大名鼎鼎的佛拉西斯-肖莱，arc-agi创始人刚刚公布了OpenAI GPT-6 Astra 在全新基准测试 ARC-AGI-3 上的评估结果。 记录了令人瞩目的技术飞跃： 双轨测试表现：在纯粹中立、仅依赖公开笔记的标准测试环境（Standard Harness）下，Astra（max 推理档位）取得了 62.7% 的准确率；而在开放供应商底层状态保留与上下文压缩的适配环境（Provider Adapter Harness）下，Astra（high 推理档位）更是跑出了 99.9% 的成绩。 推理步数与动作效率：在动作效率上，Astra 展现出反常识的高效——高推理档位凭借极少的探索步数完成了关卡，整体 API 调用与 Token 消耗反而低于中档推理。对比 500 名人类受试者的中位数，Astra 在 96.0% 的任务中步数低于人类，平均动作步数减少了 51.7%。 自发工具与符号建模涌现：在沙盒红队测试框架 PRO-LONG 中，模型面对未知规则时自发构建了一套紧凑的领域专用代数语言（DSL）速记，并自行编写了诸如迷宫路径求解器（maze_solver.py）与状态同步脚本（sync_state.py）。 不过肖莱认为，ARC-AGI-3 本质上仍是一个规则完备、封闭确定的离散玩具环境；即使 AI 刷爆了这个榜单，还并不能说明astra已经是agi。 因为人类智能在学习时间尺度、世界模型复杂度以及动作空间上，依然保持着数个数量级（Orders of Magnitude, OOM）的代差。 但如果基于模型发展的速度线性外推，从计算与系统架构的演化路径来看，这三个维度并没有不可逾越的门槛 （而模型发展的速度并不是线性的）： 动作空间，门槛最低：在数字符号领域，AI 瞬时调度海量 API 与代码执行的组合自由度早已超越人类；在物理具身领域，随着端到端扩散策略与 VLA 模型的演进，覆盖人类连续多自由度控制主要受制于硬件与工程数据，并无理论死角。 学习时间尺度，以并发弥补单体能力：AI 能通过集群仿真与并行自对弈，在数周内压缩数万年的交互经验，来弥补ai目前还不具备的，类似人类大脑能在数十年中无缝积累认知的能力。 世界模型复杂度，这是最难的部分：ARC-AGI-3 是确定、离散的封闭沙盒，而真实世界充满开放随机性与不可逆物理规律。依赖被动统计拟合（Next-token/frame）极易累积长链条幻觉；人类依靠抓握、摔砸等主动物理干预（Causal Intervention）构建因果，AI 要弥合 4–5 个数量级的复杂度差距，必须深入物理现实承担真实的试错成本。 这可能需要机器人技术的进步，需要大量的物理世界数据和仿真。但归根结底，仍没有理论上的空白，只有工程上的挑战。 所以无论专家们如何定义agi，我们现在要么已经身处其中，要么正站在agi到来的前夜(rick awsb ($people, $people))