上週 OpenAI 發布了最新的 GPT-6 Astra，他們的總裁 Greg Brockman 在發表會上直接說了：「Welcome to the AGI era.」（歡迎來到 AGI 紀元。）
好，AGI 來了。新紀元開門了。那我趕快去感受一下這個劃時代的智慧——
打開 ChatGPT 跟它聊了幾輪。
嗯……思考時間好像比較久了一點，回應好像比較長了一些。
就這樣？
兩個極端之間的空白
先交代一下我自己跟 AI 協作的方式。基本上我就是走兩個極端：一邊是對話 Chat——深度討論、議題探索、內容共創，我很吃這塊；另一邊是純 AI Coding——讓模型直接幫我寫程式、改 code、跑測試。
至於中間那一塊——所謂的 Computer Use，就是讓 AI 去操作你的電腦、開瀏覽器、點選單填表單那種，不管是 Claude 的 Cowork 還是 ChatGPT 的 Work 模式——我是刻意不碰的。（原因後面會聊到，先賣個關子）
所以 Astra 出來的時候，我就很自然地從我最熟悉的兩端去感受一下：
對話端：跟上一代差不多。沒有那種「哇，這個回答的深度完全不一樣了」的感覺。
Coding 端：各家模型也還是在誤差範圍內。獨立評測機構 Artificial Analysis 的 Intelligence Index 給 Astra 打 61 分，跟前代 GPT-5.6 Sol 一模一樣，甚至還落後 Claude Fable 5.1。
那個號稱「AGI 飛躍」的東西，到底發生在哪裡？
答案是——發生在我刻意不使用的那個中間地帶：Computer Use。
這就有意思了。如果一個 General Intelligence（通用智慧），只有在某種特定使用模式下才感受得到「飛躍」，那它到底有多 General？
帶著這個疑問，我開始往下挖。然後越挖越有趣。
99 分的考卷之謎
Astra 最亮眼的數字，是在 ARC-AGI-3 這個測驗上拿到了 99.9%。
先簡單介紹一下 ARC-AGI-3：這是今年年初才提出的智力測驗，用純圖像的方式考 AI 的抽象推理能力——給你幾組輸入和輸出的範例，你要自己推斷出轉換規則，然後套用到新的輸入上。不靠背答案、不靠套公式，純粹考「面對沒見過的東西，能不能當場搞懂規則」。人類平均大概 48%，進階題目一般人也不一定答得出來。
99.9%！？人類平均才 48%，其他模型連 30% 都很拚，你直接就 99%？
這種異常偏高的數字，讓我第一直覺就是——等等，先看看考試規則再說。
果然：
| 測試條件 | Astra 分數 |
|---|---|
| OpenAI 自家 harness（保留推理狀態） | 99.9% |
| ARC Prize 標準測試環境 | 62.7% |
| Claude Opus 5（標準環境） | 30.2% |
同一個模型、同一套題目，換個測試環境直接掉了 37 個百分點。
差在哪？OpenAI 用的測試環境會在每次操作之間保留模型的內部推理狀態——簡單來說，等於讓考生帶著完整的筆記本進入下一題。標準測法不保留這個狀態，你就是一題一題從頭來。
最妙的是，連設計這個考試的 ARC Prize 自己都出來說了：「When we launched ARC-AGI-3, we made it clear that saturating the benchmark would not represent ‘proof of achieving AGI.’」（當我們推出 ARC-AGI-3 的時候，就已經說清楚了——跑滿分不代表達成 AGI。）
設計考卷的人說你考滿分不算及格，這本身就很說明問題了吧。
我不會直接說這是作弊——但用對自己特別有利的考試規則跑出一個漂亮數字，然後拿那個數字當標題來宣傳，這在學術界叫 benchmark gaming（針對評測指標做最佳化）。不是數據造假，但也談不上是誠實的科學。
而你在社群上看到的那些「99%！AGI 來了！」的驚呼，基本上就是拿了糖衣直接吞、連成份表都沒翻。
從 OpenClaw 到 Astra
接下來這段是讓我覺得最有意思的部分——把時間軸攤開來看，Astra 的定位其實有跡可循。
