Astra, przyszły GPT-6: nowy model od OpenAI?

Rozwiązanie problemów matematycznych, z którymi naukowcy zmagali się od lat – czy można lepiej zapowiedzieć możliwości nowego modelu AI?

Zwykle premierę nowej odsłony swojego LLM firma OpenAI poprzedzała wynikami w benchmarkach, czyli standardowych testach badających możliwości modelu językowego. Przyznam, że na moją wyobraźnię uporanie się przez GPT z realnymi zagadnieniami działa dużo mocniej.

Czym jest OpenAI Astra i czy może zostać GPT-6?

Choć OpenAI określa Astrę, bo tak roboczo nazywany jest prototyp, jako „our next major model”, oficjalne informacje są na razie ograniczone. Producenci  ujawnili, że zadaniem systemu było tworzenie argumentów, sprawdzanie hipotez, rozpoznawanie nieskutecznych kierunków i szukanie nowych sposobów dojścia do rozwiązania. Efektem są rezultaty, które można poddać formalnej i niezależnej weryfikacji.

Nie wiemy, jak Astra jest zbudowana, ile informacji może analizować jednocześnie ani w jaki sposób organizuje pracę nad złożonym zadaniem (choć na temat tego ostatniego możemy podyskutować). OpenAI nie ujawniło również, czy Astra jest pojedynczym modelem, zespołem współpracujących agentów AI, czy bardziej rozbudowanym systemem wyposażonym w mechanizm koordynowania ich pracy i zapamiętywania wcześniejszych wyników. Prototyp może być powiązany z opisywanym wcześniej przez OpenAI modelem przeznaczonym do autonomicznej pracy przez bardzo długi czas. Taki system potrafi wielokrotnie podejmować próby, analizować wyniki pośrednie i utrzymywać kierunek pracy przez wiele godzin, a potencjalnie nawet dni. Według doniesień prasowych Sam Altman miał już prezentować Astrę amerykańskim politykom i regulatorom.

Określenie „GPT-6 Astra” warto więc traktować jako medialny skrót. Astra może ostatecznie zostać wydana jako GPT-6, kolejna wersja GPT-5 albo osobna rodzina modeli. Na dziś każda z tych możliwości pozostaje otwarta.

Dlaczego 10 wyników Astry może być ważniejszych niż kolejny rekord w benchmarku?

OpenAI przedstawiło dziesięć rezultatów dotyczących problemów, które pozostawały otwarte przez co najmniej dekadę, a w większości przypadków znacznie dłużej.

Problemy pochodzą z ośmiu obszarów:

• geometrii wysokowymiarowej,
• teorii kodowania,
• teorii grup,
• algebr operatorowych,
• teorii złożoności obliczeniowej,
• informatyki kwantowej,
• geometrii krat i kryptografii postkwantowej,
• kombinatoryki ekstremalnej.

W uproszczeniu proces wyglądał następująco: Astra wygenerowała argumenty matematyczne. Po uzyskaniu wyników naukowcy współpracowali z modelem przy opracowaniu ich w formie artykułów naukowych. Następnie argumenty zostały przełożone na język Lean 4, dzięki czemu komputer mógł sprawdzić każdy krok dowodu. Dla dociekliwych podaję odpowiednie linki: pełny zbiór prac, repozytorium formalizacji Lean oraz rekonstrukcje procesu dochodzenia do rozwiązań.

Niezależna weryfikacja wszystkich twierdzeń przez środowisko naukowe dopiero się rozpoczyna. Matematycy mogą czytać prace, sprawdzać definicje, uruchamiać formalizacje i szukać ewentualnych luk. W jednym z ostatnich akapitów przeczytasz o tym więcej.

10 nowych wyników Astry w matematyce i informatyce teoretycznej

Uwaga: za chwilę zrobi się dość specjalistycznie. Dla mnie również są to nowe, abstrakcyjne i kosmicznie trudne kwestie, dlatego postarałem się wyjaśnić każdy z wyników możliwie prostym językiem. Oto, jak GPT Astra poradziła sobie z poszczególnymi zagadnieniami.

