«مرحبًا بكم في عصر الذكاء الاصطناعي العام»: OpenAI تطلق GPT-6 Astra

بقلم: Tencent Technology، Xiao Jing

«مرحبًا بكم في عصر الذكاء الاصطناعي العام».

بهذه العبارة لخّص جريج بروكمان، الشريك المؤسس ورئيس OpenAI، إطلاق GPT-6 Astra.

في 3 سبتمبر بالتوقيت المحلي للولايات المتحدة، أطلقت OpenAI رسميًا GPT-6 Astra. وبالمقارنة مع النماذج السابقة التي كانت مسؤولة بشكل أساسي عن الإجابة والتوليد واستدعاء الأدوات، يذهب Astra إلى أبعد من ذلك، إذ يمكنه تنفيذ مهام كاملة بشكل مستمر، بدءًا من تلقي التعليمات وتشغيل البرامج وصولًا إلى تعديل الإجراءات اللاحقة بناءً على النتائج. وهذا أحد أسباب إعادة OpenAI طرح «عصر الذكاء الاصطناعي العام».

تصف OpenAI نموذج Astra بأنه «أقوى نموذج في العالم قادر على استخدام الكمبيوتر». وقد امتدت هذه القدرة من المهام البسيطة مثل التصفح والبريد الإلكتروني وجداول البيانات إلى البرامج الاحترافية مثل Power BI وKiCad وFreeCAD، لتبدأ في دخول سير عمل أكثر تعقيدًا مثل تحليل البيانات والتصميم الهندسي واختبار البرمجيات واستكشاف الأخطاء وإصلاحها.

في مقاطع الفيديو التي عرضتها OpenAI، يستطيع Astra البدء من رسم بسيط وإكمال مهام مثل الألعاب ثلاثية الأبعاد وصفحات المنتجات بشكل مستمر. كما قدمت OpenAI أمثلة على تصميم لوحات الدوائر، والنمذجة باستخدام Blender، والمستندات القانونية، وExcel، والتحليل العلمي.

أظهرت نتائج الاختبارات المعيارية المتعددة التي نشرتها OpenAI أن التحسن في القدرات يتركز في المهام التي تتطلب إجراءات مستمرة، مثل استخدام الكمبيوتر، والبرمجة طويلة المدى، والتصميم الهندسي، والبحث العلمي. حقق Astra نسبة 100% في ExploitBench، وتفوق بشكل ملحوظ على الجيل السابق من النماذج في اختبارات استخدام الكمبيوتر والاختبارات المتعلقة بالتصميم بمساعدة الكمبيوتر (CAD).

حاليًا، أصبح Astra متاحًا لبعض المؤسسات، وسيتم توفيره تدريجيًا خلال الأيام القليلة القادمة لمستخدمي ChatGPT Plus وPro وBusiness وEnterprise. كما يمكن استخدامه عبر OpenAI API وAmazon Bedrock. يبلغ سعر واجهة برمجة التطبيقات القياسي 10 دولارات لكل مليون token إدخال و50 دولارًا لكل مليون token إخراج، أي 2.5 ضعف سعر GPT-5.6 Sol.

01 أولًا: تعليم الذكاء الاصطناعي «استخدام الكمبيوتر»

أكبر تغيير يؤكد عليه Astra هو «استخدام الكمبيوتر». في السابق، كان المستخدمون بحاجة إلى ربط الذكاء الاصطناعي ببرامج محددة لإنجاز المهام. وكان على الشركات تطوير واجهات برمجة التطبيقات والإضافات وأنظمة الاسترجاع والموصلات المختلفة حتى يتمكن النموذج من استدعاء الأدوات الداخلية.

يحاول Astra تجاوز جزء من هذا العمل. فهو يستطيع رؤية واجهة الكمبيوتر مباشرة واستخدام الفأرة ولوحة المفاتيح والمتصفح لإنجاز العمليات. تشمل الأمثلة التي قدمتها OpenAI ملء النماذج عبر الإنترنت، وتحديث سجلات العملاء في نظام إدارة علاقات العملاء (CRM)، وجدولة المواعيد في التقويم، والبحث في الويب، وتنظيم نتائج البحث في رسائل بريد إلكتروني أو مستندات.

