GPT-6 AstraはAGIなのか？ベンチマーク99％台と実能力・限界を検証
99.9％。
AIのベンチマークでこの数字を見せられると、
さすがに「もうAGIまで来たのでは？」と思ってしまいます。
2026年9月3日にOpenAIが発表したGPT-6 Astraは、ARC-AGI-3で99.9％、高度な数学問題を扱うFrontierMath Tier 4で97.6％、サイバーセキュリティ評価のExploitBenchでは100％を記録しました。
数字だけ並べると、かなり異様です。
これまで新しいAIモデルが出るたびに「人間に近づいた」「AGIが近い」と言われてきましたが、
今回はその言葉が以前より現実味を帯びて見えます。
ただ、少し調べていくと気になる数字がもう一つ出てきます。
同じGPT-6 Astra、同じARC-AGI-3で62.7％。
99.9％と62.7％。
どちらかが間違っているわけではありません。
この37ポイント近い差に、
いまのAIを考えるうえでかなり面白いものが詰まっています。
そもそもARC-AGI-3は何を試しているのか
ARC-AGI-3は、普通の知識クイズとは少し違います。
AIに、ルールを知らないゲームのような環境を渡します。
そこでAI自身が、
何をすると何が起こるのかを試し、
環境のルールを推測し、
目標らしきものを見つけ、
そこへ到達する手順を考えていきます。
ARC Prizeは、この評価を「探索」「モデル化」「目標設定」「計画と実行」という4つの能力を見るものとして説明しています。
人間に置き換えるなら、
説明書のないゲームを突然渡されて、
とりあえず触りながらルールを理解していく感覚に近いでしょう。
これまでのAIは、知っている問題を解くことにはかなり強くなりました。
一方で、何をすればいいのかさえ最初は分からない状況から、自分でルールを発見するとなると難易度が一気に上がります。
だからARC-AGIは、
AIが本当に未知の状況へ適応できるのかを見る指標として注目されてきました。
Astraは、人間より少ない試行で答えにたどり着いた
今回かなり驚いたのは、
正解率だけではありません。
ARC Prizeは事前に約500人の一般参加者を使って、
人間が各ステージをどのくらいの操作回数で解くのかを調べています。
その基準と比べると、
GPT-6 AstraはProvider Adapterを使った評価で、96％のステージにおいて人間の中央値より少ない操作回数でクリアしました。
平均すると、必要な操作回数も人間より51.7％少なかったとされています。
ただ力任せに何千回も試して突破したわけではない。
環境の仕組みを理解したあと、
かなり効率よく動いているわけです。
実際、Astraの途中経過を見ると、
ゲーム内の物体や座標、ルールを自分なりの記号へ変換し、
独自の短い表記で状態を記録していました。
人間が複雑な問題を解くとき、
紙の端に自分だけ分かるメモや図を書くことがあります。
かなり乱暴に言えば、
Astraも似たことを始めています。
ここは「正答率が数％上がった」という従来のモデル更新とは、
少し違う変化に見えます。
では、なぜ同じモデルが62.7％になるのか
ここからが面白いところです。
ARC Prizeが公開しているAstraの成績には、
大きく2種類あります。
Standard harness：62.7％
Provider Adapter harness：99.9％
Standard harnessは、
各AI企業をなるべく同じ条件で比較するための共通環境です。
途中で覚えておきたいことがあれば、
AI自身が見えるメモとして残しながら進みます。
一方のProvider Adapterでは、
OpenAI側が用意した文脈管理の仕組みを使えます。
過去の推論状態を次の処理へ引き継いだり、
長くなった会話を圧縮したりしながら作業を続けられます。
つまり、
AIモデルをなるべく同じ条件で比べた数字が62.7％。
OpenAIのシステムまで含めてAstraの能力を引き出した数字が99.9％。
と考えると分かりやすいでしょう。
ここで「99.9％はズルだから無効」と考えるのも違うと思います。
私たちが実際にChatGPTを使うときも、
モデル単体を裸の状態で利用しているわけではありません。
検索、ブラウザ操作、長期記憶、コード実行、ファイル操作など、
周辺の仕組みと組み合わせて初めてAIとして機能しています。
むしろ今回の結果から見えてくるのは、
これからのAI性能は「モデル単体の頭の良さ」だけでは決まらなくなるということです。
どんな記憶を持たせるのか。
途中経過をどう保存するのか。
どんなツールへアクセスできるのか。
失敗したあと、どこから再開できるのか。
同じモデルでも、