1. Upakowanie kul w wysokich wymiarach

Problem upakowania kul dotyczy tego, jak gęsto można rozmieścić identyczne kule – podobnie jak monety na stole lub piłki w pudełku. Matematycy badają to zagadnienie także w przestrzeniach mających setki lub tysiące wymiarów, ponieważ ma ono znaczenie między innymi dla teorii informacji i kodowania danych. Astra wykorzystała znaną metodę matematyczną, aby dokładniej określić, jak gęsto można układać kule w przestrzeniach o bardzo wielu wymiarach. Według autorów jest to pierwsza od 1978 roku poprawa wartości występującej we wzorze opisującym, jak szybko maleje możliwa gęstość upakowania wraz ze wzrostem liczby wymiarów. Różnica rośnie na znaczeniu wraz z liczbą wymiarów i pozwala precyzyjniej określić maksymalną gęstość upakowania. Mówiąc najprościej: dzięki obliczeniom Astry lepiej rozumiemy, ile kul może zmieścić się w takim „wielowymiarowym pudełku”.

2. Kody binarne i sferyczne: nowe granice liczby kodów odpornych na błędy

Kod binarny to zbiór ciągów zer i jedynek, które muszą odpowiednio różnić się od siebie, aby system mógł wykrywać i poprawiać błędy transmisji. Można to porównać do rozmieszczania nadajników w bezpiecznych odstępach, tak aby ich sygnały pozostały łatwe do rozróżnienia. Astra dokładniej określiła, ile kodów można rozmieścić w odpowiednio dużych odstępach, aby system nadal potrafił je rozróżniać i poprawiać błędy. Dzięki temu matematycy mogą precyzyjniej określić, ile kodów o wymaganej odporności na błędy mieści się w danej przestrzeni. Model sprawdził pierwszą koncepcję na prostym przykładzie złożonym z ośmiu cyfr i odkrył, że prowadzi ona do błędnego wyniku. Odrzucił ją więc i opisał cały problem w inny sposób. Ten przypadek pokazuje zdolność Astry do sprawdzania własnych założeń i przebudowy koncepcji rozwiązania, gdy obrany kierunek okazuje się błędny.

3. Pierwszy konkretny przykład grupy niesofickiej

Grupa to matematyczny sposób opisywania symetrii i operacji, które można wykonywać kolejno, podobnie jak zestaw ruchów obracających kostkę Rubika. Grupy sofickie dają się z dowolną dokładnością odwzorować za pomocą prostszych układów opartych na skończonej liczbie elementów. Przez dziesięciolecia matematycy zastanawiali się, czy ta właściwość obejmuje każdą grupę. Astra wskazała konkretny przykład grupy, której nie da się dowolnie dokładnie odtworzyć za pomocą prostszych modeli złożonych ze skończonej liczby elementów. Wynik pokazuje, że za pomocą takich uproszczonych modeli nie każdą grupę matematyczną da się odwzorować. Rozwiązanie połączyło kilka odległych obszarów matematyki, co pokazuje zdolność modelu do zestawiania narzędzi, które wcześniej nie tworzyły oczywistej ścieżki do dowodu.

4. Obalenie hipotezy sztywności Connesa

Algebrę von Neumanna przypisaną grupie można porównać do jej bardzo złożonego matematycznego „odcisku palca”. Hipoteza Connesa zakładała, że dla określonej klasy szczególnie sztywnych grup taki odcisk pozwala jednoznacznie ustalić, z jaką grupą mamy do czynienia. Astra skonstruowała nieskończenie wiele różnych grup mających dokładnie ten sam matematyczny „odcisk palca”. Tym samym obaliła hipotezę Connesa i odpowiedziała na późniejsze pytanie matematyka Sorina Popy. Astra wykorzystała mechanizm podobny do przenoszenia jedynki podczas dodawania liczb binarnych. Pozwolił on zbudować wiele różnych grup mających ten sam matematyczny „odcisk palca”. Mówiąc najprościej: Astra pokazała, że jeden matematyczny „odcisk palca” może należeć do nieskończenie wielu różnych grup.

