Jensen Huang kalder GPT-6 Astra for AGI: Det er det, han egentlig mener

Jensen Huang mener ikke nødvendigvis, at GPT-6 Astra er blevet videnskabeligt bevist som menneskelignende generel intelligens. Når Nvidias topchef skriver, at »AGI er her«, er det snarere en markant, praktisk vurdering: Astra er efter hans syn blevet stærk nok på tværs af ræsonnement, kodning, research og computerbrug til at krydse hans tærskel for AGI – kunstig generel intelligens.

Det er en vigtig vurdering fra chefen for den virksomhed, hvis hardware driver en stor del af AI-kapløbet. Men det er ikke en fælles videnskabelig konklusion.

Det var dette, Huang faktisk påstod

I sit opslag, der lykønskede OpenAI, skrev Huang, at GPT-6 Astra var trænet på »~100K+ NVIDIA Grace Blackwell NVLink72«. Han fremhævede modellen som førende på FrontierMath Tier 4, ARC-AGI-3 og TerminalBench-4.0 og tilføjede: »400K GPUs coming online next.« Han beskrev samtidig rejsen fra ChatGPT til o1 og Astra som fire år – og konkluderede: »AGI has arrived.« 13

Opslaget rummer to separate budskaber:

• Et budskab om evner: Astra klarer sig angiveligt meget stærkt i avanceret matematik, abstrakt ræsonnement, programmering og arbejdsgange, hvor modellen bruger en computer.
• Et budskab om skala: Huang fremstiller meget store Nvidia-systemer som en central forudsætning for fremskridtet – og de næste 400.000 GPU'er som grundlag for det, der kommer efter.

Formuleringen »~100K+ NVIDIA Grace Blackwell NVLink72« må dog ikke uden videre omsættes til et præcist antal GPU'er. Opslaget oplyser ikke systemkonfiguration, træningsvarighed, udnyttelsesgrad eller samlet træningscompute, så påstanden kan ikke efterprøves uafhængigt. Beretninger om, at en tidligere henvisning til 300.000 GPU'er blev ændret, er heller ikke fulgt af en offentlig forklaring fra Huang eller Nvidia. 5

Resultaterne er opsigtsvækkende – men benchmarks er ikke et AGI-certifikat

OpenAI kalder GPT-6 Astra sin mest kapable model til vanskeligt arbejde fra ende til anden, herunder ræsonnement, kodning, computerbrug, research, browsing og dokumentproduktion. Ifølge udviklermaterialet kan modellen føre flertrinsopgaver fra en forespørgsel til et færdigt resultat ved at bruge den kontekst og de værktøjer, brugeren stiller til rådighed. 1718

OpenAI oplyser blandt andet disse resultater:

• 98 % på FrontierMath Tier 4
• 99,9 % på ARC-AGI-3
• 57,9 % på Terminal-Bench 4.0 23

Det peger på et markant spring. FrontierMath Tier 4 er en krævende matematikmåling, ARC-AGI-3 handler om abstrakt ræsonnement i 2D-puslespil, og Terminal-Bench måler, hvordan en agent klarer kommandolinje- og terminalopgaver. Det er altså målinger på tværs af flere forskellige opgavetyper. 2326

Men høje resultater på et udvalg af evalueringer beviser ikke automatisk, at et system stabilt kan løse hele spektret af menneskeligt intellektuelt arbejde – særligt ikke i ukendte, rodede eller kritiske situationer. Resultaterne afgør heller ikke, hvor robust modellen er, når forholdene ændrer sig, hvor godt den kan arbejde selvstændigt over lang tid, eller hvor meget menneskeligt tilsyn der fortsat er nødvendigt.

Den mest præcise læsning er derfor ikke, at benchmarkene beviser AGI. Den er, at Astas rapporterede resultater styrker argumentet for, at frontmodeller kan udføre bredt, komplekst og værktøjsunderstøttet arbejde.

OpenAI siger ikke selv, at Astra er AGI

OpenAIs formuleringer er væsentligt mere konkrete end Huangs. Selskabet kalder Astra sin »mest kapable model« og sit flagskib til komplekst ræsonnement og kodning. Dokumentationen angiver værktøjer som funktioner, websøgning, filsøgning og computerbrug samt et kontekstvindue på 1,05 millioner tokens. 1821

OpenAI oplyser også, at Astra er den første bredt udrullede model, som når selskabets Critical-niveau for cybersikkerhedskapacitet under dets Preparedness Framework. 28

Det er betydelige påstande om både kapacitet og sikkerhed. Men OpenAI erklærer ikke, at Astra er AGI. Forskellen er central: Det er én ting at beskrive målte evner; noget andet at fastslå, at en omdiskuteret teoretisk grænse er passeret.

