相信几乎所有人都认可下面这段话：

在AI时代，打败你的，是那个比你更早、更会使用AI的人或公司。

但在这次OpenAI推出自己的GPT-6 Astra模型之后，上面这句话就完全不准确了，或者说完全错了。现在，真正正确的说法应该是：

在AI时代，打败你的，不再是比你更会使用AI的人或公司，而是那些更积极的率先拥有、部署并真正驾驭AI Agent的人或公司。

特别提醒一句，上面的“你”也可以是一个公司。

还记得么？上个月，Astra就曾经亮过相，那时候作为OpenAI的内部秘密模型，Astra针对10个数学和理论计算机科学问题，给出了顶尖数学研究（菲尔兹奖）的水准。而这次，OpenAI正式发布的Astra最大的突破，甚至不只是变得“更聪明（有更强的数学和科学能力）”了，而是Astra让AI从Answer Engine真正走向了AI Agent。

所以，这次的发布，OpenAI不再局限于去讲Astra的benchmark提高了多少，而是一开始就对Astra的能力边界做了一个非常明确的描述：

Astra已经能够操作计算机、浏览网页、使用软件、编写和运行代码、完成复杂工作流，并在科学、网络安全和专业工作中执行长程任务。

这句话总结了Astra真正的突破。就是说，AI正在从“人→AI→答案”真正走向了“人→AI Agent→任务→执行→结果”。所以，GPT-6 Astra意味着：

AI不再只是一个回答问题的工具，而开始成为一个可以被“雇佣”的，永远工作永不休息的数字劳动力。

Astra在长程任务上的能力提升是最为关键性的。

在OSWorld 2.0中（一个由CMU及斯坦福等团队提出的测试，考察AI Agent在数字环境中完成办公、多文件软件工程调试、系统级网络安全配置等复杂任务的能力，然后与人类专家进行基线对比），Astra达到72.6%，高于GPT-5.6 Sol的65.7%；与此同时，完成任务的模拟时间从约75分钟下降到约40分钟。

这意味着Astra正在发生一个非常决定性的变化：

从“回答得更好”，走向了“成功把事情做完”。

这就会彻底改变我们理解“AI渗透率”的方式和对Token总需求的测算。过去我们估算AI的市场规模，很自然地会问：有多少人在使用ChatGPT？有多少企业员工在使用Copilot？AI在程序员、客服、白领和科学家中的渗透率是多少？

然后再用“用户数量×ARPU”去推算AI市场空间有多大。这个逻辑在Answer Engine时代当然没有问题。但AI Agent时代，问题就来了：

• 一个人使用AI，并不意味着只有一个人的AI工作量，一个人可以建立多个Agent工作任务；一个企业可以同时部署成百上千个Agent。一个Agent可以持续运行数小时，甚至24小时工作。

因此，有如下不等式：

1个人 ≠ 1个AI用户 ≠ 1份AI工作量。

一个材料科学家可以针对不同的研究方向，一次性配置几十个AI Agent去帮他执行不同研究方向的研究任务。所以，真正需要关注的变量就变成了：

• 全世界到底有多少个AI Agent在运行？

• 每个正在运行的AI Agent每天运行多少任务？会消耗多少Token？

这两个数字的乘积，才会是AI真实的需求函数。

至于你是否在使用AI，你观察自己身边的朋友是否在使用AI，你的公司是否在使用AI，对于AI的渗透率以及Token的总需求根本不重要。你不去使用AI更好，自然会有人用AI Agent替代你的优势或你的业务，然后替代你以及你的公司。

