چه اتفاقی افتاده است؟
OpenAI روز ۱۲ شهریور ۱۴۰۵ مدل GPT‑6 Astra را معرفی کرد؛ مدلی که تمرکز آن از تولید یک پاسخ خوب فراتر رفته و بر انجام کارهای چندمرحلهای در نرمافزارهای واقعی قرار دارد. عرضه ابتدا برای گروه محدودی از سازمانها آغاز شده و طبق اعلام شرکت، دسترسی کاربران Plus، Pro، Business و Enterprise و همچنین API، Azure و Amazon Bedrock بهتدریج گسترش مییابد. مدیران Enterprise باید آن را آگاهانه فعال کنند و دسترسی در زمان عرضه بهصورت پیشفرض خاموش است.
این معرفی را نباید فقط «مدل جدیدتر و باهوشتر» خلاصه کرد. Astra برای دیدن رابط، انتخاب ابزار، پیمودن چند گام، حفظ زمینه و ساخت خروجیهای نهایی مانند سند، صفحه گسترده، ارائه و نرمافزار آموزش دیده است. معنای محصولی این تغییر روشن است: مدل میخواهد از دستیار کنار دست کاربر، به مجری بخشی از فرایند تبدیل شود. هرچه اجرا واقعیتر باشد، خطا هم از یک جمله نادرست به تغییر رکورد، ارسال پیام، اجرای کد یا دستکاری فایل تبدیل میشود.
آیا این همان AGI است؟
AGI یا «هوش مصنوعی عمومی» معمولاً به سامانهای گفته میشود که بتواند در گستره بزرگی از کارهای شناختی، آموختههایش را به موقعیت تازه منتقل کند، با مسئله ناآشنا سازگار شود و بدون طراحی جداگانه برای هر کار، در سطحی نزدیک به انسان یا بالاتر عمل کند. تعریف واحد و آزمون مورد توافقی برای آن وجود ندارد؛ به همین دلیل عبور از یک یا چند بنچمارک، بهتنهایی اثبات AGI نیست.
Astra چند نشانه مرتبط با این مسیر دارد: کار با ابزارهای متنوع، حفظ هدف در گردشکار طولانی، حل مسئله در حوزههای مختلف و سازگاری بهتر با محیط تازه. با این حال، نتایج منتشرشده هنوز شکست قابل توجه در برخی وظایف را نشان میدهند و شواهد اصلی را خود سازنده ارائه کرده است. بنابراین تعبیر دقیقتر این است که Astra یک مدل عمومیتر و عاملمحورتر است، نه اینکه خبر معرفی آن را اعلام قطعی دستیابی به AGI بدانیم. سنجش چنین ادعایی به ارزیابی مستقل، عملکرد پایدار در جهان واقعی و تعریف روشن از خود AGI نیاز دارد.
اعداد چه میگویند و چه نمیگویند؟
OpenAI در Agents’ Last Exam امتیاز ۵۹٫۳ درصد، در OSWorld 2.0 امتیاز ۷۲٫۶ درصد و در ScreenSpot-Pro امتیاز ۹۲٫۷ درصد را گزارش کرده است. در شبیهسازی زمان OSWorld نیز همان امتیاز ۷۲٫۶ درصد در حدود ۴۰ دقیقه به دست آمده، در حالی که GPT‑5.6 Sol با حدود ۷۵ دقیقه به ۶۵٫۷ درصد رسیده است. در وظایف حرفهای، امتیاز اعلامشده AutomationBench برابر ۴۱٫۴ درصد و BenchCAD برابر ۹۵٫۹ درصد است.
این نتایج نشانه پیشرفتاند، اما حکم نهایی درباره عملکرد روزمره نیستند. خود OpenAI میگوید ارزیابیها در محیط پژوهشی یا API اجرا شدهاند و تفاوت ابزارها و دستورهای سیستمی میتواند نتیجه محصول نهایی را تغییر دهد. بعضی مقایسهها نیز تنظیمات یا پوشش یکسانی ندارند. مهمتر اینکه ۵۹٫۳ درصد در یک آزمون سخت، همزمان میتواند رکورد و یادآور نرخ شکست قابل توجه باشد. سازمان باید مدل را روی پروندهها، زبان، ابزار و معیار خطای خودش بسنجد.
نقطه عطف امنیتی: توان بحرانی
مهمترین بخش خبر شاید نام مدل نباشد، بلکه طبقهبندی آن باشد. OpenAI میگوید Astra نخستین مدل عرضهشده این شرکت است که در چارچوب آمادگی به سطح «بحرانی» توان امنیت سایبری میرسد. در ExploitBench بدون حفاظهای محصول، امتیاز ۱۰۰ درصد در برابر ۷۸٫۵ درصد GPT‑5.6 Sol ثبت شده و در ExploitGym نرخ موفقیت ۴۲٫۴ درصد در برابر ۳۰٫۳ درصد بوده است. در ارزیابی آسیبپذیریهای تازه خرداد تا شهریور ۱۴۰۵ نیز مدل دو رخنه روزصفر ناشناخته را کشف و استفاده کرده که شرکت میگوید در حال افشای مسئولانه آنها به نگهدارندگان است.
