关于GPT-6 Astra的三条判断｜甲子光年

GUI没有死，App在后退，Benchmark失去解释力。

作者｜王博 寇雨然

北京时间9月4日凌晨，OpenAI发布GPT-6 Astra。

GPT-6 Astra的演示视频里，没有复杂的技术讲解。工作人员先让Astra画了一个黄色圆圈，随后把它改成火箭舷窗。几轮调整后，这枚火箭进入Blender，变成3D模型，再被拿去开发小游戏，最后输出STL文件交给3D打印机。之后，Astra又为其他人设计了一件雨衣，把一张旧桌子挂到eBay出售，期间顺手完成了订餐、寻找网球场等任务。

GPT-6 Astra演示，图片来源：OpenAI

对于习惯了模型竞赛的人来说，视频中任何一项能力都谈不上陌生。AI会画图，会写代码，会使用浏览器，会调用工具，也早已能够操作电脑。但这次OpenAI有意把这些能力串成了一件事：给AI一个目标，让它自己决定使用什么工具、进入哪个软件、采取什么操作，直到把结果交回来。

OpenAI把GPT-6 Astra定义为全球智能水平最高且对齐性最强的模型（the world’s most intelligent and aligned model），并把Computer Use、浏览、软件工程、网络安全、科学研究和专业工作列为核心能力。尤其是Computer Use方面，GPT‑6 Astra的速度、准确性和安全性方面开创了新的前沿。

OpenAI总裁Greg Brockman甚至直接喊出了：“欢迎来到通用人工智能时代（Welcome to the AGI era）。”

但Astra究竟算不算AGI，可能不会因为OpenAI的一句话就有答案。至少从目前公开的第三方测试看，GPT-6 Astra也没有在所有维度上呈现出一次无可争议的代际碾压。如果只围绕“GPT-6到底聪明了多少”讨论这次发布，很容易错过一些更重要的变化。

关于GPT-6 Astra，「甲子光年」有三条判断：

• GUI没有死：只要模型足够强，就没有GUI和CLI之争；

• App在后退：Astra不一定能实现AGI，但会开始“吞噬”App；

• Benchmark失去解释力：模型竞争的单位，从答案变成任务。

去年年底开始，AI圈里有一个越来越流行的判断：GUI（图形用户界面）正在过时，CLI（命令行界面）重新成为未来。

这个判断并非没有道理。

尤其是Coding Agent兴起之后，CLI几乎成了最适合AI的工作环境。Claude Code、Codex以及越来越多开发工具，都把Agent放进Terminal：调用工具、修改文件、运行测试、读取日志，都可以通过代码和结构化指令完成。对Agent来说，CLI甚至比GUI更加“先进”，因为它更直接、更结构化，也更接近机器原生的交互方式。

GUI本来就是为了人设计的。按钮需要足够明显，菜单需要有层级，信息通过颜色、位置和窗口关系呈现，人依靠视觉理解这些界面，再通过鼠标和键盘完成操作。

但机器未必需要这一套。

香港大学数据科学研究所及计算与数据科学学院助理教授、博士生导师黄超今年年初与「甲子光年」对话时，就总结过GUI Agent的三个现实问题。

第一是慢，每一步都要先理解屏幕截图，再判断下一步操作，多模态推理链条很长；第二是不够准，尤其是在电脑大屏幕上进行精细点击时，定位误差很容易影响任务成功率；第三是贵，大量图像理解会快速消耗Token。

黄超当时举了一个很形象的例子：“可能只是让AI帮我们点一杯咖啡，最后消耗掉的Token成本，已经快接近那杯咖啡本身了。”

在他看来，GUI Agent看起来很炫，却未必是当下最“Agent Native”的形态。人类熟悉的方式，不一定是AI最高效的方式。相较之下，CLI通过代码交流，本身就是一种更加准确、快速，也更加机器原生的交互方式。

这个判断其实点出了GUI Agent最核心的一组矛盾：GUI很通用，却不够高效；CLI很高效，却不够通用。

如果一个软件原生提供API、CLI，甚至MCP，Agent当然没有必要模拟人类去移动鼠标、识别按钮。让AI先截图，再理解页面，再计算点击坐标，本质上确实是在绕路。但现实世界的软件，并没有为Agent重新写过一遍。

大量ERP、银行后台、医院信息系统、工业软件、EDA工具和企业内部系统，依然建立在人类过去几十年熟悉的GUI之上。它们可能没有完整API，没有CLI，也谈不上所谓Agent Native。