كما يمكنه فتح دفتر Jupyter لتحليل البيانات العلمية، ومعالجة البيانات في Power BI، وإنجاز التصميم الهندسي باستخدام KiCad وFreeCAD، وإنشاء مواقع الويب وإجراء اختبارات الواجهة الأمامية، بالإضافة إلى تثبيت البرامج وفحص الأخطاء ومعالجة المشكلات التي تظهر على الشاشة.

عرضت OpenAI قيام Astra بتخطيط لوحة دوائر مطبوعة (PCB) في KiCad. يبدأ النموذج من المخطط الإلكتروني، ويضع المكونات على اللوحة، ثم يكمل توجيه الأسلاك النحاسية. تم ضغط العملية بأكملها في 15 ثانية. بالنسبة للمهندسين، هذه الأعمال التي كانت تتطلب في السابق إنجازًا يدويًا يمكن الآن أن ينفذها النموذج.

عرض آخر كان إنجاز النمذجة ثلاثية الأبعاد في Blender وUnreal Engine 5. أنشأ Astra أولًا منزلًا في Blender، ثم حوّل النموذج إلى مشهد يمكن التجول فيه في Unreal Engine 5، مما يسمح للمصممين والعملاء بالدخول إلى المشهد مسبقًا لمعاينة المساحة.

كما عرضت OpenAI سيناريوهات لتطوير الألعاب وExcel وPower BI وناقل حركة السيارات والمستندات القانونية ونموذج 1040.

في اختبار المجموعة الفرعية غير المتصلة OSWorld 2.0، سجل Astra 72.6% بينما سجل GPT-5.6 Sol 65.7%. وبعد محاكاة زمن الانتقال الفعلي، وجدت OpenAI أن Astra يستغرق في المتوسط حوالي 40 دقيقة لإنجاز كل مهمة، بينما يستغرق GPT-5.6 Sol حوالي 75 دقيقة، أي انخفاض في الوقت بنسبة 47% تقريبًا.

في اختبار Agents' Last Exam، سجل Astra 59.3% وGPT-5.6 Sol 53.6% وClaude Opus 5 نحو 55.5%. بالإضافة إلى ذلك، عند أعلى إعداد للدرجات، استخدم Astra رموز إخراج أقل بنسبة 65% تقريبًا من Claude Opus 5.

بلغت نتيجة ScreenSpot-Pro 92.7% بينما سجل GPT-5.6 Sol 76.9%.

كما تحسنت السرعة. قامت OpenAI بتحديث إطار عمل Codex بالتزامن، وعند دمجه مع Astra، بلغت سرعة إنجاز المهام في اختبار Mind2Web 1.9 ضعف تجربة GPT-5.6 Sol الحالية.

تضمنت العروض الرسمية أيضًا عدة سيناريوهات يومية: البحث عن طبيب أطفال، والبحث عن شقة، وحجز موعد في DMV، والبحث عن وجبات خفيفة منخفضة الكربوهيدرات، وتحليل روضة أطفال. في العرض، أنجز Astra مهمة واحدة في دقيقتين و54 ثانية.
 

شارك المستثمر والممارس في مجال الذكاء الاصطناعي Matt Shumer تجربة على منصة X. طلب من Astra إنشاء عالم في Unreal Engine، ثم أضاف وكلاء بشريين مدعومين من Astra وتركهم يتعايشون. 

بعد يوم واحد، سمع أصواتًا قادمة من غرفة المعيشة وهو في غرفة النوم، وظن في البداية أن شخصًا ما اقتحم الشقة. لاحقًا اكتشف أن الأصوات صادرة عن وكلاء Astra الذين بدأوا في التواصل مع بعضهم البعض.

هذه التجربة ليست مستقرة تمامًا بعد، لكن شومر يرى أن تأثير دخول عدة وكلاء ذكاء اصطناعي إلى نفس العالم الافتراضي والتفاعل بشكل مستقل كان مدهشًا بما يكفي.

قال Silas Alberti، نائب الرئيس الأول للأبحاث في Cognition، إن الشركة تخطط لدمج Astra في إطار عمل Devin في يوم الإطلاق. في الاختبارات الداخلية، أظهر Astra تحسنًا ملحوظًا في قدرات استخدام الكمبيوتر والكتابة وفهم مستودعات الأكواد، مع فهم أوضح للفيديو وتقارير أكثر إيجازًا.

