2026年9月3日、OpenAIはGPT-6 Astraを発表しました。
公式ページには「ARC-AGI-3で99.9％」「FrontierMath Tier 4で約98％」「ExploitBenchで100％」といったこれまでなら人間に近い汎用知能の到来を連想させる数字が並んでいます。
ただし、数字だけを見て「ついにAGIが完成した」と結論づけるのは早計です。
実際、ARC PrizeはAstraの結果を大きな前進と評価しながらもARC-AGI-3の飽和はAGI達成の証明ではないと明記しています。
さらに、Astraの99.9％はOpenAI向けのProvider Adapterを使った条件で共通の標準ハーネスでは最高62.7％でした。
ここで見るべきなのは、99.9％という見出しの強さではありません。
未知の環境でルールを見つける力、複数工程を長く続ける力、ツールやPCを扱う力、失敗から修正する力、そして高い成功率をどこまで現実の仕事で再現できるかです。
この記事ではAGIという言葉を先に決めるのではなく、公開された評価を能力軸ごとに分解します。
そのうえでGPT-5.6、Claude、Gemini世代と何が変わったのかどこから先はまだ評価が足りないのかを整理します。
AGIには、世界共通の一つの試験や認定機関があるわけではありません。
OpenAI、Google DeepMind、Anthropic、ARC Prizeなどは、それぞれ異なる観点から「汎用性」「人間水準」「経済的価値」「未知課題への適応」などを扱っています。
この違いがあるため、「ある試験で人間を超えた＝AGI」という式は成立しません。
たとえばARC PrizeはAGIを「人間が身につけられる技能を人間と同程度に効率よく獲得できるシステム」と説明しています。
その考え方に近づくため、ARC-AGI-3では事前にルールを教えない環境を用意し、探索、世界モデル化、目標設定、計画と実行を評価します。
一方、現実の仕事では問題そのものが明確に定義されていない場合があります。
何を成功とするかを人間とすり合わせ、途中で条件が変わり、他人への説明責任も発生します。
AGIを広く捉えるなら、このような開かれた環境での安定性まで見なければなりません。
したがってAstraについては「特定の汎用推論・エージェント評価で極めて高い能力を示した」は事実ですが、「OpenAIがAGI達成を正式認定した」という事実とは分ける必要があります。
Astraの変化は、短い質問への正答率だけでは説明しにくいところにあります。
OpenAIは、コーディング、調査、PC操作、サイバーセキュリティ、科学、専門業務をまたいだエンドツーエンドの仕事を主な強みとして位置づけています。
特に注目すべきなのが環境を操作しながら問題を解く能力です。
これまでの生成AIは正しい文章を返せても、長い作業の途中で状態を見失ったり、ツール操作の小さな失敗を積み重ねたりしがちでした。
Astraでは、ARC-AGI-3で未知のゲーム環境を論理ルールへ圧縮し、自分用の記法を作って状態を管理する行動が観察されています。
科学と数学でも、FrontierMath Tier 4でOpenAI公表値97.6％、Terminal-Bench Science 0.1で64.6％とされています。
ここで重要なのは「知識問題を多く覚えている」ことより外部ツールを使い、複数手順を組み合わせ、途中経過を扱う能力が伸びている点です。
サイバー分野ではさらに明確です。
OpenAIはAstraをPreparedness FrameworkのCybersecurityでCriticalに分類しました。
これは適切なツールとアクセスがあれば人間が各段階を逐一指示しなくても未知の脆弱性を見つけ、攻撃手段を発展させ得る能力を持つという安全上の評価です。
性能の高さを示す一方、利用制限や監視が強くなる理由でもあります。
Astraをめぐる議論で最も誤解されやすいのがARC-AGI-3の99.9％です。
ARC Prizeの公開結果ではStandard harnessの最高が62.7％、Provider Adapter harnessの最高が99.9％でした。
Standard harnessは各社に共通する最小限のインターフェースで比較する条件です。
モデルは必要な情報を自分の見えるメモへ残しながら進みます。
対してProvider Adapterは、OpenAI側の文脈管理機能や不透明な推論状態の保持、長い会話の圧縮などを利用できます。
つまり「モデル単体に近い横比較」と「製品として最適化された環境」の違いがあります。
99.9％が無意味な数字というわけではありません。