这也就解释了一个看起来有些矛盾的现象：为什么行业一边说CLI才代表未来，OpenAI却又在GPT-6 Astra上如此强调GUI？

因为两者解决的根本不是同一个问题。CLI讨论的是，未来的软件应该怎样为Agent设计；GUI解决的是，今天的Agent怎样进入一个尚未为它准备好的数字世界。换句话说，CLI是在改造软件，GUI是在改造AI。

前一种路线要求整个软件生态迁移，后一种路线则要求模型足够强，强到可以理解人类过去几十年留下来的全部交互界面。所以Astra强调GUI，并不代表OpenAI认为GUI比CLI先进，它更像是一种现实主义选择。

真正成熟的Agent最终不会忠于某一种接口。能走API，就直接走API；CLI效率更高，就敲命令；没有任何机器接口，再进入GUI。对于Agent来说，GUI、CLI、API和MCP更像不同的通道，真正需要优化的是任务成功率、执行速度和成本。

OpenAI技术博客里展示的KiCad案例很典型。PCB设计长期依赖专业EDA软件，这类软件的API开放程度参差不齐。过去的Coding Agent即便能快速生成代码，真正进入电路板设计环节，仍然容易被专业软件界面卡住。Astra现在可以直接通过视觉理解KiCad，根据电路原理图完成PCB布局。

Astra绘制的PCB（印制电路板），图片来源：OpenAI

类似演示还覆盖了Blender、Unreal Engine 5、Power BI、Excel和美国1040税表。

从这个角度看，GUI真正的价值也更清楚了：它可能不是Agent最理想的接口，却是现阶段整个软件世界最完整的一层兼容层。

GUI没有死，它只是换了用户——一个更强大的AI。

2.App在后退：

Astra不一定能实现AGI，但会开始“吞噬”App

如果把这个变化再往前推一步，Astra真正可能影响的就不只是GUI，而是App本身的位置。

人和软件之间有一条非常稳定的路径：产生需求、找到对应App、学习App、操作App，最后获得结果。想修图，打开Photoshop；想做表格，打开Excel；想订机票，打开携程；想卖掉一张旧桌子，打开eBay。

移动互联网把这种逻辑推到了极致。软件公司的一个重要资产，不只是功能本身，还有入口。用户是否下载App、是否放在首屏、每天打开多少次、停留多长时间，直接关系到流量、商业模式、估值以及大厂员工的OKR。

但Agent正在尝试压缩这条路径。

未来用户可能只需要说一句：“帮我找一家今晚7点有位置、离公司不远、适合四个人聊天的餐厅。”至于Agent最终进入大众点评还是餐厅自己的预订系统，用户未必需要知道。

这里发生的变化很微妙：App依然存在，但用户开始不必直接面对App。

类似的事情已经在搜索时代发生过一次。在搜索引擎出现之前，我们需要记住网站地址，一个个进入网站寻找信息。搜索引擎出现之后，Google站在所有网站上方，用户先表达“我要找什么”，再由搜索引擎决定去哪里。

Agent正在把这种入口上移再推进一步。搜索引擎接管的是信息入口，Agent想接管的是行动入口。

当Astra能够自己进入eBay、理解页面、填写表格、点击发布按钮时，eBay依然很重要，商品数据库、支付体系、信用机制、交易网络都还在那里，但用户和eBay之间那一层直接交互，开始被模型截走。

所以“AI吞噬App”，并不等于App马上消失。Astra真正开始吞掉的，是App最重要的一部分价值：入口。

银行还需要核心账户系统，航空公司还需要票务系统，Salesforce还需要CRM，Adobe还需要图像处理能力，KiCad还需要EDA能力。只是这些软件可能越来越多地退到Agent身后，成为能力提供者。

过去一个App同时负责两件事：提供能力，以及组织人与能力之间的交互。Agent出现以后，这两层开始分离。软件负责“能做什么”，Agent负责理解“用户想做什么”。

这甚至可能重新定义什么叫好软件。

对软件公司来说，最值得警惕的并不是“ChatGPT会不会把我的产品做掉”，还有一个更现实的问题：我的软件可能依然在被大量使用，但用户还属于我吗？

这其实比“App消失”更加棘手。

过去网站依然承载内容，但用户关系逐渐掌握在Google、Facebook和TikTok手里；未来很多软件也可能继续承担真实任务，但用户需求的入口已经上移到了Agent。

