អត្ថបទនេះបកប្រែពីភាសាអង់គ្លេសដោយ AI។ អានអត្ថបទដើមជាភាសាអង់គ្លេស →
GPT-6 Astra ទទួលបានពិន្ទុ 99.9% លើ ARC-AGI-3៖ តើនេះជា AGI មែនទេ? ការបកស្រាយចំណាំសំខាន់ពីក្រោយតួលេខនេះ
GPT-6 Astra ទទួលបានពិន្ទុ 99.95% លើ ARC-AGI-3 ពេលប្រើប្រព័ន្ធតេស្តរបស់ OpenAI តែធ្លាក់សល់ 62.71% លើប្រព័ន្ធតេស្តទូទៅ។ មកយល់ដឹងពីអត្ថន័យនៃគម្លាតនេះ ការចំណាយ និងមូលហេតុដែលវាមិនមែនជាភស្តុតាងបញ្ជាក់ពី AGI។
OpenAI បានចេញផ្សាយ GPT-6 Astra នៅថ្ងៃទី 3 ខែកញ្ញា ឆ្នាំ 2026។ ម៉ូដែលនេះអាចសរសេរកូដ បញ្ជាកុំព្យូទ័រ ធ្វើការស្រាវជ្រាវ និងទទួលបានពិន្ទុ 99.9% លើតេស្តសមត្ថភាព AGI ដ៏ល្បីនិងមានអ្នកតាមដានច្រើនបំផុតមួយនៅលើពិភពលោក។ ហេតុនេះហើយ ទើបអ្នកលេងអ៊ីនធឺណិតនាំគ្នាសន្និដ្ឋានថា AGI បានមកដល់ហើយ។
ប៉ុន្តែមានបញ្ហាពីរយ៉ាង។ គ្មាននរណាម្នាក់ឯកភាពគ្នាលើអត្ថន័យពិតប្រាកដរបស់ AGI នោះឡើយ ហើយពិន្ទុ 99.9 នេះក៏មានចំណាំបន្ថែមមួយដែរ។
▶ WATCH ON YOUTUBEWatch the video
▶ WATCH ON YOUTUBEវីដេអូពេញ៖
ARC-AGI-3 ធ្វើតេស្តលើអ្វីខ្លះ?
ARC-AGI-3 ដាក់ល្បងប្រាជ្ញាដែលម៉ូដែលមិនធ្លាប់ជួបពីមុនមក រួមជាមួយក្បួនច្បាប់ដែលវាត្រូវស្វែងយល់ដោយខ្លួនឯងតាមរយៈការសាកល្បងលេងផ្ទាល់។ ការតេស្តនេះបង្កើតឡើងយ៉ាងពិសេស ដើម្បីកុំឱ្យការទន្ទេញចាំទិន្នន័យលើអ៊ីនធឺណិតយកមកប្រើការបាន។
ម៉ូដែលតែមួយ តែពិន្ទុពីរផ្សេងគ្នា
ក្រុមការងារ ARC Prize បានដំណើរការតេស្ត Astra ពីរដងលើប្រព័ន្ធតេស្តពីរផ្សេងគ្នា។ ប្រព័ន្ធតេស្ត (harness) គឺជាប្រព័ន្ធតភ្ជាប់កណ្តាលរវាងម៉ូដែល និងវិញ្ញាសាតេស្ត។
| ប្រព័ន្ធតេស្ត (Harness) | ពិន្ទុ | ថ្លៃដំណើរការកុំព្យូទ័រ |
|---|---|---|
| Provider Adapter របស់ OpenAI (រក្សាស្ថានភាពគិតលាក់ទុកឱ្យនៅដំណើរការរវាងសំណើនីមួយៗ) | 99.95% | $18,817 |