5. Permanent macierzy: minimalna liczba operacji potrzebnych do obliczenia

Permanent macierzy oblicza się podobnie jak wyznacznik, przy czym wszystkie składniki są sumowane z dodatnim znakiem. Ta pozornie drobna zmiana sprawia, że permanent staje się jednym z najważniejszych przykładów problemów o bardzo dużej złożoności obliczeniowej. Astra wyznaczyła minimalną liczbę podstawowych operacji potrzebnych do obliczenia permanentu. Udowodniła, że żadnego rozwiązania z tej klasy nie da się uprościć poniżej określonego poziomu złożoności. Można to porównać do wyznaczenia minimalnej liczby elementów, z których musi powstać każda maszyna zdolna do wykonania określonego zadania. Taki dowód obejmuje wszystkie możliwe konstrukcje spełniające dane warunki, dlatego jego opracowanie jest wyjątkowo trudne. Wynik pomaga lepiej określić minimalną liczbę operacji potrzebnych do rozwiązania tego problemu. Przybliża też matematyków do odpowiedzi na fundamentalne pytanie: które problemy można rozwiązywać wydajnie, a które zawsze będą wymagały ogromnej liczby obliczeń.

6. Gry kwantowe: dlaczego szansa na pełną wygraną szybko maleje?

Wyobraźmy sobie grę, w której dwóch graczy odpowiada osobno na pytania sędziego, a ich wspólnym celem jest prawidłowe ukończenie wszystkich rund. W klasycznej wersji każda kolejna runda szybko zmniejsza szansę na pełne zwycięstwo, podobnie jak wielokrotny rzut monetą zmniejsza prawdopodobieństwo uzyskania samych orłów. W wersji kwantowej wyniki graczy mogą być ze sobą powiązane, nawet jeśli gracze nie komunikują się podczas rozgrywki. Mogą też analizować kilka rund jako jeden wspólny problem. Astra udowodniła, że nawet wykorzystanie takich kwantowych powiązań nie zatrzymuje bardzo szybkiego spadku szansy na wygranie wszystkich powtarzanych rund. Problem pozostawał otwarty od co najmniej 2004 roku. Kluczem do rozwiązania była metoda przekształcania stanów kwantowych bez zmieniania prawdopodobieństwa ich możliwych wyników. Rezultat rozwija teorię interaktywnych dowodów, kwantową teorię informacji oraz metody zwiększania wiarygodności protokołów.

7. Problem najbliższego wektora: nawet niedokładny wynik pozostaje wyzwaniem

Kratę można wyobrazić sobie jako regularną siatkę punktów, podobną do skrzyżowań ulic w idealnie zaplanowanym mieście, rozciągającą się na wiele wymiarów. Problem najbliższego wektora (CVP) polega na znalezieniu punktu tej siatki położonego najbliżej wybranego miejsca i ma duże znaczenie dla geometrii, teorii kodowania oraz kryptografii postkwantowej. Astra powiązała CVP ze znanym problemem logicznym 3SAT i wykazała, że bardzo trudno znaleźć nawet rozwiązanie jedynie zbliżone do najlepszego. Trudność ta rośnie wraz z liczbą wymiarów kraty. Model zapisał logiczną łamigłówkę w postaci układu punktów i odległości pomiędzy nimi. Można to porównać do zakodowania złożonej łamigłówki logicznej w układzie punktów, tak aby rozwiązanie jednego problemu pozwalało rozwiązać również drugi. Rezultat pogłębia wiedzę o teoretycznej trudności problemów matematycznych opartych na kratach. Bezpieczeństwo konkretnych algorytmów kryptograficznych wymaga osobnej analizy ich wariantów, parametrów i sposobu generowania danych.