02 من كتابة الأكواد إلى إنجاز المهمة كاملة

بعد تعزيز قدرات استخدام الكمبيوتر، توسع نطاق العمل الذي يغطيه Astra بشكل أكبر. تصفه OpenAI بأنه نموذج لهندسة البرمجيات والأعمال الاحترافية والبحث العلمي. يمكنه التعامل مع مهام أطول وتعديل اتجاه العمل وفقًا لتغيرات المهمة.

تتجلى هذه القدرة بشكل خاص في اختبارات البرمجة.

في اختبار Terminal-Bench 4.0، سجل Astra 57.9% وGPT-5.6 Sol 37.3% وClaude Fable 5.1 نحو 55.8%.

في DeepSWE v1.1، سجل Astra 74.1% وGPT-5.6 Sol 72.7%. وفي مهمة ترحيل قاعدة بيانات داخلية، حقق Astra 63.9% بينما سجل GPT-5.6 Sol 42.7%.

قدم Astra أيضًا تحسينات لمهام Codex الطويلة.

في السابق، عندما تواجه المهام الطويلة حدود نافذة السياق، كان النموذج يحتاج عادةً إلى ضغط العمل السابق في ملخص، مما يؤدي غالبًا إلى فقدان التفاصيل، مثل سبب فشل إصلاح معين أو المشكلات التي واجهها مكون معين سابقًا.

يستطيع Astra الاحتفاظ بالمعلومات المهمة أثناء عمل Codex واسترجاعها في السياقات اللاحقة. تظل الرسائل المبكرة ومخرجات الأدوات قابلة للبحث، مما يسمح للنموذج بإعادة اكتشاف المتطلبات السابقة ونتائج الاختبارات وسجلات عمليات الأدوات.

تحدث تغييرات مماثلة في الأعمال الاحترافية. في اختبار BenchCAD، بلغت درجة التداخل الهندسي لـ Astra 95.9% بينما سجل GPT-5.6 Sol 83.3% وClaude Fable 5.1 نحو 84.3%. في BrowseComp، سجل Astra 91.5% وGPT-5.6 Sol 90.4%. في اختبار OpenScore String Quartets، حقق Astra 0.84 بينما سجل GPT-5.6 Sol 0.19.

عرضت OpenAI أيضًا قدرة Astra على إنشاء العروض التقديمية وجداول البيانات والمستندات.

عند تزويده بعدة شرائح من قالب عرض OpenAI، يمكنه إنشاء عرض تقديمي جديد وفقًا للنبرة والتخطيط والبنية الأصلية. كما يتعامل مع المفاضلات المعلوماتية في المهمة. تقول OpenAI إن Astra تم تدريبه بشكل خاص على جلب السياق المهم إلى النتيجة النهائية وتقليل تكرار العمل المنجز بالفعل.

عندما تكون تعليمات المهمة غير مكتملة، يقرر Astra أيضًا متى يسأل المستخدم. إذا كانت المعلومات المفقودة ستؤثر على النتيجة النهائية، فإنه يطرح أسئلة محددة. وإذا كانت المعلومات المفقودة لا تؤثر على الاتجاه الرئيسي، فيمكنه مواصلة العمل ووضع افتراضات معقولة. في Codex، حتى لو لم يستجب المستخدم مؤقتًا، يمكن للنموذج مواصلة معالجة أجزاء أخرى؛ وعند مواجهة قرارات كبيرة، ينتظر تأكيد المستخدم.

قال نيكو جروبن، مدير الأبحاث التطبيقية في Harvey، إنه في اختبارات المهام القانونية المبكرة، ميّز Astra بشكل أوضح بين المستندات والسجلات الحالية، وكان أكثر قدرة على تحديد الافتراضات غير المدعومة، وتحويل فجوات المعلومات إلى اقتراحات صياغة ملموسة.

أشار جون كريبيزي من فريق مساعدي الذكاء الاصطناعي في Jane Street إلى أن Astra أدى بشكل ممتاز في اختبارات البرمجة الداخلية. عند استخدامه للبرمجة الوكيلة، كان أسلوب تواصله أسهل في الفهم للمطورين، وتطلبت الأكواد التي يولدها تعديلات أقل للوصول إلى جودة الإنتاج.

المجال العلمي هو محور آخر. في FrontierMath Tier 4 v2، سجل Astra 80.5% بدقة 97.6% بينما سجل GPT-5.6 Sol 83.0%؛ ووصل في GPQA Diamond إلى 96.0% مقابل 94.6% لـ GPT-5.6 Sol.

