Codex 負責人 Tibo：OpenAI 的遞歸式自我改進，從基礎設施優化開始

在 Matthew Berman 最新一期的訪談中，OpenAI 產品負責人 Tibo 針對 Codex 的發展路線、個人 AI 智能體、模型效率提升以及遞歸式自我改進等議題，分享了他對下一波人工智慧浪潮的判斷。整場對話圍繞一個核心命題展開：人工智慧系統如何從被動的指令執行工具，轉變為能夠主動理解、規劃並持續協作的長期夥伴。Tibo 的觀點不僅勾勒出 Codex 與 ChatGPT 的整合藍圖，也揭示了 OpenAI 在追求遞歸式自我改進這項長遠目標時，所選擇的務實起點。

Tibo 在訪談中明確指出，OpenAI 目前正積極推動 ChatGPT 與 Codex 的整合，目標是打造一個能夠真正理解用戶目標、日常工作習慣與個人偏好的通用型智能體。這項整合並非單純的產品功能疊加，而是試圖讓語言理解能力與程式碼執行能力在同一個系統中深度融合。如此一來，AI 不再只能回答問題或產生片段程式碼，而是可以掌握使用者正在處理的專案脈絡、偏好的開發風格，甚至預判下一步需求。這意味著未來的 AI 不再只是被動回應指令的工具，而是能主動參與任務規劃、理解上下文脈絡，並在長時間協作中持續累積對使用者的認識。

Tibo 描述的智能體，更像是一個會記住你過去所有互動、理解你工作節奏的數位同事。當使用者說「幫我處理那個部署問題」時，系統不需要重新解釋整個架構背景；它已經知道專案結構、上次修改的檔案、常用的部署流程，甚至能主動提出可能的風險與建議。這種從「工具」到「夥伴」的轉變，背後依賴的是模型對長期記憶、上下文視窗與任務拆解能力的持續強化。Tibo 在訪談中並未深入技術細節，但從他的描述可以看出，OpenAI 對於通用型智能體的路線圖，是以實際工作場景為錨點，而不是追求虛幻的通用人工智慧口號。Codex 的定位，就是在軟體開發這個高度結構化、可驗證的領域中，率先實現這類深度協作。

談到遞歸式自我改進，Tibo 提出了一個頗為務實的觀點。他認為這項願景的起點並非抽象的演算法突破，而是從基礎設施優化開始。所謂遞歸式自我改進，指的是 AI 系統有能力改善自身的運作方式，進而提升後續改進的效率，形成正向循環。但 Tibo 認為，現階段最可行的切入點，不是讓模型重新設計自己的神經網路架構，而是讓 AI 參與自身運算資源的調度、模型訓練流程的調整與程式碼品質的提升。透過讓 AI 系統參與這些基礎設施層面的工作，OpenAI 希望逐步建立一個能自我檢視、自我修正的閉環。

舉例來說，AI 可以分析模型在推理階段的資源使用狀況，找出浪費計算的瓶頸並提出優化方案；或者在訓練管線中，自動調整資料混合比例與超參數設定，以更少的算力達到相近的表現。這些任務雖然聽起來不像「自我意識覺醒」那般戲劇化，但卻是推動整體系統效率提升的關鍵槓桿。Tibo 的判斷與當前業界對遞歸式自我改進的浪漫想像形成對比。許多討論聚焦於模型能否在概念層次上重新發明自身，但 Tibo 將視角拉回工程現實：如果一個 AI 系統連自己的 GPU 利用率或訓練腳本都無法有效優化，就更不用談更高層次的自我改造。

因此，從基礎設施著手，既能讓自我改進的成果可以被量化與驗證，也能逐步累積系統對自身運作的理解，為未來更深層的遞歸能力鋪路。他同時強調超高速模型對開發者工作方式的深遠影響。當模型回應速度大幅提升，AI 就能與人類保持同步協作，甚至在部分任務中快於人類。過去使用 AI 輔助開發時，開發者往往需要等待模型生成程式碼、測試建議或除錯分析，這種等待會打斷心流，使 AI 更像是偶爾查詢的參考工具。但當回應時間縮短到接近即時，AI 就能嵌入開發者的每一次鍵入、每一次測試、每一次重構之中。這種速度上的改變，將從根本上調整程式開發、除錯與系統維運的既有節奏。

在除錯場景中，超高速模型可以在開發者注意到異常之前，就主動比對日誌、定位可能的錯誤來源，甚至在背景中並行嘗試多種修復方案。系統維運方面，AI 可以即時監控服務狀態，在問題擴大前自動觸發對應的處理流程，而維運工程師則從反覆執行標準操作程序的工作中抽身，專注於架構演進與策略規劃。Tibo 認為，這樣的轉變能讓開發者從繁瑣的細節中解放出來，專注於更高層次的設計與決策。當機械性的實作、查找與修正都可以交由 AI 即時完成，人類工程師的價值將更集中在定義問題、評估取捨、設計系統邊界，以及做出具有創造性的技術判斷。

這並非意味著開發者會被取代，而是工作內容的比例將發生顯著位移，從大量的「打字與修補」轉向更多的「思考與決策」。回顧整場訪談，Tibo 對下一波人工智慧浪潮的判斷，是建立在一個清晰的推進邏輯之上：先透過 ChatGPT 與 Codex 的整合，讓 AI 成為能理解個人脈絡的通用型智能體；再以基礎設施優化作為遞歸式自我改進的切入點，打造可自我檢視與修正的系統；最後透過超高速回應能力，讓 AI 真正融入開發者的即時工作流程。這三條路線相互支撐，共同指向一個 AI 與人類協作密度遠高於今日的未來。

對企業與開發者而言，Tibo 的談話傳遞出一個明確訊號：與其等待遙不可及的通用人工智慧降臨，不如關注那些正在發生的、可操作的改進。當 AI 開始參與自身基礎設施的調度與優化，當模型回應快到足以跟上人類的思考節奏，工作方式的重塑就不再是願景，而是正在展開的現實。