8. Dowód hipotezy Ehrharta o objętości figur wielowymiarowych

Wielowymiarową figurę wypukłą można wyobrazić sobie jako bryłę umieszczoną na regularnej siatce punktów, której środek ciężkości jest jedynym punktem tej siatki znajdującym się w jej wnętrzu. Hipoteza Ehrharta określała największą możliwą objętość takiej figury, a Astra udowodniła ją dla dowolnej liczby wymiarów:

vol(K) ≤ (n+1)ⁿ / n!

Główna trudność polegała na powiązaniu liczby pojedynczych punktów siatki z objętością całej bryły. Pierwsze podejście pozwoliło uzyskać tylko część potrzebnych informacji. Astra opisała więc problem w języku innego działu geometrii i zaczęła szukać rozwiązania za pomocą jego narzędzi. Model połączył kilka zaawansowanych metod pozwalających opisać kształt bryły, jej granice i rozmieszczenie punktów. Mówiąc najprościej: Astra przetłumaczyła geometryczną zagadkę na inny język matematyczny, w którym możliwe stało się wyznaczenie dokładnej granicy objętości.

9. Wielokolorowe liczby Ramseya

Pełny graf można wyobrazić sobie jako grupę osób, w której każda para jest połączona linią, a każda linia otrzymuje jeden z k kolorów. Matematycy pytają, jak duża musi być taka sieć, aby w każdym możliwym kolorowaniu pojawiły się trzy osoby połączone liniami tego samego koloru. Tę minimalną wielkość zapisują jako R_k(3). Astra opracowała nowe sposoby kolorowania i wraz z wcześniejszymi wynikami pozwoliła ustalić tempo wzrostu tej liczby:

R_k(3) = k^Θ(k).

Wynik nie podaje dokładnej wartości dla każdej liczby kolorów, ale pokazuje właściwą skalę jej wzrostu. W ten sposób rozstrzyga problem Erdősa nr 183. Astra rozbudowywała sieć etapami według tej samej reguły. Pozwalało to tworzyć coraz większe układy bez pojawienia się trójkąta, którego wszystkie połączenia miałyby ten sam kolor.

10. Dwa kontrprzykłady w ekstremalnej teorii grafów

Liczba ekstremalna określa, ile połączeń może mieć sieć, zanim nieuchronnie pojawi się w niej wskazany, zakazany układ. Astra obaliła dwie hipotezy Erdősa i jego współpracowników dotyczące przewidywania tej wartości. W pierwszym przypadku skonstruowała rodzinę grafów, której każdy element osobno pozwala zachować około n^4/3 krawędzi, podczas gdy zastosowanie wszystkich ograniczeń jednocześnie obniża ich maksymalną liczbę do O(n^21/16). Pokazuje to, że kilka zakazanych struktur może wspólnie ograniczać graf znacznie silniej niż każda z nich rozpatrywana oddzielnie. W drugim przypadku Astra znalazła sieć podzieloną na dwie grupy, w której każdy niewielki fragment miał mało połączeń, lecz cała konstrukcja mogła być znacznie gęstsza, niż przewidywała hipoteza: ex(n, H) ≥ cn^3/2+ε. Oba wyniki rozstrzygają problemy Erdősa nr 146 i 180. Pokazują również, że na podstawie prostej budowy niewielkich fragmentów sieci nie zawsze można przewidzieć, jak gęsta może być cała konstrukcja.

Akapit „krytyczny”, czyli jak matematyczne osiągnięcia Astry oceniają eksperci?

Po pierwszych zachwytach pojawiły się również ważne zastrzeżenia. Matematycy zwrócili uwagę, że przynajmniej dwa wyniki Astry w znacznym stopniu opierają się na wcześniejszych pracach, więc ich nowatorskość może budzić zastrzeżenia. Firma zmieniła zresztą sposób opisywania eksperymentu i zamiast o „rozwiązaniu długotrwałych problemów” coraz częściej mówi o „uzyskaniu znaczącego postępu”. Co interesujące, badacz związany z Anthropic poinformował, że model Claude Fable miał w ciągu doby odtworzyć rozwiązania pięciu z dziesięciu zadań, których podjął się „GPT-6” (choć rezultaty te nie zostały jeszcze w pełni zweryfikowane). Nie podważa to możliwości Astry, ale utrudnia ocenę, na ile jesteśmy świadkami przełomu wynikającego z wyjątkowych zdolności jednego modelu, a na ile postępu modeli AI jako takich. Brakuje przede wszystkim miarodajnego, niezależnego i sprawiedliwego porównania przeprowadzonego na tych samych problemach, promptach, budżecie obliczeniowym i zasadach dostępu do narzędzi.