こうした設計によって実力が大きく変わる可能性があります。
数学、科学、PC操作でもかなり伸びている
ARC-AGI-3だけが突出しているわけでもありません。
OpenAIの公開評価では、
AstraはFrontierMath Tier 4で97.6％を記録しました。
Terminal-Bench Science 0.1では64.6％となっており、
GPT-5.6 Solの22.4％から大きく伸びています。
さらにPC操作では、
フォーム入力、Web調査、CRMの更新、文書作成、ソフトウェアのインストールやテストといった一連の仕事を扱う能力が強化されています。
ここまで見ると、
Astraの変化は「質問すると前より賢い答えが返ってくる」だけではなさそうです。
調べる。
考える。
画面を操作する。
途中の状態を覚える。
失敗したら修正する。
そして成果物まで持っていく。
こうした複数工程をまとめて扱う方向へ、
かなり踏み込んできています。
それでも「AGIが完成した」とは言えない
では、GPT-6 AstraはAGIなのでしょうか。
現時点では、
「AGIだと確定した」と言うのは難しいと思います。
理由は単純で、
そもそもAGIに世界共通の合格試験が存在しないからです。
ARC PrizeはAGIを、
人間が習得できる技能を、人間と同程度の効率で獲得できるシステムとして捉えています。
その考え方から見れば、
今回のAstraはかなり大きな前進です。
一方でARC Prize自身も、
ARC-AGI-3を満点近くまで解いたからといって、
それが「AGI達成の証明になるわけではない」と明記しています。
ARC-AGI-3の世界には、
明確なルールがあります。
ゴールもあります。
環境も閉じています。
現実の仕事はそれほど親切ではありません。
「売上を増やしてほしい」と頼まれれば、
まず何を売上とするのか、利益とのバランスはどうするのか、
顧客への影響はどう考えるのかまで整理しなければなりません。
途中で上司の方針が変わるかもしれない。
取引先から新しい条件が来るかもしれない。
法律や予算、倫理的な判断も入ってきます。
正解そのものが一つに決まっていない問題も多いでしょう。
こうした開かれた世界を、
長期間、人間の監督をほとんど受けずに安定して動けるのか。
ここはベンチマーク99.9％だけでは分かりません。
もう一つ気になるのが「能力が高すぎる領域」
Astraには、
性能が上がったからこその別の問題もあります。
OpenAIはAstraを、
自社のPreparedness Frameworkにおけるサイバーセキュリティ能力でCriticalに分類しました。
OpenAIによれば、
適切なツールやアクセスが与えられた場合、
人間が一つずつ指示しなくても未知の脆弱性を発見し、
そこから攻撃方法を組み立てられる水準に達したと評価されています。
「賢くなればなるほど便利になる」と単純には言えない領域へ、
すでに入り始めています。
仕事を自律的に任せられるAIは便利です。
同時に、
間違った目標を与えたときにどこまで進んでしまうのか、
人間が途中で止められるのかも大きな問題になります。
能力と安全性を切り離して考えにくくなっているわけです。
「AGIかどうか」より、しばらく見ていたいこと
個人的には、
AstraがAGIかどうかを今すぐ一語で決めることには、
それほど大きな意味はないと思っています。
それより見ていたいのは、
未知の仕事をどこまで自分で理解できるのか。
数時間、数日と続く仕事でも目的を見失わないのか。
失敗したとき、
人間に言われる前に自分で異常へ気づけるのか。
そして100回、1000回と仕事を任せたとき、
どの程度の確率で安心して最後まで任せられるのか。
このあたりです。
今回の99.9％という数字は、
「AGIが完成した証明」ではありません。
ただし、
無視できる広告用の数字でもないでしょう。
特に、同じモデルが62.7％から99.9％まで変わったという事実を見ると、
これからのAI競争はモデルのベンチマークだけを見ていても捉えにくくなりそうです。
モデル、記憶、ツール、PC操作、長時間実行、安全設計まで含めた“AIシステム全体”で、どこまで仕事を完了できるのか。
GPT-6 Astraが見せたのは、
その競争がかなり先まで進んできた姿なのかもしれません。
99.9％を見て「AGIが来た」と決める必要はない。
でも、
「まだただのチャットAIでしょう」と片づけるのも、
そろそろ難しくなってきたように感じます。
より詳しいベンチマーク結果やGPT-5.6、Claude、Geminiとの比較は、AI TOP TIER本サイトの記事でも整理しています。
GPT-6 AstraはAGIなのか？ベンチマーク99％台と実能力・限界を検証
