Jensen Huang: ”AGI har kommit” – men GPT-6 Astra är inte vetenskapligt bekräftad som AGI

Jensen Huangs besked om att ”AGI har kommit” bör läsas som en offensiv tolkning av AI-utvecklingen – och som ett argument för datorkraft i Nvidias skala. Det är inte samma sak som att GPT-6 Astra har slagits fast vara artificiell generell intelligens (AGI) enligt en allmänt vedertagen vetenskaplig standard.

Hans resonemang bygger på två saker: Astras rapporterat mycket starka resultat på tester inom bland annat matematik, abstrakt problemlösning och agentarbete, samt den Nvidia-infrastruktur som han säger låg bakom träningen. Det är viktiga påståenden, men de utgör inte någon universellt accepterad AGI-certifiering.

Vad Huang faktiskt sade

I sitt inlägg där han gratulerade OpenAI skrev Huang att GPT-6 Astra tränats på ”~100K+ NVIDIA Grace Blackwell NVLink72”, att modellen är ledande på FrontierMath Tier 4, ARC-AGI-3 och TerminalBench-4.0 – och att ”400K GPUs” ska tas i drift härnäst. Han beskrev utvecklingen från ChatGPT via o1 till Astra som en resa på fyra år och avslutade med: ”AGI has arrived.” 13

Det innehåller två separata budskap:

• Ett kapacitetspåstående: Astra presterar starkt inom avancerad matematik, abstrakt resonemang, programmering och arbetsflöden där modellen använder datorverktyg.
• Ett skalpåstående: Mycket stora Nvidia-system är centrala för att nå den nivån, och ytterligare kapacitet väntas driva nästa steg.

Formuleringen ”~100K+ NVIDIA Grace Blackwell NVLink72” ska inte förenklas till en exakt siffra för det totala antalet GPU:er. Inlägget anger inte systemkonfiguration, träningstid, nyttjandegrad eller total beräkningsmängd – uppgifter som skulle krävas för att oberoende kunna granska träningspåståendet. Rapporter om att en tidigare hänvisning till 300 000 GPU:er ändrades har inte följts av någon offentlig förklaring från Huang eller Nvidia. 5

Resultaten är anmärkningsvärda – men benchmarktester är inget AGI-prov

OpenAI beskriver GPT-6 Astra som sin mest kapabla modell för svåra uppgifter från början till slut, exempelvis resonemang, kodning, datoranvändning, research, webbsökning och dokumentskapande. Företagets utvecklarmaterial betonar att modellen kan driva flerstegsuppgifter från en instruktion till ett färdigt resultat med den kontext och de verktyg användaren tillhandahåller. 1718

Enligt OpenAIs lanseringsmaterial nådde Astra:

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

Siffrorna pekar på ett stort framsteg. FrontierMath Tier 4 beskrivs som en krävande utvärdering i matematik. ARC-AGI-3 mäter abstrakt resonemang genom pusselspel i två dimensioner, medan Terminal-Bench prövar agenters förmåga att utföra arbete i terminal- och kommandoradsmiljöer. Tillsammans täcker testerna fler områden än en enda snäv uppgift. 2326

Men höga poäng på flera utvärderingar bevisar inte automatiskt att ett system pålitligt kan hantera hela bredden av mänskligt intellektuellt arbete i nya, stökiga eller riskfyllda verkliga situationer. De avgör heller inte hur väl modellen klarar långsiktig autonomi, förändrade förutsättningar eller hur mycket mänsklig övervakning som krävs vid faktisk användning.

Den mest träffsäkra slutsatsen är därför inte att ”benchmarks bevisar AGI”, utan att Astras rapporterade resultat stärker bilden av att frontmodeller kan utföra breda, komplexa och verktygsstödda arbetsuppgifter.

OpenAI gör inte samma AGI-påstående

OpenAI använder en betydligt mer konkret formulering. Företaget kallar Astra sin ”mest kapabla modell” och placerar den som flaggskepp för komplexa resonemangs- och koduppgifter. Dokumentationen listar funktioner, webbsökning, filsökning och datoranvändning som verktyg och anger ett kontextfönster på 1,05 miljoner token. 1821

OpenAI uppger också att Astra är företagets första brett distribuerade modell som når nivån Critical för cybersäkerhetskapacitet enligt dess Preparedness Framework. 28

Det är betydelsefulla påståenden om kapacitet och säkerhet. Men OpenAI säger inte att Astra är AGI. Skillnaden är väsentlig: att beskriva mätbara förmågor är något annat än att deklarera att en omstridd konceptuell tröskel har passerats.