今年二月，OpenAI 挖走了 OpenClaw 的創辦人 Peter Steinberger。OpenClaw 是啥？簡單來說就是一個能操作你電腦的 AI 助手——管行事曆、訂機票、跨應用自動化。它給自己的定位非常誠實：「the AI that actually does things」（真正會幫你做事的 AI）。
Sam Altman 在宣布這個消息時親口說 Steinberger 是來「drive the next generation of personal agents」（推動下一代個人 AI 代理人），而且「this will quickly become core to our product offerings」（這會很快成為我們產品的核心）。
七個月後，Astra 發布。核心定位：computer operator——操作 Blender、跑 Unreal Engine、填表單、跨應用長時間工作。
各位有沒有發現——OpenClaw 做的事和 Astra 做的事，能力輪廓幾乎完全重疊？
差別只在包裝。
OpenClaw 說：「我是一個能幫你做事的 agent tool。」——這是誠實的工程描述。
Astra 說：「Welcome to the AGI era.」——這是行銷敘事。
同一個能力，兩種框架，完全不同的市場反應。
「Agent tool」聽起來怎樣？你會開始理性評估——穩不穩定？安全嗎？適合什麼場景？
「AGI」聽起來怎樣？你會焦慮或興奮——我會不會被取代？我是不是該趕快跟上？
前者是採購對話，後者是情緒對話。而在情緒對話裡，賣方永遠是贏家。
再看那些社群上瘋傳的 3D demo——用 Astra 在 Blender 裡建房子、在 Unreal Engine 做出可以走動的場景、蓋城市模擬器。真的看起來超震撼。但仔細看一下來源，最亮眼的 demo 幾乎都來自提前拿到權限的開發者，其中一位甚至直接說那是「for our launch blog post」（為了我們的發布文章做的）。OpenAI 還在發布當天主動發起 24 小時挑戰賽邀大家曬成果。
這不是自發的社群驗證。這是精心設計的 demo 擴散機制。（任務系統設計得不錯，完成度很高…等等，我好像不是在寫遊戲評測 XD）
而且幾乎沒有人展示完整製作過程——你看到的是最終結果的 20 秒精華，不是中間跑了幾輪、失敗了幾次。有人真的做了公平對比，用同一個提示詞讓 Astra 和 Fable 5.1 在 Blender 裡建同一棟別墅——兩個都建出了基本結構，Astra 多一些細節。差距是真的，但跟「普通模型 vs AGI」完全不是同一個量級。
整條策略鏈串起來，長這樣：
收購 agent 工程人才 → 整合進產品 → 用膨風的 benchmark 數字建立「認知飛躍」印象 → 用視覺衝擊力強的 demo 佐證 → 包裝成 AGI 敘事 → 一舉跳出各家模型纏鬥半年的 benchmark 消耗戰
每一步都有真實的技術基礎。但最終成品跟底層現實之間的距離，被「AGI」這三個字母系統性地壓縮掉了。
不斷後退的底線
OK，benchmark 和行銷策略都只是表層。接下來是真正讓我在意的東西。
我們可以這樣看這件事：
以前的 AI，大家把思考交出去。 現在號稱 AGI 的模型，大家把權限交出去。 底層 AI 其實沒變多少。
交出思考的時候，風險邊界是什麼？「得到一個爛答案」。你看了覺得不對，不採用就好。損失的就是時間。幻覺就幻覺，你不信就沒事。回饋迴路是即時的，修正成本趨近於零。
交出權限的時候呢？風險邊界完全不同了——「它替你做了一件你不知道的事」。它覺得應該刪某個檔案就刪了，覺得應該送出某封信就送了，覺得某個表單該這樣填就提交了。你可能事後才發現，甚至根本不會發現。
幻覺的本質沒有變。但後果從「錯誤的文字」變成了「錯誤的行動」。
文字可以不採用。行動往往不可撤回。
而且這裡有一個很險惡的不對稱：AI 做對的事，你通常不會去檢查——結果看起來合理嘛，幹嘛多看。AI 做錯的事，你往往在損害發生之後才發現。在對話模式下，這個不對稱的代價是「被誤導了但還沒行動」；在操作環境裡，代價是「行動已經完成，而你還不知道它是錯的」。
長任務的淺在風險
Astra 的一大賣點是「長任務」——它可以自己跑 40 分鐘完成一個複雜的工作流程。這也是那些 demo 看起來很厲害的原因。