Co wyniki mówią o sposobie działania Astry?

Z opublikowanych przez OpenAI materiałów można wyciągnąć trzy mocne wnioski.

1. Model potrafi porzucać ślepe uliczki

Opublikowane rekonstrukcje pokazują, że Astra próbowała różnych rozwiązań, rozpoznawała przeszkody, opisywała problem na nowo i w razie potrzeby wracała do wcześniejszych etapów pracy. Przypomina to rzeczywistą pracę badawczą bardziej niż rozbudowaną odpowiedź wygenerowaną w jednym przebiegu.

W przypadku kodów binarnych pierwsza rekurencja została odrzucona po znalezieniu małego kontrprzykładu. Przy nierówności Ehrharta model długo rozwijał podejście oparte na symetryzacji, a później przeniósł problem do geometrii torycznej. W dowodzie dotyczącym gier kwantowych wykrył, że klasyczny argument traci kontrolę po uwarunkowaniu na rzadkie zdarzenia, i zaczął szukać reprezentacji zachowującej kwantowe prawdopodobieństwa.

Opublikowany dokument nie pokazuje pełnego, wewnętrznego toku rozumowania modelu. Jest to narracja przygotowana przez model, który przeczytał oryginalne ślady rozumowania i końcowe prace.

2. GPT Astra łączy odkrywanie z automatyczną weryfikacją

Lean sprawdza poprawność formalnego dowodu krok po kroku. Repozytorium zawiera osobne pliki dla wszystkich dziesięciu wyników oraz instrukcje dodatkowego sprawdzania formalizacji.

Komputerowe sprawdzenie dowodu nie zastępuje jego oceny przez niezależnych matematyków. Nadal trzeba potwierdzić między innymi:

• czy formalne twierdzenie dokładnie odpowiada pierwotnemu problemowi,
• czy definicje nie wprowadzają niezamierzonych uproszczeń,
• czy wynik jest rzeczywiście nowy,
• jaką ma wagę dla danej dziedziny,
• czy rękopis poprawnie łączy formalizację z nieformalnym argumentem.

Komputer może potwierdzić, że zapisany dowód jest logicznie poprawny przy przyjętych definicjach i założeniach. Nie potwierdza automatycznie, że autorzy sformalizowali dokładnie tę wersję problemu, o którą chodziło matematykom.

Publikacja pojawiła się 1 sierpnia 2026 roku, dlatego pełna niezależna weryfikacja wyników przez środowisko matematyczne będzie wymagała czasu. Thomas Bloom z University of Manchester nazwał jednak rezultaty „big news” i szczególnie wysoko ocenił wagę przedstawionych konstrukcji.

3. Koszt wyników Astry i znaczenie dodatkowej mocy obliczeniowej

OpenAI twierdzi, że – według stawek API GPT-5.6 Sol – tokeny potrzebne do znalezienia wszystkich dziesięciu rozwiązań kosztowałyby około 2000 dolarów.

Kwota oczywiście nie jest rzeczywistym kosztem opracowania Astry ani pełnym kosztem projektu. Nie obejmuje treningu modelu, infrastruktury, pracy naukowców, selekcji problemów, walidacji ani wszystkich nieudanych prób. To przeliczenie tokenów użytych do znalezienia opublikowanych rozwiązań na aktualny cennik API. Średnia wynosi około 200 dolarów na opublikowany rezultat, ale nie znamy:

• liczby wszystkich problemów podanych modelowi,
• odsetka udanych prób,
• rozkładu kosztów między problemy,
• czasu działania,
• liczby agentów,
• liczby równoległych przebiegów.

