OpenAI正在推動一場深層次的產品整合——不只是把兩款應用合二為一，而是要讓"ChatGPT"與"Codex"這兩個概念本身徹底消失，最終收斂為一個長期理解用戶、自主完成任務的個人通用智能（Personal AGI）。

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，原本面向開發者的編程能力正逐步向全體用戶開放。但他強調，這只是第一步。Tibo 描繪的終局極為震撼：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、深度理解你、並能瞬間調動海量雲端算力的「個人通用智能」（Personal AGI）。

訪談中，Tibo還披露了一系列具有市場參考價值的數據與判斷：Codex用戶量已達約2000萬；OpenAI普通推理速度在過去三個月提升約60%；Ultra Fast極速模式目前最高可實現14倍生成加速，Tibo預測1至2年內這一速度將接近行業默認水準；此外，OpenAI已通過強大模型優化底層推理架構，令旗下Luna模型運行成本下降約80%，Tibo將這一過程明確定性為遞歸自我改進（Recursive Self-Improvement）的早期形態。

以下為訪談核心觀點：

Codex 已經併入 ChatGPT，但這只是第一步。 OpenAI 的終極目標，是讓 「ChatGPT」 和 「Codex」 等產品邊界繼續淡化，最後演變為一個長期理解你的個人通用智能（Personal AGI）。

下一代模型將顛覆現有的智能體系統（Agent Harness）。 今天大家費時費力去手動維護技能（Skills）、記憶（Memory）、子智能體（Sub-agent），在 OpenAI 看來都還屬於非常早期的笨拙形態。

筆記本電腦（Laptop）很快會成為 AI 能力的物理瓶頸。 未來模型可能同時併發處理 100 個應用，大量高負載任務必然全面轉向雲端智能體（Cloud Agent）。

Ultra Fast（極速模式）在 1～2 年後可能接近默認體驗。 在不計算極速模式的前提下，OpenAI 的普通推理速度在過去三個月內也已經提升了約 60%。

模型已經開始反向優化自身的推理基礎設施。 Tibo 明確表示，利用強大模型來重寫底層系統和 CUDA 內核，已經是遞歸自我改進（Recursive Self-Improvement）的早期形態。

Codex 用戶量已達 2000 萬。 程序員只是第一批嚐鮮者，未來「寫代碼」將成為所有知識工作者（產品、設計、銷售）都能無感調用的底層能力。

Tibo在訪談中首先釐清了一個普遍的誤解——Codex與ChatGPT的整合併非未來規劃，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編程、搜索、調研、工具調用、語音與視覺理解等能力，這些功能最終將構建在同一套智能體框架（Agent Harness）之上。在此背景下，人為區分"程序員用Codex"與"普通用戶用ChatGPT"將失去意義。

Tibo描述的終局是一個Personal AGI：程序員、設計師、產品經理、銷售人員乃至完全不懂編程的普通用戶，調用的是同一套底層AI。系統根據用戶身份、所連接的工作工具及權限，自動呈現差異化的交互界面——程序員看到的是深度定製的開發環境，銷售看到的是郵件與客戶數據儀表盤，普通用戶看到的依然是簡潔的對話框。

他的表述清晰指向OpenAI的產品戰略取向：不是構建多個垂直AI應用，而是打造一個AI，讓它根據用戶是誰自動適配。

Tibo對下一代智能體系統的判斷是此次訪談中信息密度最高的部分之一。

他指出，當前許多高級Codex用戶手動維護技能配置文件（Skills）、記憶上下文（Memory）與子智能體（Sub-agent）編排網絡，在OpenAI看來仍屬極早期的過渡形態。技能文件日積月累難以維護，記憶頻繁丟失上下文，多個Sub-agent協同工作時的調度問題更容易打斷用戶體驗。

Tibo的核心判斷是：模型能力越強，用戶就越不應該直接介入管理Agent本身。理想的Agent應長期、深度理解用戶——知曉其目標、日常工作流、個人習慣乃至團隊進度，並自主決定調用何種技能、保留何種關鍵信息、是否在後台啓動其他Agent。

這一演進方向的本質是：底層架構可以極度複雜，但暴露給用戶的界面必須持續趨簡。

Tibo提出了一個反直覺的判斷：未來制約Agent能力發揮的瓶頸，將是用戶手邊的個人電腦。

他的論據是，現有PC的硬件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窗口與應用，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、編譯代碼、驗證假設，並並行調度多個子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，雲端智能體（Cloud Agent）將成為主流範式：用戶終端只是輕量交互入口，真正執行任務的是背後的雲端計算集群。這意味着Agent的終局不是"本地更強的軟件"，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默認體驗。他同時補充了重要的適用邊界：對於純代碼或文本生成任務，加速效果顯著；若工作流中包含大量外部工具調用（Tool calls）及網絡I/O操作，受制於網絡與架構延遲，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優化。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。即便不開啓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用戶的工作模式是同時開啓10至15個Agent窗口，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項目經理"。這一模式的核心問題在於頻繁的注意力切換。

