「AGI時代へようこそ」：OpenAIがGPT-6 Astraを発表

文 | テンセントテック 暁静

「AGI時代へようこそ。」

OpenAIの共同創業者兼社長グレッグ・ブロックマン（Greg Brockman）は、この言葉でGPT-6 Astraの発表を締めくくった。

米国現地時間9月3日、OpenAIはGPT-6 Astraを正式に発表した。これまでのモデルが主に回答、生成、ツールの呼び出しを担っていたのに対し、Astraはさらに一歩進み、指示の受け取りからソフトウェアの操作、結果に応じたその後の動作調整まで、完全なタスクを継続的に実行できる。これもOpenAIが「AGI時代」を改めて提唱した理由の一つだ。

OpenAIはAstraを「世界最強のコンピュータ使用モデル」と位置づけている。この能力はすでにブラウジング、メール、スプレッドシートなどの単純なタスクから、Power BI、KiCad、FreeCADなどの専門ソフトウェアにまで拡張され、データ分析、エンジニアリング設計、ソフトウェアテスト、トラブルシューティングなど、より複雑なワークフローに入り始めている。

OpenAIが公開した動画では、Astraは簡単な図形から始めて、3Dゲームや製品ページなどのタスクを継続的に完了できる。OpenAIはまた、回路基板設計、Blenderモデリング、法律文書、Excel、科学分析などの例も提供している。

OpenAIが発表した複数のベンチマークテストの結果によると、能力の向上はコンピュータ操作、長距離コーディング、エンジニアリング設計、科学研究など、継続的な動作を必要とするタスクに集中している。AstraはExploitBenchで100%を達成し、コンピュータ操作とCAD関連のテストで前世代モデルを大幅に上回った。

現在、Astraは一部の機関に公開されており、今後数日でChatGPT Plus、Pro、Business、Enterpriseユーザーに順次提供される予定だ。OpenAI APIとAmazon Bedrockからも利用できる。標準API価格は入力トークン100万件あたり10ドル、出力トークン100万件あたり50ドルで、GPT-5.6 Solの2.5倍となっている。

01 まずAIに「コンピュータの使い方」を学ばせる

Astraが強調する最大の変化は「コンピュータの使用」だ。これまで、ユーザーはタスクを完了するためにAIを特定のソフトウェアに接続する必要があった。企業はAPI、プラグイン、検索システム、各種コネクタを開発しなければ、モデルが内部ツールを呼び出すことはできなかった。

Astraはその一部の作業を迂回しようとしている。コンピュータの画面を直接見て、マウス、キーボード、ブラウザを使って操作を完了できる。OpenAIが提供する例には、オンラインフォームへの入力、CRM顧客レコードの更新、カレンダーのスケジュール調整、ウェブ検索、検索結果のメールや文書への整理などが含まれる。

また、Pythonノートブックを開いて科学データを分析したり、Power BIでデータを処理したり、KiCadやFreeCADを使ってエンジニアリング設計を行ったり、ウェブサイトを構築してフロントエンドテストを実施したり、ソフトウェアをインストールしてエラーをチェックし、画面に表示される問題に対処したりすることもできる。

OpenAIはAstraがKiCadでPCBレイアウトを完了する様子を公開した。モデルは電子回路図から始め、基板上に部品を配置し、銅線配線を完了する。全プロセスは15秒に圧縮されている。エンジニアにとって、これまで手動で行う必要があったこの種の作業を、今ではモデルが実行できる。

もう一つのデモは、BlenderとUnreal Engine 5での3Dモデリングだ。AstraはまずBlenderで家を建て、そのモデルをUnreal Engine 5で歩き回れるシーンに変換し、デザイナーやクライアントが事前にシーンに入って空間を確認できるようにする。

OpenAIはまた、ゲーム開発、Excel、Power BI、自動車のトランスミッション、法律文書、1040フォームなどのシナリオも公開した。

OSWorld 2.0オフラインサブセットテストでは、Astraは72.6%を獲得し、GPT-5.6 Solは65.7%だった。実際の遅延をシミュレートした後、OpenAIはAstraが各タスクを平均約40分で完了するのに対し、GPT-5.6 Solは約75分かかり、時間が約47%短縮されたことを確認した。

Agents' Last Examでは、Astraは59.3%、GPT-5.6 Solは53.6%、Claude Opus 5は55.5%だった。さらに、最高スコア設定では、Astraが使用する出力トークンはClaude Opus 5より約65%少なかった。

ScreenSpot-Proのスコアは92.7%に達し、GPT-5.6 Solは76.9%だった。

速度も向上している。OpenAIはCodexフレームワークを同時に更新し、Astraと組み合わせることで、Mind2Webテストでのタスク完了速度が現在のGPT-5.6 Sol体験の1.9倍に達した。