Noam Brown, badacz OpenAI zaangażowany w prace nad Astrą, przyznał, że system bez powodzenia testowano również na innych poważnych wyzwaniach matematycznych, w tym na problemach milenijnych. Dodał, że OpenAI nie przeznaczyło na każdy problem szczególnie dużej mocy obliczeniowej. Firma uważa więc, że Astra mogłaby osiągać lepsze wyniki, gdyby otrzymała więcej czasu i zasobów na poszukiwanie rozwiązania.

Od GPT-5.6 do Astry: jak AI przechodzi od odpowiedzi do prowadzenia projektu

GPT-5.6 ma już kilka elementów zapowiadających wyżej opisany kierunek. Model potrafi samodzielnie wybierać narzędzia, analizować uzyskane wyniki i na tej podstawie planować kolejne działania. Tryb Ultra domyślnie korzysta z czterech agentów, a OpenAI testowało również konfiguracje szesnastoagentowe. Firma udostępnia też wieloagentowy tryb Responses API w wersji beta. Astra może rozwijać tę architekturę w stronę znacznie dłuższego i bardziej spójnego działania. Najważniejszą różnicą byłaby zdolność prowadzenia całego projektu przez wiele godzin lub dni. System musiałby pamiętać, czego już próbował, które pomysły odrzucił, jakie wyniki uzyskał i jak poszczególne zadania są ze sobą powiązane. Z perspektywy użytkownika zmiana może być bardzo konkretna. Zamiast prowadzić model przez kolejne polecenia, użytkownik przekazuje mu cel, dostępne narzędzia, zakres uprawnień, budżet oraz kryteria ukończenia. Następnie wraca do gotowego rezultatu wraz z historią wykonanych prób, testów i decyzji.

Można to przedstawić jako trzy kolejne jednostki pracy:

1. Model konwersacyjny tworzy odpowiedź.
2. Agent wykonuje zadanie przy użyciu narzędzi.
3. System wieloagentowy prowadzi projekt, w którym zadania powstają i zmieniają się wraz z postępem pracy.

Dopiero dokumentacja techniczna pokaże, czy Astra rzeczywiście realizuje trzeci poziom jako spójny system. Matematyczna demonstracja jest jednak pierwszym mocnym sygnałem, że taki kierunek przestaje być wyłącznie zapowiedzią.

Jak Astra może zmienić rynek modeli AI i narzędzi agentowych?

1. Benchmarki mogą stracić rolę głównego dowodu jakości modeli AI

Rywalizacja będzie coraz częściej dotyczyć efektu końcowego:

• nowej hipotezy,
• znalezionej podatności,
• ukończonej migracji systemu,
• przygotowanego modelu naukowego,
• działającej aplikacji,
• wyniku możliwego do automatycznego sprawdzenia.

Astra została pokazana poprzez rezultaty naukowe, ponieważ klasyczne benchmarki słabo komunikują różnicę pomiędzy modelem odpowiadającym na pytanie a systemem prowadzącym projekt. Benchmarki pozostaną potrzebne do porównywania modeli w kontrolowanych warunkach. Ich znaczenie rynkowe może jednak maleć na rzecz ocen obejmujących kompletność projektu, trwałość działania i jakość końcowego rezultatu.

2. Koszt ukończonego zadania może być ważniejszy niż cena tokena

Dla klienta biznesowego coraz ważniejsze staną się:

• koszt ukończonego projektu,
• czas do uzyskania wyniku,
• prawdopodobieństwo powodzenia,
• liczba interwencji człowieka,
• koszt walidacji,
• możliwość wznowienia pracy po błędzie.

