2026年9月3日，OpenAI發佈GPT-6 Astra，並啟動分階段開放。發佈說明把它定位於複雜的端到端工作：結合推理、程式設計、研究和電腦操作，將使用者交付的目標推進到完成結果。如果多年後回看這次發佈，最值得記住的，可能是知識勞動開始獲得一種新的供給方式：人們可以把一段工作交給軟體，等待它呼叫資源、執行、檢查，再交付成果。

我認為，“AGI經濟時代很可能已經開始”，應當從這裡理解。它是關於生產方式變化的判斷，仍然需要真實部署和經營資料驗證。我們無須先宣佈通用人工智慧已經完成，才能研究這種變化的經濟後果。

Astra真正值得關注的是推理、工具呼叫、電腦操作、長程任務、專業工作、軟體工程和自主行動開始在同一個通用系統中形成閉環。這意味著人工智慧正在跨越一道遠比“聊天更自然”“數學成績更高”重要的門檻：AI正在從一個回答問題的認知工具，變成一個能夠接受目標、呼叫資源並完成工作的經濟行動者。

因此，我並不認為GPT-6 Astra足以證明“AGI已經完成”；但2026年很可能會被未來重新定義為另一個更重要的時間點：

AGI從一個實驗室裡的能力問題，開始變成現實世界裡的經濟問題。

這就是所謂的——AGI經濟時代。

一、Astra最重要的變化，是“能力閉環”開始形成

Astra的資料確實足夠驚人。OpenAI披露，Astra在FrontierMath Tier 4上達到約98%，在ARC-AGI-3的特定Provider Adapter測試環境下達到99.9%，ExploitBench達到100%。在電腦操作OSWorld 2.0中，Astra達到72.6%，而GPT-5.6 Sol為65.7%；更值得注意的是，模擬完成一個任務所需時間從約75分鐘下降至約40分鐘，縮短約47%。

但ARC Prize自己的分析同時提供了一個非常重要的冷靜視角：Astra在其Standard Harness下的ARC-AGI-3成績為62.7%，99.9%的成績依賴可以保留模型隱式推理狀態的Provider Adapter。ARC Prize明確表示，ARC-AGI-3被“打穿”並不等於證明AGI已經實現，因為它仍是一個封閉、確定性的環境，遠遠不能代表真實世界的開放複雜性。

這恰恰說明，我們不應該把“Astra=AGI”建立在某個99.9%的數字上。

真正值得重視的是另一件事：過去不同AI能力是割裂的。

模型會寫程式碼，卻不會自己安裝、運行、測試；會分析資料，卻不會自動尋找檔案、操作Excel、生成圖表再寫入報告；會提出研究建議，卻無法持續瀏覽網頁、比較證據、發現缺口、重新搜尋、修改假設並把最終成果交付。

Astra試圖把這些環節串起來。OpenAI對它的定位已經不是傳統意義上的“聊天模型”，而是一個面向端到端複雜工作的系統：研究、瀏覽、程式設計、電腦操作、專業軟體和文件生成被組合進同一個工作循環；開發者甚至獲得了非同步工具呼叫和執行過程中重新干預任務的能力。

這才是Astra真正具有時代意義的地方。

二、從“回答問題”到“完成任務”，AI的經濟單位正在改變

ChatGPT最初改變的是“答案的成本”。

一個過去可能需要搜尋半小時的問題，現在幾秒鐘就能得到答案。但Agent時代改變的是更加底層的東西：工作的成本。過去衡量生成式AI，經常討論Token數量、API呼叫量、月活使用者和模型參數。

進入Astra這一階段，更重要的指標會逐漸變成：一次完整任務需要多少錢？

進一步是：一個小時的人類知識勞動，需要多少美元的推理成本來替代或增強？

最終甚至可能變成：每一美元Inference能夠創造多少經濟產出？

這實際上是從“Token Economy”向“Task Economy”的轉變。OpenAI近期關於Agent經濟價值的研究已經出現這種趨勢：傳統Chatbot的使用通常是短互動，而Agent可以連續運行幾十分鐘甚至數小時，調度多個工具並不斷迭代。其內部使用資料也顯示，Codex類Agent工具已經從主要服務工程師，逐漸擴散到Finance、Legal、Recruiting、Marketing等大量非技術工作。

