Matthew Berman 最近采访了 OpenAI Codex 负责人 Tibo，整期大概 44 分钟，主要聊 Codex、Agent、下一代模型，以及 OpenAI 接下来的产品方向。

Tibo 这次访谈里透露的信息比我预想的多很多。

ChatGPT 和 Codex 最终会合并成同一个 personal AGI。Ultra Fast 这种速度可能 1～2 年后就会接近默认，未来的 Agent 也会越来越依赖 cloud，一台 laptop 的资源已经开始成为限制。

更有意思的是，现在这些需要手动维护 skills、memory、sub-agent 的复杂工作流，在 Tibo 看来都还很早期。

他描述的目标是让 Agent 长期理解你、你的目标、每天在做什么，甚至理解你的团队，然后主动帮你工作。

我把整期 44 分钟里比较重要的内容整理了一下：

0:45 Tibo 在 Google DeepMind 学到了什么

ChatGPT 发布大约一年前，Google 内部已经有 LM Chat。

当时的模型已经能生成连贯、甚至有帮助的内容，DeepMind 也产生了把 LM Chat 做成公开产品的想法。

Tibo 对那段经历的评价很直接，DeepMind 是一个非常有创造力的地方，但整个组织并没有很好地围绕 shipping product 运作。

到了 OpenAI，研究和产品团队会非常紧密地一起工作，从想法阶段就开始 co-design，而且整个组织有非常强的 shipping 倾向。

他现在很在意保留这种文化。

OpenAI 很 bottom-up，一个人有想法之后可以快速找人一起做，然后很快上线，对新产品想法的 stop energy 很少。

同时他也提到另一个问题。速度太快很容易让产品变成一堆互相没有关系的 feature，所以 OpenAI 现在也很强调 simplicity、performance、efficiency，以及最终产品整体的统一。

4:22 OpenAI 怎么保持这种高速文化

Tibo 给创业公司的建议其实很简单：要有 conviction，要尽早拥有真实用户，然后根据反馈快速迭代。

对于 OpenAI 这种已经很大的公司，还有一件更难的事情，就是愿意主动打乱自己已经建立起来的东西。

当新的研究、新能力出现之后，他们会重新判断资源应该放在哪里，有时候甚至会从当前主要业务里重新分配资源。

他说 AI 的未来不会等你把现在的业务慢慢经营舒服了。

而且模型能力也不是 benchmark 跑完就完全知道了。OpenAI 自己训练出新模型以后，内部还需要大量使用，才会突然发现它原来可以这样用，然后产品方向跟着发生变化。

他举了 voice 的例子。

现在新的 ChatGPT voice 足够自然，也能使用工具，他自己已经开始大量直接和 ChatGPT 说话。早上拿起手机，把今天要做的事情直接说出来，ChatGPT 有他的工具权限，然后自己开始工作。

这种模型能力的变化，会直接反过来改变产品设计。

7:23 Astra / 下一代模型和 Agent harness

这段我感觉非常值得看。

Tibo 说，现在高级 Codex 用户已经习惯了很多奇怪的复杂度。

你要维护 skill files，memory 偶尔会忘东西，使用 sub-agent 以后又要考虑 sub-agent 怎么工作，最后会构成一个越来越复杂的小网络。

OpenAI 想做的目标非常明确：

Agent 深度理解你，理解你的目标，理解你的日常工作，理解你的团队，并且可以主动行动。

你不需要天天管理这些底层结构。

另外一个问题是 laptop 本身开始成为限制。

电脑本来就是按照人类的工作速度设计的。我们能同时处理多少窗口、打字有多快、一次开多少应用，这些限制对模型没有意义。

未来的模型可能可以同时处理 100 个 application，探索方案、写 tests、compile、验证不同 hypothesis 全部并行。

所以 Tibo 明确认为，下一代模型需要的资源会超过一台 laptop，cloud agent 会越来越重要。

11:18 开发者工作流会怎么变

这里有个观点我很喜欢，OpenAI 现在非常在意人的 attention。

目前很多人用 coding agent 的方式是一次开 10 个甚至 15 个 agent，然后不断 context switch，过半小时再回来检查结果。

Ultra Fast + voice 之后，工作流会发生很大变化。

Agent 的速度可以接近甚至超过你思考和表达的速度，你可以保持在同一个 flow 里，边说想法，边看 prototype，边让它生成 report，然后继续修改。

Tibo 把 Agent 方向分成两类。

一类是 personal AGI。

它非常了解你，和你一起工作，主动提出重要信息，而且覆盖 coding、research、advice 等各种任务。

另一类是 full automation。

比如自动看 production logs，发现性能问题以后自己优化；发现 regression 后自己 patch；安全 scanner 找到 vulnerability 后自动修复，把漏洞暴露窗口压到接近 0。

人在里面可能只需要批准 high-risk action。

14:27 ChatGPT 和 Codex 为什么一定要合并

这一段基本把 OpenAI 的产品终点讲明白了。

Tibo 说，他们一开始收到很多反馈：为什么一定要把 ChatGPT 和 Codex 合并？

他的回答是 future models want us to be merged。

因为未来底层就是同一种技术，同一个 harness，同一个高度 multimodal、voice-first、非常高效的 Agent。

它天然就能 coding，也天然能做其他事情。

OpenAI 最终想做的是一个 personal AGI，然后 interface 根据每个人自己适应。

程序员、设计师、PM、普通用户这些身份只是人类为了理解复杂现实创造出来的分类。每个人实际需要的能力都不同。

主持人问，那最后会不会真的只剩一个 interface？

Tibo 直接说，是的。

你和你妈妈未来用的是同一个东西。

连接的工具不同、做的事情不同、看到的界面和得到的能力也不同，但底层就是同一个 personal AGI。

他还提到了更 ambient 的交互。未来你在办公室白板上写东西，AI 可以看到；你直接对它说话，它理解你正在指什么。Vision、voice、人的语气、动作这些信息都会逐渐进入交互。