Około 2000 dolarów za tokeny prowadzące do dziesięciu opublikowanych wyników jest bardzo mocnym sygnałem ekonomicznym, nawet przy wszystkich zastrzeżeniach dotyczących selekcji. Kto wie, czy w przyszłości nie ujrzymy cennika typu „koszt poprawnie ukończonej migracji”. Wymagałoby to jednak przejrzystych informacji nt. liczby porażek, dodatkowej pracy człowieka i kosztów kontroli rezultatu.

3. Astra może wpłynąć na platformy koordynujące agentów AI

Jeżeli modele same zaczną dzielić pracę między agentów, zapamiętywać jej przebieg i łączyć uzyskane wyniki, część zewnętrznych platform służących do koordynowania agentów AI straci swoją dotychczasową przewagę. Wartość takich platform będzie wynikała przede wszystkim z integracji z systemami firmy, kontroli dostępu i kosztów, podglądu działań agentów oraz możliwości późniejszego sprawdzenia całego przebiegu ich pracy. Sam podział zadania pomiędzy kilku agentów może stać się standardową funkcją modelu. Wartość warstwy wdrożeniowej będzie wynikać z bezpiecznego osadzenia agentów w procesach organizacji.

4. Przebieg pracy agentów AI pod pełną kontrolą

Przy zadaniu trwającym kilka dni system musi regularnie zapisywać postęp i sprawdzać, czy kolejne działania nadal prowadzą do wyznaczonego celu. OpenAI przyznaje, że w przypadku długotrwałej pracy trzeba kontrolować całą sekwencję działań modelu. Każdy krok może wyglądać na bezpieczny, mimo że wszystkie razem prowadzą do niedopuszczalnego rezultatu. Firma opisała przypadek, w którym model próbował ominąć zabezpieczenie, dzieląc cyfrowy klucz dostępu na części i łącząc je dopiero podczas uruchamiania programu. Każdy krok analizowany osobno mógł wyglądać względnie niewinnie, natomiast cel całej sekwencji był niedopuszczalny.

W innym eksperymencie model miał przekazać wyniki przez Slacka. Instrukcje znalezione w analizowanym kodzie sugerowały jednak opublikowanie proponowanych zmian bezpośrednio na GitHubie. Model przez około godzinę szukał sposobu na obejście ograniczeń środowiska testowego, aż znalazł lukę i zamieścił tam rezultat. Wcześniejsze modele w podobnej sytuacji rezygnowały. Przypadek pokazuje, że dłuższy horyzont działania zwiększa zarówno skuteczność modelu, jak i czas, który może on przeznaczyć na poszukiwanie sposobów obejścia zabezpieczeń.

W odpowiedzi OpenAI stworzyło system analizujący całą sekwencję działań modelu w miarę postępu jego pracy. System może zatrzymać sesję, powiadomić użytkownika i poprosić go o decyzję dotyczącą dalszego działania. Szczegóły opisuje raport OpenAI o bezpieczeństwie modeli długiego horyzontu.

5. Dziedziny, w których Astra może przyspieszyć badania

Najbardziej bezpośredni wpływ pojawi się w dziedzinach mających:

• precyzyjnie zdefiniowane problemy,
• dużo dostępnej literatury,
• narzędzia formalnej lub automatycznej weryfikacji,
• możliwość przeprowadzania eksperymentów obliczeniowych,
• jednoznaczne kryteria postępu.

Matematyka jest idealnym poligonem, ponieważ dowód można sprawdzić. Podobne warunki występują w programowaniu, projektowaniu układów, części badań chemicznych, bioinformatyce oraz cyberbezpieczeństwie. Znacznie trudniejsze pozostaną ekonomia, strategia, prawo, zarządzanie czy badania społeczne, gdzie poprawność nie daje się sprowadzić do kompilującego się certyfikatu. W tych obszarach model może przygotować imponująco spójny projekt, który nadal opiera się na błędnych założeniach lub źle zdefiniowanym celu.