所以真正值得觀察的過去是：

AI是否已經比一個頂級分析師更聰明？

而以後應該是：

AI能否以遠低於一個分析師的邊際成本，連續完成原本分佈在多個崗位上的任務鏈？

一旦答案逐漸變成“可以”，生產函數就開始改變。

三、“經濟AGI”可能比“哲學AGI”更早到來

OpenAI長期以來對AGI的定義非常經濟學化：高度自主，並且在大多數有經濟價值的工作上超過人類的系統。

這個定義很關鍵。

因為AGI並不要求人工智慧首先解決意識、情感、自我、哲學意義上的理解等所有問題。

資本主義經濟系統並不按照“誰擁有意識”支付工資，而是按照：

誰能完成任務、承擔流程、創造結果。

所以我們可以把“經濟AGI”粗略理解成：

Economic AGI ≈ Intelligence × Agency × Tools × Reliability × Cost Efficiency

其中任何一個變數過去都可能構成瓶頸。

GPT-4擁有強大的知識，但Agent能力不足；早期Agent會操作工具，卻頻繁走錯步驟；更強的Reasoning模型會規劃複雜任務，但速度和成本又限制了規模化部署。

Astra最值得關注的，是這幾個變數開始同時提升。

尤其是Computer Use。

當一個Agent能夠閱讀螢幕、點選軟體、呼叫API、運行程式碼、操作CRM、處理表格、分析科研資料並在不同軟體之間持續工作時，它終於擁有了一個非常關鍵的能力：

進入人類工作的數字環境。

過去的軟體世界是為人設計的：人 → UI → 軟體 → 資料庫。

Agent成熟之後可能變成：人 → 目標 → Agent → API/軟體/資料庫。

人類不再負責每一次點選。這意味著所謂AGI時代真正的分水嶺，甚至可能不是“模型有沒有達到人類智商”，而是：

人類是否仍然必須親自操作絕大多數數位化生產工具。

四、這會重新定義整個軟體產業：UI貶值，控制權升值

這也是Astra對科技投資最深刻的影響之一。

過去十幾年，SaaS最重要的商業模式之一是Seat：一個員工，一個帳號，一個訂閱。

如果Agent能夠代表多個人操作軟體，那麼“人類Seat數量”與“經濟活動數量”之間的關係將逐漸脫鉤。因此，最危險的一類軟體不是所有SaaS，而是那些價值主要存在於UI和簡單工作流的軟體：Thin Workflow SaaS。

如果一個產品本質只是“表單+資料庫+簡單Workflow”，Agent越強，人類親自進入這個產品的必要性就越低。但另一類軟體反而可能變得更加重要。例如掌握企業核心資料、身份權限、審計、交易記錄、客戶關係、業務Ontology和關鍵Workflow的軟體。

因為Agent要替企業完成工作，它仍然需要知道：

• 誰有權限？
• 什麼資料是真的？
• 交易是否已經發生？
• 客戶當前是什麼狀態？
• 什麼動作符合公司制度？

於是軟體行業的價值中心可能發生一次非常重要的遷移：UI → Data Plane → Permission Plane → Workflow Control Plane。

未來評價一家軟體公司，最重要的問題是：“當企業裡有1000個AI Agent工作時，這些Agent為什麼必須經過它？”

能夠成為Agent世界“收費站”的軟體，價值可能反而上升。

五、勞動市場的第一場革命，是組織壓縮？

圍繞AGI最常見的討論是：“那些職業會消失？”