公式デモには、小児科医の検索、アパート探し、DMVの予約、低炭水化物スナックの検索、幼稚園の分析など、日常的なシナリオもいくつか含まれている。デモでは、Astraは2分54秒で1つのタスクを完了した。
 

投資家でAI実務家のMatt ShumerはXで体験を共有した。彼はAstraにUnreal Engineで世界を構築させ、その後Astraが駆動する人間エージェントを追加して、それらのエージェントを共存させた。 

翌日、彼は寝室でリビングから音が聞こえるのを耳にし、最初は誰かがアパートに侵入したのかと思った。後でその音がAstraエージェントから来ていることがわかり、彼らは互いにコミュニケーションを取り始めていた。

この体験はまだ完全に安定しているわけではないが、Shumerは、複数のAIエージェントが同じ仮想世界に入り、自律的に対話する効果は、彼を驚かせるのに十分だったと考えている。

CognitionのシニアリサーチバイスプレジデントであるSilas Albertiは、同社が発表当日にAstraをDevinフレームワークに統合する予定だと述べた。内部テストでは、Astraのコンピュータ使用、ライティング、コードベース理解の能力が大幅に向上し、動画理解がより明確になり、レポートがより簡潔になった。

02 コードを書くことからタスク全体の完了へ

コンピュータ使用能力が強化されたことで、Astraがカバーする作業範囲はさらに拡大した。OpenAIはこれをソフトウェアエンジニアリング、専門業務、科学研究のためのモデルと位置づけている。より長いタスクを処理でき、タスクの変化に応じて作業の方向性を調整できる。

この能力はコーディングテストで特に顕著だ。

Terminal-Bench 4.0テストでは、Astraは57.9%、GPT-5.6 Solは37.3%、Claude Fable 5.1は55.8%だった。

DeepSWE v1.1では、Astraは74.1%、GPT-5.6 Solは72.7%だった。内部データベース移行タスクでは、Astraは63.9%、GPT-5.6 Solは42.7%だった。

Astraはまた、長いCodexタスク向けの改善も導入している。

これまで、長いタスクがコンテキストウィンドウの制限に直面した場合、モデルは通常、以前の作業を要約に圧縮する必要があり、これにより詳細が失われることが多かった。例えば、ある修正がなぜ失敗したのか、あるコンポーネントが以前にどのような問題に遭遇したのかなどだ。

AstraはCodexの作業プロセス中に重要な情報を保持し、後続のコンテキストで検索できる。初期のメッセージやツール出力は引き続き検索可能で、モデルは以前の要件、テスト結果、ツール操作記録を再発見できる。

同様の変化は専門業務でも起きている。BenchCADテストでは、Astraの幾何学的重複スコアは95.9%、GPT-5.6 Solは83.3%、Claude Fable 5.1は84.3%だった。BrowseCompでは、Astraは91.5%、GPT-5.6 Solは90.4%だった。OpenScore String Quartetsテストでは、Astraは0.84、GPT-5.6 Solは0.19だった。

OpenAIはまた、Astraがプレゼンテーション、スプレッドシート、文書を作成する能力も披露した。

OpenAIのプレゼンテーションテンプレートから数枚のスライドを提供すると、元のトーン、レイアウト、構造に従って新しいプレゼンテーションを作成できる。また、タスク内の情報の取捨選択も処理する。OpenAIによると、Astraは重要なコンテキストを最終結果に反映させ、完了済みの作業の重複を減らすよう特別に訓練されている。

タスクの指示が不完全な場合、Astraはいつユーザーに質問すべきかを判断する。不足している情報が最終結果に影響する場合は、的を絞った質問をする。不足している情報が主な方向性に影響しない場合は、作業を続行し、合理的な仮定を立てることができる。Codexでは、ユーザーが一時的に応答しなくても、モデルは他の部分の処理を続行できる。重要な決定に直面した場合は、ユーザーの確認を待つ。

Harveyの応用研究ディレクターであるNiko Grupenは、初期の法律タスクテストで、Astraが文書と既存の記録をより明確に区別し、裏付けのない仮定をより容易に識別し、情報のギャップを具体的な起草提案に変換したと述べた。

Jane StreetのAIアシスタントチームのJohn Crepezziは、Astraが内部コーディングテストで優れたパフォーマンスを示したと指摘した。エージェント型コーディングに使用した場合、そのコミュニケーションスタイルは開発者にとって理解しやすく、生成されたコードは本番品質に達するまでに必要な修正が少ないという。

科学分野ももう一つの重点だ。FrontierMath Tier 4 v2では、Astraは80.5%、精度97.6%、GPT-5.6 Solは83.0%だった。GPQA Diamondでは96.0%に達し、GPT-5.6 Solは94.6%だった。

Terminal-Bench Science 0.1テストは、データ分析、シミュレーション、モデルフィッティングを含む科学研究プロセスを評価する。Astraは64.6%、Claude Fable 5.1は52.6%、GPT-5.6 Solは22.4%だった。