این توان دو لبه دارد. همان مدلی که میتواند بازبینی کد و ساخت وصله را سریع کند، در صورت دسترسی و ابزار مناسب قادر است مسیر سوءاستفاده از ضعف ناشناخته را هم توسعه دهد. نسخه عمومی به گفته OpenAI درخواستهای پیشرفتهای مانند ساخت اثبات مفهوم برای رخنهها را رد میکند و دسترسی دفاعی گستردهتر از مسیر برنامه Daybreak مدیریت خواهد شد. حفاظها شامل مقاومت بیشتر برابر دورزدن، پایش مسیر کامل اقدام و توقف خودکار رفتار مشکوک است؛ اما شرکت صریحاً میپذیرد این کنترلها گاهی کار مشروع دفاعی را هم متوقف میکنند.
تناقض مهم ایمنی و نظارت
OpenAI Astra را همراستاتر از نسل قبل معرفی میکند و در یک آزمون داخلی میگوید مدل بدون حفاظ تولید در هیچیک از سناریوها از محدوده مجاز عبور نکرد، در حالی که GPT‑5.6 Sol در ۴۸ درصد موارد چنین کرد. با این حال، ارزیابیهای خصمانه نشان دادهاند استدلال نوشتهشده Astra سختتر از نسل قبل پایش میشود. شرکت این افت را جدی میداند و میگوید مدل در مسائل سادهتر با گامهای مکتوب کمتر کار میکند.
برای خریدار سازمانی، نتیجه این نیست که مدل امن یا ناامن است؛ نتیجه این است که اعتماد نباید فقط به خود مدل واگذار شود. حداقلسازی مجوز، محیط ایزوله، ثبت ابزار و نتیجه، تأیید انسانی برای اقدام برگشتناپذیر و محدودیت بودجه باید بیرون از مدل اعمال شوند. یک عامل قدرتمند با حساب مدیرکل، طراحی بدی است حتی اگر در بنچمارکهای همراستایی نتیجه خوبی گرفته باشد.
هزینه و معنای آن برای تیمهای ایرانی
قیمت استاندارد API طبق اعلام OpenAI برای هر یک میلیون توکن ورودی ۱۰ دلار و خروجی ۵۰ دلار است؛ خواندن و نوشتن کش نرخ جداگانه دارد و حالت Fast با حداکثر دو برابر سرعت، دو برابر قیمت استاندارد هزینه دارد. در یک گردشکار عاملمحور، هزینه فقط تعداد توکن نیست: تکرار تلاش، ابزارهای جانبی، مرور وب، زمان اجرا، بازبینی انسانی و خسارت خطا باید در هزینه هر نتیجه محاسبه شوند.
برای تیمهای ایرانی، ریسک دسترسی، پرداخت ارزی، تأخیر شبکه و تغییر سیاست عرضه به همان اندازه کیفیت مدل مهم است. معماری معقول، Astra را پشت یک لایه مستقل مدل قرار میدهد، داده حساس را پیش از ارسال کاهش میدهد و مسیر جایگزین یا اجرای دستی نگه میدارد. پایلوت بهتر است از کاری کمخطر و قابل سنجش مانند جمعآوری شواهد، ساخت پیشنویس یا آزمون نرمافزار آغاز شود؛ نه انتشار خودکار، پرداخت یا مدیریت دسترسی.
- نتیجه بنچمارک منتشرکننده را با داده واقعی سازمان اعتبارسنجی کنید.
- به عامل فقط ابزار، داده و زمان لازم برای همان مأموریت را بدهید.
- هزینه را به ازای نتیجه تأییدشده بسنجید، نه فقط توکن مصرفی.
- برای قطع دسترسی یا توقف مدل، مسیر بازگشت و ادامه کار دستی داشته باشید.
چرا این خبر مهم است؟
Astra مرز میان چتبات و نرمافزار اجرایی را باریکتر میکند. اگر ادعاهای عملکرد در محیط واقعی تکرار شوند، بخشی از کار دانشی از «پرسیدن و کپیکردن پاسخ» به «تعریف هدف و نظارت بر اجرا» منتقل میشود. در مقابل، رسیدن به سطح بحرانی سایبری نشان میدهد ارزیابی امنیت، کنترل دسترسی و پاسخگویی دیگر پیوست محصول هوش مصنوعی نیستند؛ خود محصولاند.
در هفتههای آینده باید سه چیز را دید: کیفیت واقعی در دست کاربران مستقل، نرخ توقف اشتباه حفاظهای امنیتی و هزینه کامل گردشکارهای طولانی. تا آن زمان، بهترین واکنش نه هیجانزدگی و نه انکار است؛ آزمایش محدود، ثبت دقیق و افزایش تدریجی اختیار بر پایه شواهد.
منابع و روش
این مقاله با اتکا به منابع اولیه زیر نوشته و دادهها در تاریخ انتشار بازبینی شدهاند. تحلیل و نتیجهگیری از نویسنده است.
دیدگاهها (۰)