華爾街見聞釋出評論文章，認為OpenAI正式釋出GPT-6 Astra模型標誌著AI產業進入新敘事階段：競爭焦點從“誰更會用AI”轉向“誰率先擁有並駕馭AI Agent”。文章指出，過去“在AI時代，打敗你的是比你更早、更會使用AI的人或公司”的說法已不準確，現在真正的威脅來自那些更積極部署AI Agent的個體或企業。

文章回顧，上個月Astra曾以OpenAI內部秘密模型身份亮相，在10個數學和理論電腦科學問題上展現出菲爾茲獎級別的研究水準。此次正式釋出，Astra的最大突破並非僅是數學與科學能力的提升，而是讓AI從“Answer Engine”真正邁向“AI Agent”。OpenAI對Astra能力邊界的描述明確：能夠操作計算機、瀏覽網頁、使用軟體、編寫和執行程式碼、完成複雜工作流，並在科學、網路安全和專業工作中執行長程任務。這標誌著AI從“人→AI→答案”的模式，轉變為“人→AI Agent→任務→執行→結果”的閉環。

文章強調，Astra在長程任務上的能力提升尤為關鍵。在OSWorld 2.0測試中——該測試由CMU及斯坦福等團隊提出，考察AI Agent在數字環境中完成辦公、多檔案軟體工程除錯、系統級網路安全配置等複雜任務的能力，並與人類專家基線對比——Astra達到72.6%，高於GPT-5.6 Sol的65.7%；同時，完成任務的平均模擬時間從約75分鐘縮短至約40分鐘。這顯示Astra正從“回答得更好”轉向“成功把事情做完”。

基於此，文章提出，AI滲透率的定義應從“Per Human”轉向“Per Agent”。過去估算AI市場規模時，通常以“使用者數量×ARPU”為邏輯，但Agent時代，一個人可同時執行多個Agent任務，企業可部署成百上千個Agent，一個Agent可持續執行數小時甚至24小時。因此，“1個人 ≠ 1個AI使用者 ≠ 1份AI工作量”。真正需要關注的變數是：全球有多少AI Agent在執行，每個Agent每天執行多少任務、消耗多少Token。文章認為，這兩個數字的乘積才是AI真實的需求函式。

文章進一步指出，Token總需求將呈現比“AI Agent使用者數增長”大得多的彈性，可粗略表示為：Token總需求≈AI Agent數量×每Agent任務數×每任務Token消耗。這三個變數都可能同時快速增長：Agent數量會隨個人和企業部署增多而擴張；每個Agent執行的任務會從簡單總結擴充套件到研究行業、閱讀數百份檔案、比較公司、建模等複雜工作流；Agent也會從“偶爾呼叫”變為“持續執行”，形成一條不斷產生API呼叫的計算鏈。文章舉例，AI Agent數量僅增長20%時，Token總需求可能增長300%。

文章還提到，Astra是OpenAI迄今最大規模的訓練run，公開資訊顯示其訓練規模已跨過10萬GPU。更重要的是，AI正越來越多地參與模型訓練本身，形成“Human+AI→Train→Better AI”的RSI初級模式，模型可參與生成訓練資料、發現問題、評估、反饋，甚至協助訓練工程。這構成飛輪效應：更強模型→更強Agent能力→完成更多真實任務→產生更多高質量資料→訓練更強模型。文章認為，AI發展將不再像傳統軟體那樣“版本迭代”，而是自我加速的生產系統，Token需求將擁有多變數同時擴張的乘數效應，模型越強，乘數效應越明顯。

文章最後提醒，所有中大型公司應從董事會層面重視建立AI戰略，因為“有太多聰明人會對你盈利的業務虎視眈眈”。本文為觀點文章，不代表本站立場。