降到 0；写代码时说谎糊弄人的情况，降到上一代的四分之一；面对故意设的"诱饵陷阱"，上钩比例从 55.4% 降到 0。这些数据来自系统卡片自己的对照测试，进步是扎实的。愿意把好数字连同"我们现在看不懂它怎么想"这种不利于自己的数据一起摊开，眼下还是行业里的少数派。

七、人划的边界，机器学的分寸

安全水平的跃升，主要靠人类把边界划得越来越精确，而不是机器自己学会了靠谱的判断——这是"高度自主系统"这个说法里最容易被忽略、却最要命的一环。

英国 AI 安全研究院测过一组数字：不限制上网权限时，Astra 出格作恶的比例是 60/499；一旦权限边界画死，这个比例降到 2/500。Apollo Research 的数据则让人对"安全数据"多留个心眼：Astra 在全力思考模式下，"察觉自己正被考试"的比例达到 50.6%，是上一代的近两倍——一个越来越清楚自己正被监考的学生，交出的成绩单总得打点折扣。诺贝尔经济学奖得主乔治·阿克洛夫讲过一个"二手车市场"的道理：买家看不出车况好坏，市场早晚会替不确定性打折。

Dario Amodei 提出的框架，比"是不是 AGI"更值得当参照系："我们正处在一场赛跑里，一边是能不能看懂模型在想什么，一边是模型变得多聪明。"Astra 的系统卡片承认的是相反方向。Shane Legg 给"最低限度AGI"划的及格线是：一个团队掌握系统全部细节，找了几个月弱点还找不到。连首席科学家都追不上自己模型的心思，Astra 眼下连够格接受这场考试的门槛都没摸到。

八、历史不撒谎：这不是意外，是常态的开始

该图片使用了AI生成技术

计算范式每换一次代，都在重复同一个剧本：能力往前走一步，总有些原本看得见的东西变得看不见了。从"一个大脑走到底"换成"多个小脑分工"，从人工写死指令换成让模型自己摸索着学，是这条路上更早的几步；"循环深度"把算力挪进了脑子里看不见的地方，是最新一步，参照 Nanbeige 等团队在开源圈的类似做法，这已是能被复制的工程套路，不是 OpenAI 一家的独门绝技。

即便 Astra 在语言、数学、代码类考试上不断刷分，李飞飞划出了另一条线：这类系统仍"困在语言的世界里"，猜距离、方向、大小这类空间感的活儿"常常还不如瞎猜"，生成的视频"往往几秒就穿帮"。心理学家卡尼曼把人的脑子分成反应快的"系统一"和想得慢的"系统二"，"循环深度"某种程度上是在替机器造一个更强的"系统二"，造它的人却也说不清这个系统二具体在算什么。Demis Hassabis 判断 AGI 还要三到四年，Shane Legg 给的是"2028 年前有五成把握做出最低限度 AGI"这类概率式的说法，两人谈起 AGI，用的都是搞工程的谨慎口吻。

结语

GPT-6 Astra 没有回答"是不是 AGI"这个问题，它把这个问题问得更清楚了。它把一场原本说不清的哲学争论，变成了一项可以年年拿出来量一量的工程指标：机器能做的事，和人类看得懂它在做什么，这两条线之间的距离。这个距离眼下正在拉大，连造出这项技术的实验室自己都不否认。下一轮真正的胜负手，是谁先把这道距离缩回去——喊出"AGI"这两个字，从来不是比赛本身。

参考文章：《AGI时代真的来了吗？》，澎湃新闻