OpenAI Codex負責人Tibo Sottiaux近日接受科技博主Matthew Berman專訪時明確表示，Codex已深度併入ChatGPT產品體系，原本面向開發者的程式設計能力正逐步向全體使用者開放。但他強調，這只是第一步。Tibo描繪的終局是：未來所有複雜的底層架構都將被徹底隱藏，最終只剩下一個極其極簡、深度理解使用者、並能瞬間調動海量雲端算力的“個人通用智慧”（Personal AGI）。

Tibo在訪談中首先釐清了一個普遍誤解——Codex與ChatGPT的整合並非未來規劃，而是已經發生的現實。他將這一融合的必然性歸結於模型能力本身的演進邏輯：未來的模型天然具備程式設計、搜尋、調研、工具呼叫、語音與視覺理解等能力，這些功能最終將構建在同一套智慧體框架（Agent Harness）之上。在此背景下，人為區分“程式設計師用Codex”與“普通使用者用ChatGPT”將失去意義。Tibo描述的終局是一個Personal AGI：程式設計師、設計師、產品經理、銷售人員乃至完全不懂程式設計的普通使用者，呼叫的是同一套底層AI。系統根據使用者身份、所連線的工作工具及許可權，自動呈現差異化的互動介面——程式設計師看到的是深度定製的開發環境，銷售看到的是郵件與客戶資料儀表盤，普通使用者看到的依然是簡潔的對話方塊。

Tibo對下一代智慧體系統的判斷是此次訪談中資訊密度最高的部分之一。他指出，當前許多高階Codex使用者手動維護技能配置檔案（Skills）、記憶上下文（Memory）與子智慧體（Sub-agent）編排網路，在OpenAI看來仍屬極早期的過渡形態。技能檔案日積月累難以維護，記憶頻繁丟失上下文，多個Sub-agent協同工作時的排程問題更容易打斷使用者體驗。Tibo的核心判斷是：模型能力越強，使用者就越不應該直接介入管理Agent本身。理想的Agent應長期、深度理解使用者——知曉其目標、日常工作流、個人習慣乃至團隊進度，並自主決定呼叫何種技能、保留何種關鍵資訊、是否在後台啟動其他Agent。這一演進方向的本質是：底層架構可以極度複雜，但暴露給使用者的介面必須持續趨簡。

Tibo提出了一個反直覺的判斷：未來制約Agent能力發揮的瓶頸，將是使用者手邊的個人電腦。他的論據是，現有PC的硬體設計完全以人類工作速度為基準——人一次只能操作有限數量的視窗與應用，處理速度存在明顯的生理上限。但模型不受這些限制約束。他舉例稱，未來一個雲端模型可能同時併發處理100個應用，在同一時間內探索多套解決方案、編寫測試用例、編譯程式碼、驗證假設，並並行排程多個子Agent工作。在這一併髮量級下，即便是頂配MacBook也無法承載對應的工作負載。Tibo因此明確表示，雲端智慧體（Cloud Agent）將成為主流範式：使用者終端只是輕量互動入口，真正執行任務的是背後的雲端計算叢集。這意味著Agent的終局不是“本地更強的軟體”，而是“雲端隨時待命的算力團隊”。

在推理速度方面，Tibo給出了一個頗為激進的預測。Ultra Fast模式目前最高可實現約14倍的生成速度提升。Tibo預計，大約1至2年內，這一速度將逐漸接近行業預設體驗。他同時補充了重要的適用邊界：對於純程式碼或文本生成任務，加速效果顯著；若工作流中包含大量外部工具呼叫（Tool calls）及網路I/O操作，受制於網路與架構延遲，實際感知加速比約為3至4倍。更值得關注的是速度提升背後的驅動因素。Tibo表示，OpenAI的提速並非單純依賴堆疊GPU，模型本身的效率也在持續最佳化。Sol模型相比此前的Terra模型效率已大幅提升，下一代模型將在Token利用效率上進一步躍升。即便不開啟Ultra Fast，OpenAI普通基準推理速度在過去約三個月內也已提升約60%。

Tibo指出，當AI響應速度趨近甚至超越人類思考與表達速度，人機關係將發生質變。他觀察到，當前許多重度Agent使用者的工作模式是同時開啟10至15個Agent視窗，將任務依次投入後輪流巡查進度，實際上成了疲於奔命的“AI專案經理”。這一模式的核心問題在於頻繁的注意力切換。Tibo表示，OpenAI目前高度重視對使用者注意力的保護與管理。他描述了Ultra Fast與語音互動疊加後的理想場景：使用者隨口說出構思，AI瞬間生成原型；使用者掃一眼後以語音指令調整，AI毫秒級完成修改；全程保持心流（In the flow）狀態，無需任何上下文切換。一旦AI速度與人類思考速度對齊，人機協作將從單向的“派發任務”升級為真正的即時協同。

訪談中最具技術深度的討論，指向了AI系統的自我最佳化能力。Tibo透露，OpenAI已在利用先進模型分析和最佳化現有模型的服務架構。他具體提到，Sol模型參與最佳化Luna模型的推理架構後，Luna的執行成本下降了約80%。模型正深度參與重寫CUDA核心、最佳化推理棧、重新設計系統架構等底層基建工作。當主持人追問這是否構成“遞迴自我改進”（Recursive Self-Improvement）時，Tibo的回答是肯定的——“算，這就是早期形態”。他同時校正了外界對這一概念的常見誤判：公眾慣常想象的遞迴自我改進是某一代模型突然自主寫出下一代，但現實演進更為務實。模型變強後先協助工程師最佳化底層執行系統；系統因此提速降本；算力成本下降後模型能夠承擔更海量的工作，進而繼續最佳化更復雜的架構。Tibo將其概括為“一個完整的閉環大系統”。這意味著，外界長期等待的“AI開始自主迭代”時間節點，可能永遠不會以戲劇化的方式出現——它已經在枯燥的底層架構最佳化中持續發生。

Tibo在訪談中披露，Codex使用者量已達約2000萬，與ChatGPT的深度融合是近期增長提速的主要驅動力之一。這一資料背後指向一個結構性趨勢：Codex的程式設計能力併入ChatGPT後，產品經理、設計師、財務與市場人員均可在無感知的狀態下呼叫。以資料分析為例，使用者請求ChatGPT處理5000條資料記錄，系統在後台可能自動生成並執行Python指令碼，最終將圖表結果呈現給使用者，全程無需使用者具備任何程式設計知識。Tibo的判斷是，程式碼在未來將成為AI運算元字世界的底層機器語言。所謂“Coding Agent”，最終服務的遠不止程式設計場景本身。程式設計師只是這套底層能力革命最早的體驗群體。