Huang er blevet mere kontant om AGI

Huang har længe knyttet sine AGI-forudsigelser til, hvordan man definerer ordet. I 2024 sagde han, at AI muligvis kunne nå AGI inden for fem år – med det forbehold, at det afhang af definitionen. 50

I marts 2026 sagde han: »I think we've achieved AGI« i en samtale om, hvorvidt AI kunne bygge og drive en virksomhed til en værdi af en milliard dollar. 61 Sidst i august sagde han, at Nvidia »for many tasks« kunne hævde at have nået AGI, men omtalte samtidig sådanne milepæle som »senseless«. 54

Astra-udmeldingen passer derfor ind i et tydeligt mønster. Huang bruger AGI i en praktisk og opgaveorienteret betydning: Hvis et AI-system kan udføre et tilstrækkeligt bredt udsnit af økonomisk værdifulde kognitive opgaver på højt niveau, kan det efter hans målestok kaldes AGI. Det er en mulig brug af begrebet – men ikke en fælles videnskabelig standard.

Derfor er AGI-dommen stadig omstridt

Kernen i debatten er, at AGI ikke har en fast, universelt accepteret definition. Anthropic-chefen Dario Amodei har eksempelvis kaldt AGI et »marketing term« frem for en klart defineret tærskel. 47

Google DeepMinds topchef Demis Hassabis har indtaget en mere forsigtig position. Han siger, at menneskeniveau-AGI stadig mangler »ingredienser«, og har vurderet, at der kan være fem til ti år til. 34

Kritikken af Huangs udmelding peger på det samme: Fremragende benchmarkresultater er ikke nødvendigvis det samme som pålidelig, generel handlekraft. En model kan være stærk i strukturerede tests og stadig fejle, når mål er uklare, omgivelserne forandrer sig, information mangler, eller en opgave skal føres ud i den virkelige verden.

Et mere overbevisende AGI-argument ville kræve reproducerbar og uafhængig dokumentation på tværs af mange nye opgaver – samt tydelig information om systemets pålidelighed, begrænsninger, fejlmønstre og behov for menneskelig kontrol.

Nvidia har en klar økonomisk interesse

Huangs syn kan ikke helt adskilles fra Nvidias rolle i AI-økonomien. Hans Astra-opslag parrede AGI-erklæringen med en direkte fremhævelse af Nvidias nyeste systemer og udsigten til mere GPU-kapacitet. 13

Det gør ikke hans påstande om modelkapacitet usande. Men Huang er ikke en uafhængig evaluator: Større efterspørgsel efter træning og drift af frontmodeller gavner direkte Nvidias datacenterforretning.

Nvidia har desuden et finansielt forhold til OpenAI. I september 2025 annoncerede virksomhederne planer om, at Nvidia kunne investere op til 100 mia. dollar, mens OpenAI udbyggede datacentre baseret på Nvidia-systemer. 62 I marts 2026 sagde Huang, at muligheden for de 100 mia. dollar formentlig ikke længere var aktuel, fordi OpenAI forventedes at gå på børsen. Reuters skrev samtidig, at Nvidia havde færdiggjort en investering på 30 mia. dollar. 49

Den kommercielle og finansielle sammenfletning er en grund til at læse retorikken kritisk – ikke en grund til at afvise Astras rapporterede fremskridt.

Bundlinjen

Når Jensen Huang siger, at »AGI er her«, betyder det, at GPT-6 Astra efter hans praktiske definition har passeret AGI-grænsen: Modellen kombinerer stærkt ræsonnement, kodning, research, browsing og computerbrug i en skala, som ifølge ham er muliggjort af enorm Nvidia-infrastruktur.

Det tilgængelige materiale understøtter en mere snæver konklusion. Astra ligner et væsentligt fremskridt for bred, værktøjsanvendende AI og har meget stærke, rapporterede resultater på flere krævende benchmarks. 23 Men OpenAI har ikke erklæret AGI, der findes hverken en fælles definition eller en universelt accepteret bekræftelsesprocedure, og benchmarks alene dokumenterer ikke robust, pålidelig generel intelligens i alle virkelige situationer.

»AGI er her« bør derfor læses som Huangs betydningsfulde fortolkning af en stor modeludgivelse – ikke som en kendsgerning, AI-feltet endeligt har fastslået.