20:25 OpenAI vs Anthropic

Codex 已经到 2000 万用户了。

主持人专门问了一次 Anthropic，因为前一段时间 Anthropic 在 coding agent 上存在感非常强。

Tibo 的态度倒是挺 OpenAI 的，他说自己很少看竞争对手。

他现在关注的是模型能力、模型效率，以及怎么把这些能力交给尽可能多的人。

他认为 OpenAI 很重要的一点是 community 和 broad access。

Codex 合并进 ChatGPT 也是这个思路，把 coding agent 能力迅速分发给 PM、designer、sales、marketing 等大量原本不会专门去使用 coding product 的人。

他也明确提到，这次合并是 Codex 最近增长的重要推动力之一。

23:37 为什么 Tibo 老是给大家 reset limit

这段真的很好玩。

最开始 reset 单纯是补偿。

OpenAI 在快速迭代 Codex 的时候偶尔会把东西搞坏，或者配置出了问题，体验没有达到他们想要的水平。

Tibo 就觉得，用户这么依赖这个产品，结果我们弄坏了半小时，那就把 usage reset 掉，补回来。

然后这件事慢慢变成了社区传统。

更离谱的是，这个决定基本没有什么 marketing 或 finance 审批。

Tibo 原话大概就是：I can press the button whenever I want, whenever it feels right.

觉得该 reset，他就按。

现在甚至真的做了一个实体 reset button。

有时候产品也没坏，他们只是想庆祝某个节点，或者希望所有人都去试一下新东西，也会直接送 usage。

后面还聊到了为什么 OpenAI 有能力这么送 compute。

他们很早以前就开始大量规划计算资源，当时甚至有人质疑为什么要投这么多，现在这笔投入显然派上用场了。

同时新的 frontier model 也开始直接参与优化自己的 inference infrastructure。

比如 Soul 帮助优化 Luna 的 serving stack，Luna 价格下降了 80%。

除了成本，普通 inference 的速度相比三个月前也已经提高大约 60%，这个数字还没算 Ultra Fast。

30:25 递归自我改进已经开始出现了

主持人问，这算不算 recursive self-improvement 的早期形态？

Tibo 觉得算。

大家聊 recursive self-improvement 时通常想到的是 model 训练下一代 model。

OpenAI 现在已经大量用模型去优化支撑模型自己的 infrastructure。

包括 inference stack、CUDA kernels、serving、产品形态、cloud agents。

模型变强以后，可以帮助 OpenAI 更快改善运行模型的系统；系统变好之后，又能让模型发挥出更多能力，然后继续把这些能力投入系统本身。

Tibo 把整个东西看成 one big system。

32:00 OpenAI 为什么暂停 frontier RL

这部分 Tibo 没有透露具体安全事件的细节。

他的描述是，随着模型能力继续增加，alignment 和 safety 的重要性也在快速增加，OpenAI 因此大幅增加了这一块的投入。

那次 pause 给了团队时间去理解并 harden 整个 system，在达到一套比较明确的 safety principles 之后，再恢复训练。

主持人追问有没有一个明确的 unpause 条件。

Tibo 说 safety team 最后确实形成了一组比较清晰的 principles。

这件事在他的描述里已经属于 OpenAI 正常研究流程的一部分，需要暂停的时候，他们内部可以很快做出这种决定。

34:13 Ultra Fast 会不会变成默认速度

Ultra Fast 现在 OpenAI 内部最典型的用途其实是 incident response。

遇到 outage 时，incident commander 和 response team 会拿到 Ultra Fast，因为这种情况下每一秒都重要。

一些赶 DevDay、验证关键新 idea 的团队也会申请。

不过 14x token speed 不代表所有工作都真的快 14 倍。

大量生成代码这种 generation-heavy 的任务可以非常接近完整加速。

如果 Agent trajectory 里面有很多 tool calls，瓶颈就跑到 network、CPU 和其他 overhead 上了，实际可能只有 3x 到 4x。

OpenAI 内部也没有给所有员工无限 Ultra Fast。

因为内部自己就有能力把 production GPU 全吃光，所以他们会限制员工用量，大部分 Ultra Fast capacity 会留给外部 customers。

至于这种速度以后是不是永远属于 premium feature，Tibo 的判断很激进。

他觉得大概 1 到 2 年，这种速度可能就会接近 default。

原因也不只有 inference hardware。

模型本身的 token efficiency 也在快速提高。Soul 已经比 Terra 高效很多，他也直接说下一代模型会继续比 Soul 更高效。

当然，最上面永远还会有一个更贵、更快、愿意堆更多 hardware 的 tier。

43:20 为什么普通人也应该至少试一下 AI

Tibo 最后讲得其实挺朴素。

现在的模型能力正在快速变便宜。

Luna 这种今天已经非常小、非常便宜的模型，放到六个月前可能还处在 frontier。

他觉得这种变化会持续下去，今天昂贵的 intelligence，半年以后可能已经便宜很多，最后会变成非常普遍的资源。

至于完全没用过 AI、甚至有点害怕 AI 的人，他建议先看看身边的人到底怎么用。

写作、personal advice、health、finance，这些现在已经是很多 ChatGPT 用户每天真的在使用的东西。

他自己也会用 health，至少在去见医生以前，可以先把问题弄明白一点，让自己和医生交流时掌握更多信息。

有时候第一次理解 AI 的价值，可能真的就只是找到一个和自己生活有关的问题，然后试一次。