يقيم اختبار Terminal-Bench Science 0.1 سير عمل البحث العلمي، بما في ذلك تحليل البيانات والمحاكاة وملاءمة النماذج. سجل Astra 64.6% وClaude Fable 5.1 نحو 52.6% وGPT-5.6 Sol نحو 22.4%.

في التطبيقات العلمية التي عرضتها OpenAI، يمكن لـ Astra الدخول إلى برامج علمية احترافية، وفحص جودة التسلسل، وتصور الاختلافات الجينية، وتحديد اتجاه التحليل التالي بناءً على البيانات.

من خلال الجمع بين الاستدلال العلمي وتشغيل الكمبيوتر، يمكن للنموذج العمل مباشرة في بيئة البرامج التي يستخدمها الباحثون أصلًا.

لخص Greg Burnham من Epoch AI، المتخصصة في تقييم القدرات، هذا التغيير في المؤتمر الصحفي بأنه نهاية عصر وبداية عصر آخر. وأكدت OpenAI أن قيمة Astra امتدت من الإجابة على الأسئلة العلمية إلى المشاركة المباشرة في سير العمل العلمي.

03 كلما زادت القدرة، ارتفع عتبة الأمان

يتميز Astra هذه المرة أيضًا بجانب خاص جدًا: الأمن السيبراني.

في ExploitBench، حقق Astra 100% بينما سجل GPT-5.6 Sol 78.5%؛ وفي ExploitGym، سجل Astra 42.4% مقابل 30.3% لـ GPT-5.6 Sol. 

أنشأت OpenAI أيضًا اختبارًا داخليًا يغطي ثغرات حديثة من يونيو إلى أغسطس 2026. في هذا الاختبار، كان معدل تنفيذ الأكواد العشوائية لـ Astra أعلى بشكل ملحوظ من GPT-5.6 Sol، مع استخدام رموز إخراج أقل. أثناء الاختبار، اكتشف Astra أيضًا ثغرتين غير معروفتين سابقًا من نوع zero-day، وقالت OpenAI إنها كشفت عنهما للمشرفين المعنيين.

يقيس اختبار SRE-Bench القدرة على الهندسة العكسية لملفات البرامج الثنائية وفهم منطقها الأساسي دون وجود كود مصدري. حل Astra 88.0% من المهام في محاولة واحدة، ووصل إلى 99.2% بعد أربع محاولات، بينما سجل GPT-5.6 Sol 55.9% و68.7% على التوالي.

جلب تعزيز القدرات أيضًا متطلبات أمان جديدة. قالت OpenAI إن Astra وصل إلى عتبة حرجة في إطار الاستعداد للأمن السيبراني الخاص بها. يمكن للنموذج اكتشاف ثغرات برمجية غير معروفة سابقًا، وقد يشكل سلاسل استغلال للثغرات.

لذلك، سيرفض الإصدار الحالي من Astra تنفيذ مهام أمن سيبراني أعلى مستوى، مثل إنشاء إثبات مفهوم للثغرات. تخطط OpenAI لتوسيع وصول المدافعين الموثوقين تدريجيًا عبر Daybreak لأغراض التحقق من الثغرات وتحليل البرمجيات الخبيثة وهندسة الكشف.

فيما يتعلق بالمواءمة، قدمت OpenAI أيضًا بيانات جديرة بالملاحظة. في اختبار معياري داخلي لسلامة استخدام الكمبيوتر، بلغ معدل السلوك غير اللائق لـ Astra 2.4% مقابل 22.0% لـ GPT-5.6 Sol؛ وبعد إضافة AutoReview، أصبح 1.8% لـ Astra مقابل 4.5% لـ GPT-5.6 Sol. في اختبار معياري داخلي للالتفاف، سجل Astra 0.00% مقابل 0.29% لـ GPT-5.6 Sol.

في اختبار ExploitGym honeypot، سجل Astra 0% مقابل 48.2% لـ GPT-5.6 Sol. يراقب هذا الاختبار بشكل أساسي ما إذا كان النموذج يحاول تجاوز القيود بسبب صعوبة المهمة. في اختبار معياري داخلي للهلوسة، سجل Astra 4.2% مقابل 12.2% لـ GPT-5.6 Sol.

قالت OpenAI إن Astra تحسن في فهم حدود المهام والتعامل مع التعليمات الغامضة وشرح قدراته للمستخدمين. يبلغ احتمال هلوسة قدراته حوالي ثلث احتمال GPT-5.6 Sol.
 