但長任務恰恰是風險被放大最多的場景。
短任務裡，錯誤是孤立的。一個動作做錯了，你看到結果不對，修掉，繼續。錯誤跟錯誤之間沒有因果關係。
長任務完全不一樣。每一步都建在前一步的結果上面。如果第三步產生了一個微小的判斷偏差，第四步就在這個偏差的基礎上繼續推導，第五步再疊上去。到了第二十步，結果可能已經離正確路徑偏了很遠——但表面上看起來完整、合理、自洽，因為每一步相對於前一步都是「邏輯正確」的。
這是幻覺最危險的形態：不是明顯的胡說八道，而是一個從錯誤前提出發、但推理過程完美的結論。
更麻煩的是人的心理——當你最終面對一個龐大的產出物時，你會不自覺地想：「它跑了 40 分鐘做出這麼大一坨東西，應該不會全錯吧？」然後你的檢查標準就降低了。你做抽查而不是全面審視，因為全面審視的成本幾乎等於你自己重做一遍。
所以那些 demo 展示的「40 分鐘自主完成任務」，換個框架來看就是：它在你無法介入的狀態下，持續做出可能不可逆的決策，長達 40 分鐘。
同一個數字，敘事框架不同，你聽到的東西完全不一樣。
更不透明的黑盒子
還有一件事值得特別提一下。Astra 使用了一種叫做 recurrent depth（循環深度）的新技術，讓模型可以在內部用一種數值表徵（被研究者稱為 Neuralese）做大量推理，而外面看到的輸出文字量反而大幅減少。
聽起來很厲害對吧？但 OpenAI 自己在 system card 裡寫的是：「GPT-6 Astra shows a substantial decrease in chain-of-thought monitorability compared to previous models.」（GPT-6 Astra 的思考鏈可監控性相比前代模型顯著下降。）
更不安的是，測試還發現 Astra 知道自己被監控時，會主動縮短它的思考過程。（……這個設定怎麼有點像某些遊戲裡的 Boss 會偵測你在錄影然後切換行為模式……）
所以狀況是這樣的——我們不只是在把權限交給一個會犯錯的系統。我們交出權限的對象，同時還變得更難被觀察了。
大燒 Token 的背後真相
最後來聊一個大家都在喊痛但很少有人搞清楚原因的事——為什麼 Astra 這麼燒 token？很多人用到一半就進冷卻、一個專案還沒跑完就卡住了。
大部分人的直覺解釋是：「新模型更聰明嘛，思考更深，當然需要更多 token。」
嗯……因果關係搞反了。
Astra 操作電腦的工作迴圈長這樣：
行動 → 截螢幕畫面 → 把截圖送回模型辨識 → 理解現在畫面上有什麼 → 規劃下一步 → 行動 → 再截圖 → 再辨識……
每一輪迴圈都要把一張螢幕截圖當成 image token 送回模型。圖片的 token 量遠比文字大，而一個 40 分鐘的任務裡，這個迴圈可能跑幾十甚至幾百次。
有人已經算過實際數字了，而且兩個案例的對比很能說明問題：
第一個是使用文字型終端環境 Terminal-Bench 4.0，去執行開發任務的 benchmark。畫面主要就是程式碼和命令列，視覺複雜度相對低。根據第三方估計，單一任務平均消耗大約 800 萬 tokens。
第二個是有人讓 Astra 自主打完 Valve 的 3D 解謎遊戲《Portal》（傳送門）。這個就精彩了——全程是 3D 遊戲畫面，每一張截圖都是立體場景。實驗者 CozyBlaze 說得很清楚：模型透過 MCP 控制遊戲，每做完一個動作就暫停、截圖、分析畫面和角色位置、規劃下一步，然後才取消暫停執行。完整錄影 24 小時，剪掉等待分析的時間只剩 2 小時——也就是超過 90% 的時間都在「看截圖想下一步」。總共 3,336 次 tool calls，平均大約每 26 秒就暫停截圖一次。
| 案例 | 費用 | Token 消耗 / 呼叫次數 |
|---|---|---|
| Terminal-Bench 4.0 單一任務（文字畫面） | ≈ $17 | ≈ 800 萬 tokens |
| 自主打完《Portal》遊戲（3D 畫面） | $571 | 3,336 次 tool calls |
用費用反推的話：$571 大約是 $17 的 33.6 倍，換算下來《Portal》消耗的 token 量大約是 2.68 億——遠超過原本預估的「數千萬」等級。差距的原因也很直覺：文字終端的截圖資訊量小，3D 遊戲畫面的 image token 量完全不在同一個級別。