むしろ、モデルと専用ランタイムを組み合わせたとき、未知環境への適応が大きく伸びることを示します。
ただし、他社モデルと比較するときに99.9％だけを切り出すと、条件差を隠すことになります。
FrontierMath Tier 4も同様です。
OpenAIは97.6％と報告していますが、数学能力の全域や、研究者として新しい概念を長期間生み続ける力を直接測るものではありません。
高難度の閉じた評価で非常に強いことと、現実世界の研究を自律的に完遂できることは別の主張です。
以下の表は、公開情報から「何が分かったか」と「まだ分からないこと」を分離したものです。
OpenAIの同一表ではAstraはTerminal-Bench Science 0.1でGPT-5.6 SolやClaude各モデルを大きく上回り、FrontierMath Tier 4でも高い結果を示しています。
一方、すべての評価で独走しているわけではありません。
Humanity's Last Exam with toolsでは、OpenAI掲載表でClaude Fable 5.1の方が高い数値です。
コーディング評価でも、ベンチマークによってClaude Opus 5やFable 5が競る項目があります。
Google DeepMindも2026年9月にGemini 3.8 Flashのモデルカードを公開し、ソフトウェア工学、エージェント型の知識作業、長いタスクを主戦場にしています。
AnthropicのClaude Fable 5.1も、長時間の問題解決とコーディングを強調しています。
つまり、Astraだけが「エージェント型AI」に進化したのではなく、主要各社が同じ方向へ競争していると見た方が正確です。
Astraの特徴はその中でも未知環境への適応、科学、PC操作、サイバーといった複数領域で同時に高い水準を示した点です。
ただし、競合比較の表は出典ごとにハーネス、推論量、安全設定、ツール、タスク版が違います。
違う条件の数字を一つのランキングに混ぜると、読者が最も知りたい「実際にどちらが仕事を終わらせやすいか」から遠ざかります。
実務では、モデル名よりも、依頼する仕事の種類で選ぶべきです。
高速な反復が重要ならFlash系、長い推論や複雑な成果物が重要なら上位推論モデル、企業データを扱うなら権限管理と監査機能を含めて比較する必要があります。
AstraをAGIに近いと評価するかどうかは、次の5軸に分けると考えやすくなります。
①「未知課題への適応」
ARC-AGI-3はこの点で強い証拠を出しました。
既知の問題形式を暗記するだけでなく、初見環境を探索し、ルールを推定し、計画に変換する能力が確認されています。
②「長時間タスク」
数十分、数時間、さらに長い仕事で目標と制約を保持し続けられるか。
途中で失敗しても、状態を確認してやり直せるかが重要です。
③「現実環境の操作」
ブラウザ、PC、コード、文書、表計算などを安全に扱えるか。
Astraはこの領域を強く押し広げていますが、誤操作の影響が大きいほど人間側の承認設計が必要になります。
④「自己修正」
出力後に誤りを指摘されれば直せる、というだけでは足りません。自分で異常を検知し、検証し、別の手段へ切り替えられるかが、長期自律性では重要です。
⑤「信頼性と責任」
平均点が高くても、1％の失敗が金融、医療、セキュリティ、契約などで重大事故になるなら、人間の最終責任は残ります。
AGIという言葉が実務上意味を持つのは、能力だけでなく失敗率と管理可能性まで含めたときです。
この5軸で見ると、Astraは未知課題への適応と複数工程の実行で大きく前進しました。
一方、開かれた現実世界での長期自律性、価値判断、失敗時の責任移譲まで証明されたわけではありません。
GPT-6 Astraは、従来の「高性能チャットAI」という見方だけでは捉えにくいモデルです。
ARC-AGI-3、FrontierMath、科学、PC操作、サイバーの結果を見ると、未知環境を理解し、複数手順を組み、ツールを使って仕事を進める能力は明らかに伸びています。
しかし、「99.9％」という一つの数字をAGI認定の印にすることはできません。
ARC Prize自身がAGIの証明ではないと明記し、同じ評価でも標準条件では62.7％という大きな差があります。
現時点で最も妥当なのは「AGIの一部の定義にかなり近づく能力を示したが、広い意味でAGI達成を確定するには評価が足りない」と捉えることです。
今後はベンチマークの最高点より、未知の仕事をどの程度安定して完了できるか、失敗したときにどこまで自力で戻れるか、人間の監督をどこまで減らせるかが重要な観察点になります。
.png){kind=logo}