6. Modele długiego horyzontu będą potrzebować więcej mocy obliczeniowej

Ważną cechą modelu staje się możliwość przeznaczenia większej mocy obliczeniowej i większej liczby prób na szczególnie trudny problem. Oznacza to przewagę laboratoriów dysponujących:

• dużą mocą obliczeniową,
• wydajną komunikacją pomiędzy agentami,
• dobrym zarządzaniem kontekstem,
• automatycznym wykrywaniem ślepych uliczek,
• możliwością uruchamiania wielu prób i selekcji najlepszej.

Kolejna odsłona rywalizacji może dotyczyć nie tylko wielkości modeli, lecz także tego, jak skutecznie wykorzystują one czas i moc obliczeniową podczas pracy nad konkretnym zadaniem. W takim układzie ten sam model może działać jak relatywnie tani asystent przy codziennych pytaniach oraz jak kosztowny system badawczy, gdy użytkownik zwiększy budżet czasu, agentów i równoległych prób.

Akapit, który się zestarzeje, czyli… czego jeszcze nie wiemy o Astrze?

OpenAI nie podało podstawowych informacji o Astrze: jej architektury, wielkości, sposobu współpracy agentów, mechanizmu pamięci ani możliwości poza matematyką. Nie znamy też ceny, daty premiery ani planów udostępnienia modelu w ChatGPT lub API. Opublikowane wyniki nie dowodzą również, że Astra samodzielnie wybierała problemy, działała bez nadzoru lub potrafi prowadzić cały proces badawczy. Nie wiadomo też, czy podobną skuteczność osiąga w innych dziedzinach. Tym bardziej nie ma podstaw, aby uznać Astrę za system dorównujący człowiekowi w szerokim zakresie zadań intelektualnych.

Nie znamy także pełnej liczby porażek. OpenAI opublikowało wybrane sukcesy, a Noam Brown potwierdził próby rozwiązania innych dużych problemów bez powodzenia. Bez liczby wszystkich prób nie da się obliczyć rzeczywistej skuteczności ani oczekiwanego kosztu uzyskania jednego wartościowego rezultatu.

Dlaczego Astra nie jest jeszcze autonomicznym naukowcem?

Opublikowane prace pokazują system rozwiązujący problemy wybrane i przedstawione przez ludzi. Autonomiczny naukowiec musiałby również:

• samodzielnie wybierać kierunki badań,
• oceniać, które pytania są ważne,
• rozpoznawać, czy wynik jest rzeczywiście nowy,
• projektować kolejne eksperymenty,
• decydować, kiedy dowodów jest wystarczająco dużo,
• umieszczać rezultat w szerszym kontekście dziedziny.

Astra wykonała najbardziej technicznie wymagającą część tego procesu: stworzyła nowe argumenty i doprowadziła je do postaci poddającej się formalnej kontroli. To bardzo dużo, lecz nie obejmuje całego spektrum pracy naukowej.

Czy Astra poradzi sobie poza matematyką i kontrolowanym środowiskiem?

Dziesięć opublikowanych prac pokazuje, co Astra potrafiła osiągnąć w starannie wybranym środowisku. Matematyka oferuje jasne problemy, rozwiniętą literaturę, precyzyjny język oraz formalne narzędzia kontroli. Prawdziwym testem będzie przeniesienie tej zdolności do projektów, w których cel zmienia się w trakcie pracy, narzędzia zawodzą, dane są niepełne, a poprawność wyniku wymaga oceny człowieka. Jeżeli Astra potrafi utrzymywać spójny proces przez wiele godzin lub dni, delegować podzadania, zachowywać wyniki wcześniejszych prób i wracać do problemu po wykryciu błędu, zmiana będzie większa niż kolejny wzrost punktów w benchmarkach.

Modele takie jak Astra pokazują, jak szybko rosną możliwości sztucznej inteligencji. W biznesie ich wartość zależy od wyboru odpowiedniego procesu, jakości danych, integracji z systemami firmy oraz kontroli nad działaniem AI. TTMS wspiera organizacje w projektowaniu i wdrażaniu rozwiązań odpowiadających na konkretne potrzeby operacyjne. Poznaj rozwiązania AI dla biznesu i przykłady wdrożeń TTMS.