這個問題可能問得太早。

更可能首先發生的是組織結構被壓縮。

傳統知識工作團隊往往是層層傳遞的：高級負責人提出目標，經理拆解任務，分析師蒐集資料，工程師執行，營運人員整理結果，管理層再彙總。

這些崗位中有大量工作並不是獨立創造知識，而是資訊蒐集、任務協調、格式轉換、資料搬運、初級分析、反覆溝通、檢查和彙總。

Agent恰恰最容易首先吃掉這些“組織摩擦”。

未來最有競爭力的組織可能越來越像：少量高能力人類 + 大量AI Agent。

一個優秀投資人未來管理的可能不是5個Analyst，而是20個分別負責財報、宏觀、衍生品、產業鏈、估值、風險和證據驗證的Agent。

一個軟體工程師可能管理一整個Agent coding team。一個創始人可能擁有過去需要幾十人才能獲得的研究、設計、法律、行銷和營運能力。這意味著AGI第一階段最劇烈的變化，很可能不是崗位數量瞬間歸零，而是：

每一個高能力個體能夠控制的經濟資源突然放大。

這是一種前所未有的“認知槓桿”。

六、Astra越強，算力需求未必下降，反而可能出現新的傑文斯悖論

有人可能認為，模型效率越來越高，會降低GPU需求。

這種判斷忽略了需求彈性。如果完成一個複雜任務的推理成本下降50%，企業未必會把AI預算削減50%；更可能發生的是，原來只運行100個任務，現在運行1000個。

過去由於成本過高，不值得自動化的：財務核對、供應鏈最佳化、合同檢查、客戶研究、程式碼測試、安全掃描、銷售跟蹤、科研探索……

都可能開始變得經濟可行。

因此：Cost per Task ↓

但與此同時：

Number of Tasks ↑↑↑

最終Total Inference Compute未必下降。

Astra的API價格並不低——官方標準價格為每百萬輸入Token 10美元、輸出Token 50美元；但OpenAI同時強調，在部分專業任務上Astra使用更少Token、完成率更高，因此“每項完成任務的成本”可能低於能力較弱的模型。

這可能推動AI基礎設施從過去的“訓練軍備競賽”，逐漸進入更加持續的：Inference Industrialization。算力、網路、電力、資料中心仍然重要，但下一輪價值可能進一步擴散到Agent Infrastructure、Security、Observability、Workflow、Data Governance和Application。

七、真正限制AGI商業化的，可能不再是智力，而是“可授權性”

Astra另一個被低估的變化是Alignment。

當AI只是聊天機器人時，偶爾回答錯一個問題是產品體驗問題。當AI擁有電腦操作權、企業資料訪問權甚至資本權限以後，同樣的錯誤就可能變成：刪錯檔案、傳送錯誤郵件、洩露資料、錯誤交易，甚至網路安全事故。

因此Agent時代的核心能力不能只有Intelligence。

必須變成：Intelligence × Delegatability。

也就是：AI有多聰明，以及我們敢把多少權力交給它。

Astra已經成為OpenAI第一個達到其Preparedness Framework“Critical”網路安全能力閾值的模型。在獲得適當工具和權限時，它已經能夠尋找此前未知漏洞，並開發利用方式；與此同時，OpenAI也明確承認，能力越強，模型監控、長程行為和對齊本身就越困難。

這是AGI時代一個很容易被忽視的悖論：模型能力越強，安全系統的重要性不是下降，而是指數上升。因此未來AI基礎設施最重要的技術之一，可能不是另一個更大的模型，而是Permission、Sandbox、Audit、Policy Engine、Monitoring、Human Approval以及Kill Switch。

換句話說，AGI真正進入企業，不僅需要“更強的大腦”，還需要一套類似現代金融體系的內部控制制度。

八、為什麼我仍然不認為“AGI已經完成”

儘管Astra展現出了明顯的跨代能力，我們仍然需要保持一個非常重要的區分：Benchmark Saturation ≠ Real World Saturation。