OpenAIが公開した科学応用では、Astraは専門の科学ソフトウェアに入り、シーケンシング品質をチェックし、遺伝子変異を可視化し、データに基づいて次の分析方向を決定できる。

科学的推論とコンピュータ操作を組み合わせることで、モデルは研究者が元々使用しているソフトウェア環境で直接作業できる。

能力評価を専門とするEpoch AIのGreg Burnhamは、発表会でこの変化を一つの時代の終わりと別の時代の始まりと総括した。OpenAIは、Astraの価値が科学的な質問への回答から、科学ワークフローへの直接参加へと拡大したことを強調している。

03 能力が高いほど、安全基準も高くなる

Astraには今回、非常に特殊な側面もある。サイバーセキュリティだ。

ExploitBenchでは、Astraは100%、GPT-5.6 Solは78.5%だった。ExploitGymでは、Astraは42.4%、GPT-5.6 Solは30.3%だった。 

OpenAIはまた、2026年6月から8月までの最近の脆弱性をカバーする内部テストも構築した。このテストでは、Astraの任意コード実行率はGPT-5.6 Solを大幅に上回り、使用する出力トークンも少なかった。テスト中、Astraはこれまで知られていなかった2つのゼロデイ脆弱性も発見し、OpenAIは関連するメンテナに開示したと述べている。

SRE-Benchテストは、ソースコードなしでソフトウェアバイナリをリバースエンジニアリングし、そのコアロジックを理解する能力を測る。Astraは1回の試行でタスクの88.0%を解決し、4回の試行後には99.2%に達した。一方、GPT-5.6 Solはそれぞれ55.9%と68.7%だった。

能力の向上は新たな安全要件ももたらした。OpenAIは、Astraがサイバーセキュリティ準備フレームワークにおいて重要な閾値に達したと述べている。モデルはこれまで知られていなかったソフトウェアの脆弱性を発見でき、さらに脆弱性の悪用チェーンを形成する可能性がある。

そのため、現在のバージョンのAstraは、脆弱性の概念実証の作成など、より高度なサイバーセキュリティタスクの実行を拒否する。OpenAIは、Daybreakを通じて、脆弱性検証、マルウェア分析、検出エンジニアリングのために、信頼できる防御者のアクセス権限を段階的に拡大する計画だ。

アライメントに関しても、OpenAIは注目すべきデータを提供している。内部のコンピュータ使用安全ベンチマークテストでは、Astraの不適切な行動率は2.4%、GPT-5.6 Solは22.0%だった。AutoReviewを追加すると、Astraは1.8%、GPT-5.6 Solは4.5%だった。内部の回避ベンチマークテストでは、Astraは0.00%、GPT-5.6 Solは0.29%だった。

ExploitGymハニーポットテストでは、Astraは0%、GPT-5.6 Solは48.2%だった。このテストは主に、モデルがタスクの難易度に応じて制限を回避しようとするかどうかを観察する。内部の幻覚ベンチマークテストでは、Astraは4.2%、GPT-5.6 Solは12.2%だった。

OpenAIは、Astraがタスクの境界を理解し、曖昧な指示を処理し、ユーザーに自身の能力を説明する点で改善されたと述べている。能力の幻覚が発生する確率は、GPT-5.6 Solの約3分の1だ。
 

しかし、OpenAIは一つの問題も認めている。モデルの能力が高いほど、推論プロセスの監視が難しくなる可能性があるということだ。チーフサイエンティストのJakub Pachockiは、モデルがより少ない自然言語の推論トークンでより複雑な問題を解決する能力は、人間がそのテキストによる推論プロセスを通じてモデルが実際に何をしているのかを判断することがますます難しくなることも意味すると考えている。

そのため、OpenAIはミスアライメント監視をAstraのデプロイに組み込んでいる。システムはモデルの推論と動作をチェックし、不正な行動が検出された場合はタスクを一時停止できる。

このメカニズムは実際の影響も及ぼす可能性がある。正当なタスクが遅くなったり、一時停止したり、停止したりすることがある。ChatGPTやCodexでは、続行するためにユーザーの確認が必要になる場合がある。APIワークフローでは、フラグが立てられたタスクは直接停止される可能性がある。

そのため、Astraのリリースに伴い、非常に現実的な変化が生じた。AIがより多くのコンピュータ権限を取得し始めると、企業の懸念は「モデルは間違った答えを返すか？」から「モデルは何を操作でき、何にアクセスでき、いつ停止しなければならないのか？」へと拡大する。

OpenAIはまた、AstraがStargateインフラストラクチャ上で10万DBU以上を使用して事前学習された最初のモデルであると述べている。OpenAIのリサーチバイスプレジデントであるAidan Clarkは、事前学習段階の評価結果によると、Astraの能力の飛躍は、GPT-5.6 Solの前世代に対する向上を上回ったと述べた。