ومع ذلك، أقرت OpenAI بمشكلة: كلما زادت قدرة النموذج، قد يصبح مراقبة عملية الاستدلال أكثر صعوبة. يرى كبير العلماء Jakub Pachocki أن قدرة النموذج على حل مشكلات أكثر تعقيدًا باستخدام رموز استدلال أقل باللغة الطبيعية تعني أيضًا أنه يصبح من الصعب على البشر الحكم على ما يفعله النموذج فعليًا من خلال عملية استدلاله النصية.

لذلك، أدرجت OpenAI مراقبة عدم المواءمة في نشر Astra. يفحص النظام استدلال النموذج وإجراءاته، ويمكنه إيقاف المهمة مؤقتًا إذا اكتشف سلوكًا غير مصرح به.

قد يكون لهذه الآلية تأثيرات عملية أيضًا. قد تتباطأ المهام المشروعة أحيانًا أو تتوقف مؤقتًا أو حتى تتوقف تمامًا. في ChatGPT أو Codex، قد يحتاج المستخدم إلى التأكيد للمتابعة؛ وفي سير عمل واجهة برمجة التطبيقات، قد تتوقف المهام الموسومة مباشرة.

لذلك، مع إطلاق Astra، ظهر تغيير واقعي للغاية: عندما يبدأ الذكاء الاصطناعي في الحصول على صلاحيات كمبيوتر أكبر، تتسع مخاوف الشركات من «هل سيجيب النموذج بشكل خاطئ؟» إلى «ما الذي يمكن للنموذج تشغيله، وما الذي يمكنه الوصول إليه، ومتى يجب أن يتوقف؟»

ذكرت OpenAI أيضًا أن Astra هو أول نموذج لها يتم تدريبه مسبقًا على بنية Stargate باستخدام أكثر من 100,000 وحدة DBU. قال Aidan Clark، نائب رئيس الأبحاث في OpenAI، إنه وفقًا لنتائج التقييم في مرحلة التدريب المسبق، تجاوزت قفزة قدرات Astra تحسن GPT-5.6 Sol مقارنة بسابقه.

تعزو OpenAI هذا التغيير إلى الجمع بين التدريب المسبق واسع النطاق والتعلم المعزز، مع تحول تركيز التدريب بشكل أكبر نحو ربط المعلومات وتنفيذ مهام أطول والعمل المستمر في بيئات معقدة.

04 أغلى، لكنه «أكثر كفاءة»

شهد تسعير Astra أيضًا تغييرًا كبيرًا.

السعر القياسي لواجهة برمجة تطبيقات OpenAI هو 10 دولارات لكل مليون token إدخال و50 دولارًا لكل مليون token إخراج. كان سعر GPT-5.6 Sol السابق 4 دولارات لكل مليون token إدخال و20 دولارًا لكل مليون token إخراج. ارتفعت أسعار الإدخال والإخراج بمقدار 2.5 ضعف.

تُحتسب قراءة وكتابة ذاكرة التخزين المؤقت بشكل منفصل. توفر OpenAI أيضًا وضعًا سريعًا تصل سرعته إلى 2.5 ضعف المعالجة القياسية، بسعر ضعف الوضع القياسي.
 

بالنظر إلى سعر الرمز وحده، فإن Astra أغلى بوضوح. ومع ذلك، تأمل OpenAI أن تحسب الشركات التكلفة بطريقة مختلفة. يرى بروكمان أنه مع تحول النماذج إلى وكلاء، يصبح من الصعب بشكل متزايد أن تعكس تكلفة كل رمز التكلفة الحقيقية بدقة. قد يكون رمز نموذج ما رخيصًا، ولكن إذا تطلب محاولات متكررة وتصحيحات بشرية، فقد تكون التكلفة النهائية لإنجاز المهمة أعلى.

تدعم بيانات OpenAI هذا التقييم. في اختبار Terminal-Bench Science 0.1، سجل Astra 64.6% وClaude Fable 5.1 نحو 52.6%، مع انخفاض تقديري في تكلفة واجهة برمجة التطبيقات بنسبة 31%. عند الإعدادات منخفضة التكلفة، سجل Astra 61.1% بينما كانت أفضل نتيجة لـ GPT-5.6 Sol هي 22.4%، مع انخفاض تقديري في التكلفة بنسبة 27%.