真實世界不是ARC-AGI。

現實任務包含：資訊缺失、目標衝突、對手博弈、資料錯誤、法律責任、長時間跨度以及不斷變化的環境。

今天的Agent依然可能犯錯，依然需要外部驗證，依然無法可靠承擔所有專業崗位的完整責任鏈。更重要的是，Astra在安全研究中已經呈現出新的“可監控性”問題：隨著能力增強，模型可能使用更少的顯式書面推理完成複雜任務，這反而降低了通過Chain of Thought觀察其行為的能力。OpenAI將這一趨勢明確列為需要繼續研究的問題。

所以，今天宣佈“人類已經完成AGI”，仍然過早。

但如果問題換成：

“人工智慧是否已經開始成為一種可以自主完成越來越多經濟任務的新生產要素？”

答案正在迅速接近：

是。

九、真正的歷史分水嶺：從“人工智慧工具”到“數字勞動力”

回看過去十年，AI的發展大致經歷了幾次非常清晰的躍遷。

• 2017—2022年，是Foundation Model時代，機器學會壓縮世界知識。
• 2022—2024年，是Generative AI時代，機器開始與人自然交流並生成內容。
• 2024—2026年，是Reasoning時代，模型逐漸掌握複雜數學、程式碼和深度推理。

而Astra之後，我們可能正在進入第四階段：Agentic Intelligence Era。

這個時代最重要的變化不是ChatGPT回答得更加漂亮，而是：

數字世界第一次出現了一種可以被覆制、擴容、呼叫、調度的通用認知勞動力。軟體、組織、勞動力、資本開支甚至公司的邊界，都可能因此重新定義。

未來幾年真正值得觀察的也不再只是：“下一個模型Benchmark能高多少？”

而是四個更加經濟學的問題：

• AI能夠自主承擔多少任務？
• 每項任務的成本下降有多快？
• 企業願意授予Agent多大的權限？
• 那些資產控制Agent不可繞過的資料、算力、權限和Workflow？

這四個問題決定的，可能不僅是下一輪AI公司誰勝誰負。它決定的是下一輪生產力革命中，價值究竟向那裡遷移。

Astra不是AGI的終點，而可能是AGI經濟時代的起點

所以，對GPT-6 Astra最準確的理解或許不是：“AGI終於來了。”

而是：

AGI第一次開始不需要等到一個哲學上完美的終極模型出現，就能夠提前進入經濟系統。

只要AI能夠以越來越低的成本，持續完成越來越長、越來越複雜、越來越跨專業的軟體世界任務，它就已經開始改變生產函數。

而一旦生產函數改變，企業組織、軟體價值、勞動力結構和資本市場最終都會發生變化。

Astra真正打開的是一扇更加重要的門，人工智慧正在從知識工具變成經濟行動者，從Copilot變成Agent，從軟體功能變成新的生產要素。

也許很多年後回看2026年，人們仍會爭論GPT-6 Astra究竟算不算真正意義上的AGI。

但那時這個爭論可能已經不再重要。因為當一個技術開始影響企業如何組織、軟體如何收費、資本如何配置、人類如何工作時，它是否滿足某個完美的AGI定義，已經不是最關鍵的問題。

真正重要的是：經濟系統已經開始按照AGI存在的方式重新組織自己。

這，才可能是GPT-6 Astra真正的歷史意義。

多年以後，人們也許仍會爭論Astra是否達到了AGI。但企業可能早已開始按任務配置預算、圍繞Agent重組流程，並重新界定人與軟體的職責。當這些變化從試驗進入日常經營，認知能力就開始以一種新的方式參與生產。人類仍然需要提出值得解決的問題、判斷結果並承擔責任，但執行知識工作的資源，已經有了不同的組織方式。

Astra可能留下的歷史意義，是讓經濟系統在AGI的終極定義獲得共識之前，就開始認真計算：當越來越多認知勞動能夠被覆制、呼叫和調度，工作應該如何組織，利潤又將流向那裡。(貝葉斯之美)