Huangs AGI-retorik har blivit tydligare

Huang har länge kopplat tidslinjen för AGI till hur begreppet definieras. År 2024 sade han att AI skulle kunna nå AGI inom fem år, men reserverade sig för just definitionen. 50

I mars 2026 sade han: ”I think we’ve achieved AGI”, i en diskussion om huruvida AI kan bygga och driva ett miljardbolag. 61 I slutet av augusti sade han att Nvidia ”för många uppgifter” skulle kunna sägas ha nått AGI, samtidigt som han kallade sådana milstolpar ”meningslösa”. 54

Uttalandet om Astra är alltså en del av ett mönster. Huang använder AGI i en praktisk och uppgiftsorienterad mening: ett system kan enligt den synen passera gränsen när det klarar ett tillräckligt brett urval av ekonomiskt värdefulla tankearbeten på hög nivå. Det är en möjlig användning av ordet, men inte en gemensam vetenskaplig standard.

Därför är AGI-domen fortfarande omstridd

Kärnproblemet är definitionen. Även personer som väntar sig mycket kraftfull AI inom kort är oense om AGI är en användbar eller tydligt avgränsad etikett. Anthropics vd Dario Amodei har kallat AGI för en ”marknadsföringsterm” snarare än en klart definierad tröskel. 47

Google DeepMinds vd Demis Hassabis har intagit en försiktigare hållning. Han har sagt att mänsklig AGI fortfarande saknar ”viktiga ingredienser” och uppskattat att den kan ligga fem till tio år bort. 34

Kritiken mot Huangs besked handlar i grunden om samma sak: utmärkta benchmarkresultat är inte liktydiga med bevis för tillförlitlig, generell handlingsförmåga. En modell kan vara mycket stark i strukturerade tester och ändå misslyckas när mål är otydliga, miljöer förändras, information saknas eller en uppgift måste genomföras i verkligheten.

Ett starkare AGI-fall skulle kräva reproducerbar och oberoende evidens från många typer av nya uppgifter, tillsammans med tydlig dokumentation om tillförlitlighet, begränsningar, behov av övervakning och kända felsätt.

Nvidias ekonomiska intresse är relevant sammanhang

Huangs syn kan inte helt skiljas från Nvidias ställning i AI-ekonomin. Hans Astra-inlägg kombinerade AGI-deklarationen med en direkt hyllning av Nvidias senaste system och en prognos om mer GPU-kapacitet på väg. 13

Det betyder inte att kapacitetspåståendena är felaktiga. Men Huang är inte en oberoende utvärderare: ökad efterfrågan på träning och drift av avancerade AI-modeller gynnar direkt Nvidias datacenterverksamhet.

Nvidia har dessutom en finansiell relation till OpenAI. I september 2025 meddelade bolagen planer på att Nvidia skulle kunna investera upp till 100 miljarder dollar medan OpenAI byggde ut datacenter baserade på Nvidias system. 62 I mars 2026 sade Huang att möjligheten på 100 miljarder dollar sannolikt inte längre fanns, eftersom OpenAI väntades börsnoteras. Reuters rapporterade då att Nvidia hade slutfört en investering på 30 miljarder dollar. 49

Det kommersiella och finansiella samspelet är skäl att granska retoriken noga – inte skäl att avfärda Astras rapporterade framsteg.

Slutsats

När Huang säger att ”AGI har kommit” menar han att GPT-6 Astra, enligt hans praktiska definition, har passerat AGI-gränsen genom att förena starka förmågor inom resonemang, kodning, research, webbsökning och datoranvändning – i en skala som möjliggjorts av mycket stor Nvidia-infrastruktur.

Det tillgängliga underlaget stöder en snävare slutsats: Astra framstår som ett betydande steg framåt för bred, verktygsanvändande AI och har mycket starka rapporterade resultat på flera krävande tester. 23 Men OpenAI har inte utropat AGI, det finns ingen universellt accepterad vetenskaplig definition eller bekräftelsemetod, och benchmarkframgångar ensamma visar inte robust, pålitlig generell intelligens i alla verkliga miljöer.

”AGI har kommit” bör därför främst ses som Huangs betydelsefulla tolkning av en stor modellrelease – inte som ett faktum som AI-fältet slutgiltigt har fastställt.