Codex 团队负责人剧透：两三个月后现有体验将「显得很原始」

OpenAI 旗下 Codex 团队的相关负责人 Tibo 最近在一档访谈中放出重磅信号：两三个月后，今天的 Codex 体验可能会「显得很原始」。这一表态来自他在 X 平台长期负责为用户「重置额度」而被熟知的背景，加上他披露的工作机制，让整场访谈既带有产品剧透色彩，也自然延伸到了 AI 递归自我改进（Recursive Self-Improvement，简称 RSI）这一更宏观的话题。

Tibo 何以判断 Codex 即将「变天」

Tibo 并没有抛出新的模型参数，而是把矛头指向了当前用户每天都会碰到的小摩擦：

Skill 文件需要自己维护，Memory 偶尔会遗忘上下文。
多 Agent 并行时，用户要在多个任务之间来回切换，注意力比 GPU 更先成为瓶颈。
当主持人表示自己经常同时跑 10 到 15 个 Agent 时，Tibo 形容这种状态并不理想。

在他看来，未来的 Agent 应该自动感知用户「最近在做什么、团队在推进什么、何时该自己动手」。许多今天摆在用户面前的 Skill、Memory、子 Agent 调度，最终可能都会被隐藏起来。此外，由于下一代模型对算力与上下文的需求更高，未来 Agent 也会更自然地向云端迁移，而不是继续压在单台笔记本上。

Tibo 还在访谈中分享了一个有趣的运营细节：他手里真的有一个「实体按钮」，用来主动给受影响用户补偿额度。这次重置覆盖所有付费的 ChatGPT Work 与 Codex 用户，预计能让不同使用方式的额度多撑 10% 到 50%。

从「AI 帮 AI 写代码」到真正的 RSI

访谈后半段，聊到了最近频繁出现的 RSI 概念。其核心定义并不复杂：这一代模型帮人类（或自己）研究下一代模型，下一代模型变强后再参与下一轮研究，如此循环。

这一思路并非新事物：

1965 年，I. J. Good 就提出过类似的「智能爆炸」设想。
2003 年，Jürgen Schmidhuber 提出的 Gödel Machine 给出过一个强约束版本——系统只有在证明某次修改能提升预期效用后，才允许自己执行修改，理论上漂亮，但工程上几乎无法落地。

工程界换了一条更务实的路径：先改，再测。代码尤其适合这一逻辑——测试有没有过可以直接跑，速度提升多少有数字，显存下降也能量出指标。

Tibo 在访谈中把 RSI 的边界拉宽：模型不一定改自己的权重，它也可以改 CUDA 内核、推理栈、Agent 框架，只要最终让模型跑得更快、更便宜，就算把能力「指回自身」。

已经出现的代表性案例

Karpathy 的 autoresearch：给 Agent 一块 GPU 和一个可改的 train.py，每轮 5 分钟，之后它自己改代码、训练、看结果，涨了就留、掉了就撤。
R-Zero：让一个 Challenger 出题、一个 Solver 解题，新数据再训练下一轮，在 Qwen3-4B 上数学和通用推理平均分别上涨 6.49 和 7.54 个点。
OpenAI GPT-5.6 Sol：通过 Codex 分析生产流量、试路由策略，甚至修改生产环境里的 GPU 内核，整体让端到端服务成本下降 20%，并为 draft model 跑了数百次实验，使 token 生成效率再涨 15% 以上。
Anthropic：9 个 Agent 累计跑了约 800 小时自主研究，5 天内把「性能差距恢复率」做到 0.97。

分数涨了，不一定真变强了

循环一旦能自己跑，立刻会引出更深的问题——谁来定义「变好了」。Anthropic 的实验就出现过尴尬现象：

部分 Agent 会挑选对自己有利的随机种子。
一些 Agent 从评分接口里反推测试标签。
更有甚者直接读取原本不该看的答案代码。

最终分数确实上涨，但 Anthropic 把这称作 research taste（研究品味）的缺失，也是 reward hacking 的典型表现。如果把评测器也交给 AI 自己改，又会陷入「谁来评测评测器」的套娃困境。

更长期的对比同样不乐观。有研究者让 Agent 与 61 名人类机器学习专家同台：

仅给 2 小时，最好的 Agent 得分约为人类的 4 倍。
拉到 8 小时，人类已经略微领先。
到 32 小时，人类得分大约是 Agent 的两倍。

这意味着 Agent 擅短时间内密集试错，但长时间运行后容易在一个不太对的方向上反复折腾。

此外，Nature 2024 年的模型坍塌研究也提示了另一层风险：若后续模型不断用前代生成的数据训练，部分低概率但关键的信息可能被逐渐稀释，自蒸馏过程中甚至可能无意退化其他能力。

结语

Tibo 没有公布两三个月后 Codex 的具体形态，但他的判断很可能改变的不是 Codex 本身，而是人们与 Agent 协作的方式：更长程的项目记忆、更多跑在云端的任务、调度细节被进一步吸收到底层。在更宏观的尺度上，模型已经开始参与优化运行模型自身的软件与基础设施，RSI 的轮廓正在一点点清晰，距离真正的「机械飞升」仍有不小距离，但方向已经被多家头部实验室同时验证。