| ប្រព័ន្ធតេស្តទូទៅ Neutral Standard | 62.71% | ប្រហែល $26,000 |
ម៉ូដែលតែមួយ វិញ្ញាសាតេស្តតែមួយ។ ចំណាយលុយកាន់តែច្រើន តែពិន្ទុបែរជាទាបជាងមុន។ ភាពខុសគ្នានេះកើតចេញពីប្រព័ន្ធតភ្ជាប់ខាងក្នុង ហើយអ្នកក៏នឹងមិនទទួលបានពិន្ទុ 99.9 ពីការហៅប្រើ API ធម្មតានោះដែរ។
ខាង ARC Prize បានបញ្ជាក់ចំៗថា ការធ្វើបានពិន្ទុពេញលើតេស្តសមត្ថភាពនេះ មិនមែនជាភស្តុតាងបញ្ជាក់ពី AGI នោះឡើយ។
ចំណុចដែលវាធ្វើមិនបាន
ARC Prize បានបង្ហាញលទ្ធផលលម្អិតសម្រាប់ 25 ហ្គេម។ នៅលើប្រព័ន្ធតេស្តទូទៅជាមួយនឹងកម្រិតគិតអតិបរមា៖
- 10 ហ្គេម៖ ទទួលបាន 100% ពេញតែម្តង។
- ហ្គេម G50T៖ បាន 0% គ្រប់កម្រិតនៃការគិតទាំងអស់ដែលបានតេស្ត។
- BP35 និង TU93៖ ទទួលបាន 2% និង 3%។
នេះមិនមែនជាការយកឈ្នះតេស្តទាំងស្រុងនោះទេ។ វាគ្រាន់តែបង្ហាញថា ម៉ូដែលនេះពូកែខ្លាំងស្ទើរតែគ្រប់រឿង ប៉ុន្តែនៅតែមានចំណុចខ្វាក់មួយចំនួនដែលវាមើលមិនឃើញសោះតែម្តង។
តួលេខដែលគ្មានអ្នកណាថតអេក្រង់យកទៅចែករំលែក
លើ 96% នៃវគ្គដែលវាបានលេង Astra ប្រើ ចំនួនសកម្មភាពតិចជាងកម្រិតមធ្យមរបស់មនុស្ស ដែលបានតេស្ត។ មិនមែនមានន័យថាលឿនជាងទេ គឺប្រើជំហានដើរតិចជាង។ វាអាចរកឃើញក្បួនច្បាប់ដោយមិនបាច់ចុចសាកច្រើនដងលើក្ដារឡើយ។ ពិន្ទុគ្រាន់តែប្រាប់ថាវាដោះស្រាយបានឬអត់ ប៉ុន្តែចំនួនសកម្មភាពប្រាប់កាន់តែច្បាស់ថាតើវាពិតជាយល់ពីបញ្ហានោះមែនឬទេ។
តម្លៃដែលត្រូវចំណាយដើម្បីបានពិន្ទុនេះ
ARC Prize ក៏បានជួលមនុស្សឱ្យមកធ្វើតេស្តនេះដែរ ដោយចំណាយ $115 សម្រាប់វគ្គតេស្ត 90 នាទី បូកបន្ថែម $5 សម្រាប់ហ្គេមនីមួយៗដែលលេងចប់ គឺធ្លាក់ប្រហែល $12.78 ក្នុងមួយហ្គេមដែលបានសាកល្បង។ ការដំណើរការតេស្តដែលជាចំណងជើងព័ត៌មានដ៏ល្បីនេះ ចំណាយអស់ប្រហែល 1,400 ដង លើសពីការចំណាយលើមនុស្សម្នាក់។ ARC Prize បានកត់សម្គាល់ថា តួលេខចំណាយលើមនុស្សនេះ ភាគច្រើនគ្រាន់តែវាស់លើការស្ម័គ្រចិត្តមកអង្គុយប្រឡងប៉ុណ្ណោះ មិនមែនជាការចំណាយថាមពលនៃការគិតនោះឡើយ។