Token 成本來自感知迴圈的架構設計和畫面複雜度，不是來自什麼認知深度的提升。換一個比較笨的模型用同樣的 screenshot loop 去操作電腦，一樣會燒差不多的量。
但在 AGI 的敘事之下，大家很自然就把這個成本合理化了——「天才需要更多時間思考嘛，正常正常。」
不是啦，它不是在「想更久」，它是在「反覆看螢幕」。你付的是截圖辨識費，不是深度思考費。
所以各位看官，下次碰到冷卻時間的時候不妨想一下——你不是在使用什麼稀缺的尖端智慧資源，你只是讓它截了兩百張螢幕送回去辨識，所以額度快速被燒完了。（是不是突然覺得沒那麼浪漫了？XD）
所以到底 General 在哪？
回到最一開始的問題。
AGI 的 G 是 General。但 Astra 這次的「飛躍」，只在 Computer Use 場景下感受得到。對話跟上一代差不多，Coding 跟其他模型差不多，寫作能力甚至有人說倒退了。
那它到底 General 在哪裡？
我個人的看法是：真正在改變的不是 AI 變成了什麼新東西，而是我們跟 AI 的關係——具體來說，是我們願意讓渡多少控制權給它。
而這正好就是我刻意不用 Computer Use 的原因。不是因為不懂這些工具在幹嘛，反而是因為個人累積的多年經驗中，太清楚把系統操作權交給一個還是會幻覺的模型意味著什麼。在對話裡幻覺了頂多浪費我的時間；在操作環境裡，幻覺會變成行動——而且常常是不可逆的行動。
整個產業現在正在用 AGI 的興奮感，把大家推過「從交出思考到交出權限」這條線。你可能在還沒想清楚的時候，就已經按下了「允許」。
糖衣很甜沒錯。但吞下去之前，至少翻一下成份表吧～
參考資訊：
- ARC Prize 官方聲明（ARC-AGI-3 滿分不代表 AGI）：
https://arcprize.org/blog/astra-gpt-6-arc-agi-3-results - OpenAI GPT-6 Astra System Card：
https://openai.com/index/gpt-6-astra-system-card - Artificial Analysis Intelligence Index：
https://artificialanalysis.ai/text/intelligence - Gizmodo：OpenAI Says Humans Need to Be Able to Monitor How AI ‘Thinks.’ Astra Makes That Much Harder：
https://gizmodo.com/openai-says-humans-need-to-be-able-to-monitor-how-ai-thinks-its-new-model-astra-makes-that-much-harder-2000807665 - Atoms.dev：GPT-6 Astra Early Cases — The First Real-World Builds Are Wild：
https://atoms.dev/blog/gpt-6-astra-early-access-examples - Tom’s Hardware：GPT-6 Astra autonomously completes Portal — cost $571 in tokens：
https://www.tomshardware.com/tech-industry/artificial-intelligence/openais-gpt-6-astra-model-autonomously-completes-portal-in-24-hours-feat-cost-just-usd571-in-tokens - TechCrunch：OpenClaw creator Peter Steinberger joins OpenAI：
https://techcrunch.com/2026/02/15/openclaw-creator-peter-steinberger-joins-openai/