في BenchCAD، سجل Astra 95.9%، مع تكلفة تقديرية لواجهة برمجة التطبيقات أقل بنحو 43% من GPT-5.6 Sol وأقل بنحو 86% من Claude Fable 5.1. في Terminal-Bench 4.0، سجل Astra 57.9% وGPT-5.6 Sol 37.3% وClaude Fable 5.1 نحو 55.8%. تقدر OpenAI أن تكلفة كل مهمة أقل بنحو 9% و63% على التوالي.

تقدم بيانات جهة التقييم الخارجية Artificial Analysis وجهة نظر أخرى. 

سجل GPT-6 Astra 61.2 في مؤشر الذكاء الاصطناعي لـ Artificial Analysis، وهو قريب من 60.9 لـ GPT-5.6 Sol، لكنه يستخدم رموز إخراج أقل بنحو 10%. ونظرًا لارتفاع السعر بمقدار 2.5 ضعف، فإن تكلفة كل مهمة أعلى فعليًا بنحو 75% من GPT-5.6 Sol.

في مؤشر وكيل البرمجة لـ Artificial Analysis، سجل Astra 67.0، وهو قريب من 67.2 لـ Claude Fable 5 و68.1 لـ Claude Opus 5. ترى Artificial Analysis أنه في بيئة Codex، قلل Astra بشكل كبير من الرموز اللازمة لإنجاز المهام، وعند أعلى مستوى جهد، تقترب تكلفة كل مهمة من GPT-5.6 Sol؛ وبالمقارنة مع Claude Fable 5، تقل تكلفة إنجاز مهام مماثلة عن النصف.

ومع ذلك، لا يتصدر Astra في جميع الاختبارات. تُظهر بيانات Artificial Analysis انخفاضًا بنحو 80 نقطة Elo في GDPval-AA v2، كما حدثت بعض التراجعات في اختبارات مثل τ³-Banking وSciCode وAA-LCR. بينما ارتفعت نتيجة Humanity's Last Exam بنحو 6 نقاط.

هذه أيضًا نقطة جديرة بالملاحظة في إطلاق Astra. لم تكشف OpenAI هذه المرة عن نتيجة Astra في GDPval. يُعد GDPval بحد ذاته اختبارًا تستخدمه OpenAI لقياس الأداء الاقتصادي في العالم الحقيقي، ويغطي 44 مهنة و1,320 مهمة، بما في ذلك الملخصات القانونية والتصميم الهندسي وجداول البيانات والعروض التقديمية ودعم العملاء وخطط الرعاية.

من القدرات التي أظهرها Astra، يرتبط GDPval ارتباطًا قويًا بسيناريوهات العمل الاحترافية التي يركز عليها، لكن OpenAI لم تُدرج هذه النتيجة في بيانات الإطلاق الرئيسية.

لذلك، تنعكس قدرة Astra على العمل في العالم الحقيقي حاليًا بشكل أكبر من خلال نتائج Agents' Last Exam وBenchCAD وAutomationBench ومهام التصميم الداخلية ومهام علوم البيانات. 

في النهاية، سيعتمد ما إذا كان Astra سيصبح موظف ذكاء اصطناعي ترغب الشركات حقًا في استخدامه على المدى الطويل على تكلفته وسرعته ودقته وعدد التدخلات البشرية عند إنجاز المهام الفعلية.

أما عن سؤال ما إذا كان Astra ذكاءً اصطناعيًا عامًا، فلم يتهرب بروكمان من الإجابة. يرى أنه لا يوجد معيار مقبول عالميًا للذكاء الاصطناعي العام، ويمكن مواصلة النقاش حول ما إذا كان Astra يفي به. ومع ذلك، إذا كان النظام قادرًا بالفعل على تحمل عدد كبير من المهام في التصفح وتشغيل الكمبيوتر والبرمجة والرياضيات والعلوم والقانون وغيرها من الأعمال الاحترافية، فليس من غير المعقول القول إننا دخلنا عصر الذكاء الاصطناعي العام.

كما وصف Sam Altman، الرئيس التنفيذي لـ OpenAI، نموذج Astra بأنه يفتح جيلًا جديدًا من ريادة الأعمال والاكتشاف العلمي والإبداع.
 

ساهم الكاتب المساهم Jin Lu أيضًا في هذا المقال.