លំនាំលទ្ធផលលើការតេស្តទាំងបីជំនាន់
| តេស្តសមត្ថភាព | Astra |
|---|---|
| ARC-AGI-1 | 98.5% |
| ARC-AGI-2 | 95% |
| ARC-AGI-3 (ប្រព័ន្ធតេស្តទូទៅ) | 62.71% |
រាល់ពេលដែលការតេស្តផ្លាស់ប្តូរទៅរកការអនុវត្តផ្ទាល់ ហើយងាកចេញពីការគ្រាន់តែដឹង ពិន្ទុរបស់វាតែងតែធ្លាក់ចុះ។ នេះជាចំណុចមានប្រយោជន៍បំផុតលើទំព័រនេះ។ ទោះជាយ៉ាងណា ម៉ូដែលឈានមុខផ្សេងទៀតនៅតែស្ថិតនៅបាតតារាងនៃ ARC-AGI-3 ដដែល ដូច្នេះពិន្ទុ 62% នៅតែជាការបោះជំហានទៅមុខយ៉ាងពិតប្រាកដមួយ។ គ្រាន់តែវាទាបជាង និងចំណាយថ្លៃជាងអ្វីដែលចំណងជើងព័ត៌មានបានចុះផ្សាយប៉ុណ្ណោះ។
តម្លៃ និងការបើកឱ្យប្រើ
- $10 សម្រាប់តូខឹនបញ្ចូលមួយលាន និង $50 សម្រាប់តូខឹនបញ្ចេញមួយលាន។
- មុខងារដំណើរការលឿន (fast mode) ដំណើរការលឿនជាងមុនប្រហែលពីរដង ក្នុងតម្លៃថ្លៃជាងមុនប្រហែលពីរដងដែរ។
- ចាប់ផ្តើមដាក់ឱ្យប្រើសម្រាប់ស្ថាប័នមួយចំនួនជាមុនសិន បន្ទាប់មកទើបពង្រីកទៅគណនី Plus, Pro, Business និង Enterprise រួមទាំង API, Azure និង Bedrock។
ការវាយតម្លៃសុវត្ថិភាព
Astra គឺជាម៉ូដែលដំបូងគេដែល OpenAI បានវាយតម្លៃក្នុងកម្រិត Critical សម្រាប់សុវត្ថិភាពតាមប្រព័ន្ធអ៊ីនធឺណិត (cybersecurity) ក្រោមក្របខ័ណ្ឌ Preparedness Framework របស់ខ្លួន។ នៅក្នុងក្របខ័ណ្ឌនោះ កម្រិត Critical មានន័យថាវាអាចស្វែងរក និងវាយលុកលើចន្លោះប្រហោងដែលមិនធ្លាប់ស្គាល់ នៅក្នុងប្រព័ន្ធដែលមានការការពាររឹងមាំ ដោយមិនចាំបាច់មានមនុស្សចាំណែនាំគ្រប់ជំហានឡើយ។ ក្របខ័ណ្ឌនេះបានចែងថា កម្រិតវាយតម្លៃបែបនេះគួរតែដាក់ឱ្យដំណើរការប្រព័ន្ធការពារសុវត្ថិភាពតាំងពីមុនពេលចេញផ្សាយ មិនមែនរង់ចាំដល់ចេញផ្សាយរួចនោះទេ។
ចុះអ្វីទៅជា AGI?