OpenAIはこの変化を、大規模な事前学習と強化学習の組み合わせによるものとし、トレーニングの重点は情報の接続、より長いタスクの実行、複雑な環境での継続的な作業へとさらに移行したとしている。

04 より高価だが、より「有能」

Astraの価格設定も大きく変化した。

OpenAI APIの標準価格は、入力トークン100万件あたり10ドル、出力トークン100万件あたり50ドルだ。これまでのGPT-5.6 Solは、入力トークン100万件あたり4ドル、出力トークン100万件あたり20ドルだった。入力と出力の価格はともに2.5倍に上昇した。

キャッシュの読み取りと書き込みは別々に課金される。OpenAIは高速モードも提供しており、速度は標準処理の最大2.5倍、価格は標準モードの2倍となる。
 

トークン価格だけを見ると、Astraは明らかに高価だ。しかし、OpenAIは企業に異なる方法でコストを計算することを望んでいる。Brockmanは、モデルがますますエージェントのようになるにつれて、トークンあたりのコストは実際のコストを正確に反映することがますます難しくなると考えている。あるモデルのトークンは安いかもしれないが、繰り返しの試行と手動修正が必要な場合、タスクを完了するための最終的なコストは高くなる可能性がある。

OpenAIのデータもこの評価を裏付けている。Terminal-Bench Science 0.1テストでは、Astraは64.6%、Claude Fable 5.1は52.6%で、推定APIコストは31%削減された。低コスト設定では、Astraは61.1%、GPT-5.6 Solの最良結果は22.4%で、推定APIコストは27%削減された。

BenchCADでは、Astraは95.9%で、推定APIコストはGPT-5.6 Solより約43%、Claude Fable 5.1より約86%低い。Terminal-Bench 4.0では、Astraは57.9%、GPT-5.6 Solは37.3%、Claude Fable 5.1は55.8%だった。OpenAIはタスクあたりのコストをそれぞれ約9%と63%低く見積もっている。

第三者評価機関であるArtificial Analysisのデータは、別の視点を示している。 

GPT-6 AstraはArtificial Analysis Intelligence Indexで61.2を獲得し、GPT-5.6 Solの60.9に近いが、出力トークンは約10%少ない。価格が2.5倍に上昇したため、タスクあたりのコストは実際にはGPT-5.6 Solより約75%高い。

Artificial Analysis Coding Agent Indexでは、Astraは67.0を獲得し、Claude Fable 5の67.2、Claude Opus 5の68.1に近い。Artificial Analysisは、Codex環境では、Astraがタスク完了に必要なトークンを大幅に削減し、最高努力レベルではタスクあたりのコストがGPT-5.6 Solに近づくとしている。Claude Fable 5と比較すると、同様のタスクを完了するコストは半分未満だ。

しかし、Astraがすべてのテストでリードしているわけではない。Artificial Analysisのデータによると、GDPval-AA v2では約80 Elo低下し、τ³-Banking、SciCode、AA-LCRなどのテストでもいくつかの後退が見られた。Humanity's Last Examは約6ポイント向上した。

これもAstraのリリースで注目すべき点だ。OpenAIは今回、AstraのGDPvalスコアを開示しなかった。GDPval自体は、OpenAIが現実世界の経済パフォーマンスを測定するために使用するテストで、法律要約、エンジニアリング設計、スプレッドシート、プレゼンテーション、カスタマーサポート、ケアプランなど、44の職業と1,320のタスクをカバーしている。

Astraが示した能力から見ると、GDPvalはその強調する専門的な作業シナリオと強い関連性があるが、OpenAIはこのスコアを主要なリリース資料に含めなかった。

そのため、Astraの現実世界での作業能力は、現在のところ、Agents' Last Exam、BenchCAD、AutomationBench、内部設計タスク、データサイエンスタスクの結果を通じてより多く示されている。 

最終的に、Astraが企業が本当に長期的に使用したいと思うAI従業員になれるかどうかは、実際のタスクを完了する際のコスト、速度、正確性、そして人的介入の回数にかかっている。

AstraがAGIかどうかについて、Brockmanの回答はこの問題を避けていない。彼は、AGIには普遍的に受け入れられた基準はなく、AstraがAGIに該当するかどうかは議論を続けることができると考えている。しかし、あるシステムがすでにブラウジング、コンピュータ操作、プログラミング、数学、科学、法律、その他の専門業務における多数のタスクを担うことができるのであれば、それがAGI時代に入ったと言うのは不合理ではない。

OpenAIのCEOであるSam Altmanも、Astraを新世代の起業、科学的発見、創造を切り開くモデルだと表現した。
 

特約ライターの金鹿も本稿に貢献した。