所以，这里特别补充一句：

今时今日，至少所有中大型公司都应该从董事会层面去重视建立自己公司的AI战略了，因为这个世界有太多聪明人会对你盈利的业务虎视眈眈。

因此，对AI渗透率的定义也就从“Per Human”走向了“Per Agent”。曾经以为是这样的：

AI渗透率 = 使用AI的人数/潜在人口

而Astra之后，AI Agent渗透率的公式是这样的：

Agent渗透率 = 被AI Agent接管的工作任务/可被Agent执行的工作任务

这两个公式的分母当然存在着巨大的数量级差异。因为Agent不再需要和人类的数量一一对应，一个人也可能同时拥有多个个人的AI Agent。至于有多少“可被Agent执行的工作任务” ，我觉得OpenAI这次发布Astra的介绍页面给了一个暗示。

上面是OpenAI这次发布Astra介绍页面给出的一张宇宙星图，人类之于宇宙的渺小的另一面就是人类相对于对宇宙世界的无知，而所有对无知的探索都可以成为AI Agent去研究的工作任务，这么一推断，AI Agent的数量简直就可以无穷无尽。

所以，“全球有多少人开始使用AI”和“全球有多少数字劳动力正在运行”是两个完全不同的数量级。

Token总需求有更大的弹性

而对Token的总需求，会出现比“AI Agent用户数增长”大得多的需求弹性。因为Agent时代的Token需求，不只是简单地随着用户数量增长，而且还随着“每个Agent负担的AI工作量”增长。

因此，就可以把Token总需求粗略写成：

Token总需求 ≈ AI Agent数量 × 每Agent任务数 × 每任务Token消耗

而这三个变量，都可能同时快速增长。

第一，Agent数量的增加。过去一个人可能只使用一个ChatGPT，未来一个人可能同时运行个人助理Agent、Coding Agent、Research Agent、Finance Agent、Shopping Agent……企业则可能从几十、几百个Agent扩展到数千、数万个。

第二，每个Agent执行的任务越来越多。过去是“帮我总结这篇文章”，可能只需要几千Token，而未来则是“研究这个行业，阅读500份文件，比较50家公司，建立模型，寻找异常，形成报告，再根据报告提出投资建议”，而Astra的意义就在这里：模型越能完成复杂任务，人类就越敢把复杂任务交给Agent。

第三，Agent会从“偶尔调用”变成“持续运行”。这是最重要的变化。传统ChatGPT是人有提问，调用一次，得到答案，然后结束。而AI Agent则是，

接到目标 → 规划 → 搜索 → 执行 → 验证 → 修改 → 再执行 → 完成。

它就是一条持续运行的计算链，不断产生API的调用。而任务越复杂，则Reasoning越长，则Context越大，则Tool Call越多 ，则Output越多，然后Token消耗越大越多。

因此，AI Agent不但会增加AI用户数量，还会放大每一个AI用户背后的Token需求。

所以，完全可以出现这样的情况：AI Agent的数量只增长了20%，但Token总需求增长300%。

RSI会让Astra有更强的“飞轮效应”

Astra是来自OpenAI迄今最大规模的训练run，这次的公开信息显示其训练规模已经跨过10万GPU。更重要的是，AI正在越来越多地参与模型训练本身。

过去是“Human→Train→AI”，而正在逐渐变成：

Human + AI → Train → Better AI

这已经是RSI的初级模式，模型可以参与生成训练数据、发现问题、进行评估、提供反馈，甚至帮助训练过程中的部分工程和研究工作。

于是，会形成一条非常漂亮的飞轮效应链条：

更强模型，就会有更强的AI Agent能力，然后AI Agent可以完成更多真实世界任务，产生更多高质量任务数据和反馈，反过来帮助训练更强模型，而更强模型再次提升Agent能力，从而接管更多任务…

这意味着AI的发展不会像传统软件那样的“版本迭代”，而更像一个自我加速的生产系统。结果就是，对Token的需求就会拥有多变量同时扩张的乘数效应，而且模型越强，这个乘数效应越明显。

所以，我们一定会看到：

模型能力提升本身就成为AI算力需求增长的发动机，进而有十亿、数十亿、越来越多的AI Agent数字劳动力，然后对Token的需求奔涌而来，无穷无尽。

这就是这次GPT-6 Astra发布的重要意义。

本文来源：少数派观点局