华尔街见闻发布评论文章，认为OpenAI正式发布GPT-6 Astra模型标志着AI产业进入新叙事阶段：竞争焦点从“谁更会用AI”转向“谁率先拥有并驾驭AI Agent”。文章指出，过去“在AI时代，打败你的是比你更早、更会使用AI的人或公司”的说法已不准确，现在真正的威胁来自那些更积极部署AI Agent的个体或企业。

文章回顾，上个月Astra曾以OpenAI内部秘密模型身份亮相，在10个数学和理论计算机科学问题上展现出菲尔兹奖级别的研究水准。此次正式发布，Astra的最大突破并非仅是数学与科学能力的提升，而是让AI从“Answer Engine”真正迈向“AI Agent”。OpenAI对Astra能力边界的描述明确：能够操作计算机、浏览网页、使用软件、编写和运行代码、完成复杂工作流，并在科学、网络安全和专业工作中执行长程任务。这标志着AI从“人→AI→答案”的模式，转变为“人→AI Agent→任务→执行→结果”的闭环。

文章强调，Astra在长程任务上的能力提升尤为关键。在OSWorld 2.0测试中——该测试由CMU及斯坦福等团队提出，考察AI Agent在数字环境中完成办公、多文件软件工程调试、系统级网络安全配置等复杂任务的能力，并与人类专家基线对比——Astra达到72.6%，高于GPT-5.6 Sol的65.7%；同时，完成任务的平均模拟时间从约75分钟缩短至约40分钟。这显示Astra正从“回答得更好”转向“成功把事情做完”。

基于此，文章提出，AI渗透率的定义应从“Per Human”转向“Per Agent”。过去估算AI市场规模时，通常以“用户数量×ARPU”为逻辑，但Agent时代，一个人可同时运行多个Agent任务，企业可部署成百上千个Agent，一个Agent可持续运行数小时甚至24小时。因此，“1个人 ≠ 1个AI用户 ≠ 1份AI工作量”。真正需要关注的变量是：全球有多少AI Agent在运行，每个Agent每天运行多少任务、消耗多少Token。文章认为，这两个数字的乘积才是AI真实的需求函数。

文章进一步指出，Token总需求将呈现比“AI Agent用户数增长”大得多的弹性，可粗略表示为：Token总需求≈AI Agent数量×每Agent任务数×每任务Token消耗。这三个变量都可能同时快速增长：Agent数量会随个人和企业部署增多而扩张；每个Agent执行的任务会从简单总结扩展到研究行业、阅读数百份文件、比较公司、建模等复杂工作流；Agent也会从“偶尔调用”变为“持续运行”，形成一条不断产生API调用的计算链。文章举例，AI Agent数量仅增长20%时，Token总需求可能增长300%。

文章还提到，Astra是OpenAI迄今最大规模的训练run，公开信息显示其训练规模已跨过10万GPU。更重要的是，AI正越来越多地参与模型训练本身，形成“Human+AI→Train→Better AI”的RSI初级模式，模型可参与生成训练数据、发现问题、评估、反馈，甚至协助训练工程。这构成飞轮效应：更强模型→更强Agent能力→完成更多真实任务→产生更多高质量数据→训练更强模型。文章认为，AI发展将不再像传统软件那样“版本迭代”，而是自我加速的生产系统，Token需求将拥有多变量同时扩张的乘数效应，模型越强，乘数效应越明显。

文章最后提醒，所有中大型公司应从董事会层面重视建立AI战略，因为“有太多聪明人会对你盈利的业务虎视眈眈”。本文为观点文章，不代表本站立场。