ភាពឆ្លាតវៃកម្រិតស្មើនឹងមនុស្ស។ សមត្ថភាពធ្វើការងារដែលផ្តល់តម្លៃសេដ្ឋកិច្ចខ្ពស់បំផុត។ ការដោះស្រាយបញ្ហាទូទៅ។ បុគ្គលិកធ្វើការដោយស្វ័យប្រវត្តិ។ សមត្ថភាពរៀនសូត្រគ្រប់ជំនាញ។ អ្នកស្រាវជ្រាវបានលើកយកនិយមន័យទាំងអស់នេះមកប្រើ ហើយពួកគេក៏មិនទាន់ឯកភាពគ្នាដែរ។
- ប្រសិនបើនិយមន័យរបស់អ្នកគឺ "ធ្វើបានពិន្ទុខ្ពស់លើការតេស្តពិបាកៗ" នោះ Astra ពិតជាជាប់លក្ខខណ្ឌ។
- ប៉ុន្តែប្រសិនបើនិយមន័យរបស់អ្នកគឺ "អាចធ្វើការងារជំនួសគេពេញមួយថ្ងៃដោយខ្លួនឯង ដោយមិនបង្កឱ្យខូចខាតអ្វីសោះ" នោះវានៅឆ្ងាយណាស់។
ការធ្វើតេស្តសមត្ថភាពមានលក្ខខណ្ឌស្អាតបាតល្អ។ តែពិភពពិតជាក់ស្តែងពោរពេញទៅដោយបញ្ហាសិទ្ធិចូលប្រើផុតកំណត់ ផ្ទាំងសារចម្លែកៗ សេវា Wi-Fi ខ្សោយ និងប្រព័ន្ធផ្ទៀងផ្ទាត់ CAPTCHAs។
ការសន្និដ្ឋាន
តើ OpenAI បង្កើតបាន AGI ហើយមែនទេ? ចម្លើយគឺ ទេ។ និយាយឱ្យចំជាងនេះទៅទៀតគឺ មិនទាន់មានភស្តុតាងគ្រប់គ្រាន់នៅឡើយទេ ហើយតួលេខតែមួយគត់ដែលគេយកមកលើកឡើងនោះ ក៏ធ្លាក់មកសល់ត្រឹម 62% ដែរ នៅពេលអ្នកប្តូរប្រព័ន្ធតភ្ជាប់ខាងក្នុង។
ទោះជាយ៉ាងណា Astra នៅតែជាការវិវត្តដ៏សំខាន់។ ការសរសេរកូដ វិទ្យាសាស្ត្រ ការគិតពិចារណា ការបញ្ជាកុំព្យូទ័រ និងឧបករណ៍ជំនួយផ្សេងៗ កំពុងរួមបញ្ចូលគ្នាទៅជាប្រព័ន្ធតែមួយ។ នេះជាការបោះជំហានពី AI សម្រាប់គ្រាន់តែជជែកលេង ទៅជា AI ដែលអ្នកអាចដាក់ការងារឱ្យធ្វើបាន។ ម៉ូដែលដែលមិនទាន់អាចទុកចិត្តបានលើភាពឆ្លាតវៃទូទៅ (general intelligence) នៅតែអាចទុកចិត្តបានយ៉ាងខ្លាំងលើការងារជាក់លាក់ណាមួយ នៅពេលវាមានឧបករណ៍ជំនួយ មានប្រព័ន្ធដំណើរការឡើងវិញ (loop) និងមានការតេស្តត្រឹមត្រូវ។ នេះជាការផ្លាស់ប្តូរផ្នែកវិស្វកម្ម ហើយការផ្លាស់ប្តូរបែបនេះហើយដែលត្រៀមនឹងកែប្រែអ្វីៗនៅថ្ងៃអង្គារសប្តាហ៍ក្រោយ។
តំណភ្ជាប់
- វីដេអូពេញ៖ https://youtu.be/CM0p_BovClk
- ការវិភាគរបស់ ARC Prize៖ https://arcprize.org/blog/astra
- ពិន្ទុផ្ទៀងផ្ទាត់ផ្លូវការរបស់ ARC Prize៖ https://arcprize.org/results/openai-gpt-6
- សេចក្តីប្រកាសរបស់ OpenAI៖ https://openai.com/index/gpt-6-astra/
- GPT-6 Astra ទល់នឹង Claude Fable 5.1 សម្រាប់ការសរសេរកូដ
តើភស្តុតាងបែបណាទើបអាចធ្វើឱ្យអ្នកជឿជាក់ថា AI ពិតជាមានភាពឆ្លាតវៃទូទៅពិតប្រាកដ?