Astra未必已经实现了AGI，但它确实让另一个问题变得越来越现实：当AI越来越会使用软件，人还需要亲自使用那么多软件吗？

3.Benchmark失去解释力：

模型竞争的单位，从答案变成任务

如果只看Benchmark，GPT-6 Astra甚至会让人产生一点疑惑。

OpenAI公布的数据当然足够耀眼。Astra在ARC-AGI-3中拿到99.9%，FrontierMath Tier 4（v2）达到97.6%，Terminal-Bench 4.0达到57.9%，Terminal-Bench Science 0.1达到64.6%。在网络安全测试中，Astra在ExploitBench上拿到100%，并成为OpenAI首个达到Preparedness Framework网络安全“Critical”能力阈值的广泛部署模型。

ARC-AGI-3基准测试得分，图片来源：OpenAI

但第三方测试给出的画面并没有那么统一。

Artificial Analysis对Astra最高推理档的Intelligence Index评分为61，在200多个模型中排在前列，却没有和GPT-5.6 Sol形成想象中的代际差距。

图片来源：Artificial Analysis

Reddit上也很快有人提出疑问：如果综合Benchmark看起来只是“更好一些”，为什么这一次值得叫GPT-6？

这其实提供了一个比具体分数更有意思的观察：我们过去用来评价大模型的Benchmark，正在越来越难完整描述Agent。

传统Benchmark的逻辑很简单。给模型一道题，看它答得对不对。它评价的本质上是某一个时刻、某一项能力的上限。

但真实世界里的Agent不是这样工作的。用户不会问：“你的GPQA是多少？”用户真正关心的是：我把这件事交给你，你最后能不能做完？

这两个问题的差别非常大。

Astra发布视频里那枚火箭，就是最好的例子。单独画一个黄色圆圈，并不新鲜；生成图片不新鲜；进入Blender做3D模型，也不新鲜；写小游戏，同样早已出现。真正值得注意的是，模型开始把这些能力串起来：画图之后进入建模，建模之后进入游戏开发，做完游戏之后继续输出能够交给3D打印机的文件。

Astra生成3D打印机文件可以直接打印成品，图片来源：OpenAI

Astra强调的已经不再只是某一个单点能力，而是任务闭环。

这意味着AI产品的最小单位正在发生变化。过去，模型的最小单位是一次回答；到了Agent阶段，越来越接近一项任务。

一旦评价单位发生变化，真正重要的指标也会随之改变：模型能不能正确规划几十步任务，中间出错以后能不能自己恢复，能不能根据情况选择GUI、CLI或者API，能不能保持几十分钟甚至几小时的上下文，会不会越权，最终完成率是多少，以及完成一件任务到底花了多少钱。

这些指标很难通过传统的单轮Benchmark完整体现，也就是说：传统单轮、单能力Benchmark作为模型总体能力代理指标的解释力在下降。

OpenAI这次尤其强调Astra在OSWorld上的耗时，正是一个信号。

在OSWorld 2.0延迟模拟中，Astra完成每项任务所需的时间比GPT‑5.6 Sol少约47%，同时实现了更高的Computer Use性能：Astra以每项任务约40分钟的耗时获得72.6%的得分，而GPT‑5.6 Sol以每项任务约75分钟的耗时获得65.7%的得分。

OSWorld 2.0测试模型能否通过操作计算机应用程序完成任务，图片来源：OpenAI

这已经不只是准确率的竞争，它越来越接近真实工作里的效率指标。

为什么Astra在传统综合智力测试上并没有拉开极端差距，却依然被OpenAI冠以“GPT-6”？

「甲子光年」认为，OpenAI对“下一代模型”的定义，已经不再只是它知道得更多、推理更强，还包括它能独立完成更多事情。

从这个角度回头看，Astra真正的升级未必发生在某一个Benchmark里，而发生在模型能力和真实世界之间那段过去一直没有被完全接通的距离上。

我们很难讨论GPT-6 Astra是否已经实现AGI，Astra目前仍然存在成本高、尚未全面开放、真实用户样本有限等问题，它在第三方Benchmark上也没有呈现出一条简单的“GPT-6全面碾压GPT-5.6”的曲线。

但如果暂时把AGI这个宏大的词放到一边，我们发现Astra正在试图把一件事做到极致：让AI学习怎样替我们使用电脑。

如果这条路继续走下去，未来真正被改变的可能不只是哪个模型最强，还有我们用了几十年的那套数字世界秩序：人提出需求，软件提供能力，界面负责连接二者。

现在，AI正在插进中间，并一点点把“连接”这件事拿走。

（封面图来源：电视剧《三体》）