2026年9月4日、3つの出来事が同時に発生した。OpenAIがGPT-6 Astraを発表し、OpenAI、Claude、Grokの主要3社によるAIモデルサービスがほぼ同一の時間帯に一斉ダウンした。さらに同日、ARC PrizeはARC-AGI-3の公式評価を公開し、Astraのベンチマークスコアを発表した。Hacker News（HN）ではAstraの発表スレッドが1,091ポイントと802件のコメントを集め、障害報告スレッドも107ポイントと39件のコメントを記録した。わずか1日のうちに、重要発表、複数サービスの同時崩壊、そしてベンチマークの採点論争が重なった。これら3つの出来事は、1つの本質的な課題を浮き彫りにしている。モデル能力をめぐるナラティブが急速に膨張を続ける一方で、それを支えるべきインフラと評価基準は、まったく追いついていないという事実である。
3社が同時にダウン、原因を誰も説明できない
OpenAI、Anthropic（Claude）、xAI（Grok）の3大モデルサービスが、GPT-6 Astra発表と重なる時間帯に相次いで障害に見舞われた。HNの「Ask HN」スレッドには107ポイントと39件のコメントが集まったものの、コメント欄でも決定的な原因は特定されなかった。OpenAIの発表に伴うトラフィック急増が上流の共通プロバイダーに波及したのではないかと疑う声もあれば、共有インフラノードの障害を疑う意見や、単なる偶然の一致にすぎないとする見方もあった。
競合する主要3社が同時にダウンしたという事実は、何を物語っているのか。少なくとも明白なのは、トップクラスのモデルサービスを支えるインフラが、外部の想像以上に脆弱であるということだ。トラフィックの急増と運用の負荷が重なったとき、エンジニアリング上の余力（リダンダンシー）はユーザーが考えるよりもはるかに小さい。リリースのペースが過密化するにつれて、インフラチームにかかる負荷も比例して跳ね上がっている。
ARC-AGI-3は半年で飽和、モデルの進化に追いつかない評価の「ものさし」
ARC Prizeは同日、ARC-AGI-3におけるGPT-6 Astraの公式ベンチマーク結果を公表した。ARC-AGIの開発者であるFrançois Chollet氏は以前、「ARC-AGI-3はいつ頃飽和すると思うか」と問われ、「およそ1年」という見通しを示していた。しかし、それはわずか6か月前の発言だった。Astraの評価結果の公開にあたり、Chollet氏は次のように率直に認めた。「Astraが示した進歩は、私の予想の2倍速かった。」
図：ARC-AGI-3リーダーボードにおけるGPT-6 Astraの成績。出典：ARC Prize Blog
ARC-AGIシリーズの本来の目的は、固定データセットでスコアを競う従来のベンチマークとは一線を画し、「真の汎用知能」を測定することにあった。しかし、設計者本人ですらモデルの進化速度を過小評価しており、評価基準が攻略されるペースは予測をはるかに上回った。ものさしで測り終える前に、ものさし自体の長さが足りなくなってしまったのだ。
1つのランキングに2つの基準
Astraの評価公開と同時に、ARCのスコアボードではいささか気まずい状況が生じていた。GPT-5.6 Solは公式リーダーボード上では7.8%と表示されているが、ARC自身の解説ドキュメントには「responses API harnessを用いた推定では、Solは約30%に達する」と明記されていた。まったく同じモデルでありながら、評価ハーネス（harness）を切り替えるだけで、スコアに4倍近い開きが生じたのである。
この乖離は、リーダーボード全体の比較可能性に疑問を投げかけることになった。ハーネスの違いによってこれほど極端な差が生じるのであれば、ランキングが示しているのはモデル本来の能力なのか、それとも評価用ハーネスの相性にすぎないのか。ARC Prize側は標準化には単一のハーネスが必要であると弁明したが、コミュニティ側の反論も的を射ている。自ら30%という数値を推定していながら、なぜランキング上には7.8%を掲載し続けるのか。どちらの主張にも一理あるとはいえ、相反する2つの基準が併記された状態は、誰の目にも不自然に映る。
図：ARC-AGI-3における各モデルのアクションと効率（efficiency）の比較。出典：ARC Prize Blog
AGIの定義は薄められているのか、それとも前進しているのか
GPT-6 Astraの発表後、コミュニティでは対照的な2つの反応が見られた。一方では、LessWrong上でAstraのリカレント（recurrent）アーキテクチャを分析する技術的な議論（19ポイント）が盛り上がり、このアーキテクチャが長距離推論にもたらす実質的な恩恵について検証が行われた。他方で、HNのコメント欄からは鋭い批判も上がった。「AGI」という言葉がSam Altman氏によるIPO向けのマーケティングトークに形骸化しつつあるのではないか、という指摘だ。新しいモデルが出るたびに「AGIに一歩近づいた」と喧伝されるものの、「AGI」自体の定義は一度として固定されたことがない。
どちらの視点も事実に根ざしている。Astraのリカレントアーキテクチャはエンジニアリングの確かな前進を示しており、Chollet氏が予想以上の進歩を認めたことも有力な証拠である。しかし、「進歩が速い」ことと「AGIに近づいている」ことの間には、決定的な変数が横たわっている。それは「AGIをどう定義するか」という点だ。現状では、そのゴールポストはモデルをリリースする側によって一方的に動かされている。測定基準そのものが目まぐるしく変化する中で、「真の進歩」と「定義の再調整」の境界線は曖昧になりつつある。
能力の競争が、測定能力を追い越した日
GPT-6 Astraの発表当日に起きた3つの出来事は、個別に見ればそれぞれの直接的原因が存在する。しかし全体を俯瞰すると、すべては1つの構造的問題へと帰着する。モデル発表の頻度と誇大化する宣伝が加速する一方で、インフラの安定性、評価基準の一貫性、そして「知能」という概念自体の定義は、常に後手を踏んでいる。Chollet氏が6か月前に見積もった「1年」は、わずか半年に縮まった。ランキング上には7.8%と30%が並立し、数値への信頼性は揺らいでいる。そして主要3社が同時にサービス障害を起こし、運用の信頼性の限界が露呈した。
能力に関するナラティブが膨張するスピードは、それを客観的に検証する能力のスピードを完全に追い越してしまった。次のフロンティアモデルが発表されるとき、ランキングに掲げられたものさしが果たして機能しているのかどうかは、モデル自身のスコア以上に注視すべき問題かもしれない。
参考リンク：
- ARC Prize Blog
- OpenAI
- LessWrong
- HN 議論 (item?id=49554643)
- HN 議論 (item?id=49555691)
