今回のニュースのポイント

米OpenAIは2026年9月3日（現地時間）、新たなAIモデル「GPT-6 Astra」をリリースすると発表しました。同社がこれまで広く展開したモデルの中で過去最高の能力を持つと位置付けられています。特に注目されるのがサイバーセキュリティ機能で、同社の安全枠組み（Preparedness Framework）において初めて「Critical（クリティカル）」水準に到達しました。適切なツールとアクセス権があれば、人間が毎手順を指示しなくても未知のセキュリティ欠陥を発見し、新たな悪用手法を開発できる能力を示します。一方で、内部推論の「監視可能性」が低下したことも公表されました。

本文
　米OpenAIは2026年9月3日、OpenAIがこれまで広く展開したモデルの中で最も能力が高いとする新モデル「GPT-6 Astra」をリリースすると発表しました。今回の発表で最も注目されているのは、同社が定めるリスク評価枠組み「Preparedness Framework」において、OpenAIのモデルとして初めて、サイバーセキュリティ能力が「Critical」の閾値（しきい値）に達した点です。

　「Critical」到達の具体的意味について、OpenAIは適切なツールやシステムアクセス権が与えられた場合、Astraが人間の逐次指示を必要とせず、十分に防御された多数のシステムからこれまで知られていなかったセキュリティ上の欠陥（未知の脆弱性）を発見し、新たな悪用方法を開発できる能力水準だと説明しています。

　サイバー能力のCritical到達を受け、OpenAIは運用面の防護策を強化しました。内部の開発・運用体制では、モデルの厳格な隔離、チェックポイントデータの暗号化、アクセス権限の強化、Chain of Thought（CoT：思考の過程）を含む全実行軌跡の記録・監視などを導入したとしています。外部展開においても、ツールを利用するAstraの推論すべてに対して「不整合行動（misalignment）の監視」を適用しています。

　モデル自体の安全性や耐攻撃性に関しては、前世代モデル（GPT-5.6 Sol）からの改善が報告されています。悪意ある指示で制限を外そうとする「ジェイルブレイク」への耐性が向上したほか、外部データから不正な命令を注入する「プロンプトインジェクション」に対しても、同社で最も堅牢なモデルになったとしています。社内Codexを用いた5万4000件超のシミュレーションタスク調査では、深刻度の高い不整合行動に対してつけられたフラグ数がSolの約半数に減少するなど、与えられた安全境界や権限範囲を守る能力自体は改善しています。

　一方、OpenAIはAstraの「監視可能性（monitorability）」がGPT-5.6 Solと比べて低下したことも明らかにしました。Astraは自身のCoTを制御する能力がSolより高く、問題行動を示唆する情報をCoTに含める可能性が低いとしています。OpenAIは、こうした結果がCoTの観察だけに依存しないアラインメント監査技術の重要性を示すと説明しています。

　さらに同社は、敵対的な条件下での評価実験結果も示しています。モデルに対し監視を回避するよう意図的に指示した実験環境では、評価時に戦略的に能力を低く見せる「サンドバッギング（sandbagging）」を行いながら検出を免れる能力が確認され、一部の妨害タスクで内部監視を回避する事例がありました。ただし、これらはあくまで監視回避を命令した敵対的評価環境での検証結果であり、通常の利用下でモデルが自主的に監視を欺いて行動していることを示すものではありません。また、通常の文章などに隠れた推論を埋め込む「Steganographic CoT reasoning」について、Astraでその証拠は確認されていないとしています。

　GPT-6 Astraは、OpenAIの評価でサイバーセキュリティ能力が初めてCritical水準に達した一方、ジェイルブレイクやプロンプトインジェクションへの耐性、アラインメントではGPT-5.6 Solから改善が確認されました。その一方で、CoTを利用した監視可能性は低下しており、OpenAIはCoTの観察だけに依存しないアラインメント監査技術の重要性を指摘しています。今回の発表では、モデルの能力向上とともに、高度な能力をどう安全に展開し、監視するかという課題も示されました。（編集担当：エコノミックニュース編集部／Editorial Desk: Economic News Japan）

Check

Pocket