Tibo表示，OpenAI目前高度重視對用戶注意力的保護與管理。他描述了Ultra Fast與語音交互疊加後的理想場景：用戶隨口說出構思，AI瞬間生成原型；用戶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"升級為真正的實時協同。

訪談中最具技術深度的討論，指向了AI系統的自我優化能力。

Tibo透露，OpenAI已在利用先進模型分析和優化現有模型的服務架構。他具體提到，Sol模型參與優化Luna模型的推理架構後，Luna的運行成本下降了約80%。模型正深度參與重寫CUDA內核、優化推理棧、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"遞歸自我改進"（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：公衆慣常想象的遞歸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優化底層運行系統；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，進而繼續優化更復雜的架構。Tibo將其概括為"一個完整的閉環大系統"。

這意味着，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優化中持續發生。

Tibo在訪談中披露，Codex用戶量已達約2000萬，與ChatGPT的深度融合是近期增長提速的主要驅動力之一。

這一數據背後指向一個結構性趨勢：Codex的編程能力併入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調用。以數據分析為例，用戶請求ChatGPT處理5000條數據記錄，系統在後台可能自動生成並運行Python腳本，最終將圖表結果呈現給用戶，全程無需用戶具備任何編程知識。

Tibo的判斷是，代碼在未來將成為AI操作數字世界的底層機器語言。所謂"Coding Agent"，最終服務的遠不止編程場景本身。程序員只是這套底層能力革命最早的體驗群體。

以下為訪談原文：

Tibo：

只要我想，只要我覺得時機合適，我隨時都可以按下那個（額度重置）按鈕。我其實不太去盯競品在做什麼，我更看重的是：我們能把什麼做得獨一無二？我們的價值觀是什麼？以及我們如何最大限度地全速朝那個方向推進？也許再過一兩年，這種極速推理速度即便不能成為行業默認標準，也會非常接近默認狀態。你看 Luna 模型的成本對吧？簡直驚人地便宜。技術總有辦法隨着時間推移變得極其高效。我們非常專注於讓儘可能多的人能夠使用它，並直接優化用戶從中獲得的實際效用。

Matthew Berman：

我聽說你們現在真的做出了一個實體的物理重置按鈕？

Tibo：

是的，確實有。等會兒我拿給你看，真的非常酷。

Matthew Berman：Tibo，

非常感謝你能來做客。

Tibo：

不客氣，很高興來到這裏。

Matthew Berman：

能和你交流我感到非常興奮。我想先從你在 Google 的那段經歷聊起。你之前在 DeepMind 團隊，在 ChatGPT 問世之前，Google 內部其實做過一個叫「LM Chat」的東西。你曾發推特說，Google 當時因為太過顧慮而不敢發布它，DeepMind 也被限制發布可能顛覆 Google 現有業務的產品。我對這件事思考了很多。在那個遠遠早於 ChatGPT 改變世界的時期，你在研發這些產品時心裏是怎麼想的？

Tibo：

是的，那是一段非常令人興奮的時光。DeepMind 是一個極富創造力的地方。我當時主要專注於加速前沿研究所需的基礎設施與產品架構。那時團隊內部顯然有一個小組在攻堅大語言模型並探索模型規模的擴展。當他們取得了相當出色的成果後，大家很自然就會去想：「嘿，能不能把它做成一個可以與之對話、並能用於各種任務的工具？」於是，類似「LM Chat」這樣的想法便順理成章地誕生了。它最初只是內部原型，但隨後大家產生了將其打造成面向公衆開放工具的雄心。

Matthew Berman：

那是哪一年？

Tibo：

大概是在 ChatGPT 發布的整整一年前左右。

Matthew Berman：

明白了。

Tibo：

不過當時我們還在做很多其他項目，這裏就不展開說了。那裏確實非常有創造力，但 DeepMind 本身的設計初衷並不是為了去發布消費級產品的。而從這個角度來說，OpenAI 是一個截然不同的地方。在 OpenAI，研究團隊與產品團隊的合作極其緊密。我們一起構思方案，協同設計許多東西。我們有着極強的「發布偏好」，而且非常渴望將產品推向公衆使用，這一點我非常喜歡。這也是吸引我來到這裏的原因——使命感、優秀的夥伴、極高的人才密度，OpenAI 真的有很多非常棒的特質。

Matthew Berman：

你在參與 LM Chat 項目時，就意識到它非常特別，或者將來會成為極其非凡的存在了嗎？

Tibo：

確實感覺非常特別。因為那算是你第一次意識到大模型能夠輸出連貫、有邏輯且真正有用的文本。最開始它可能搞笑成分多於實用價值，但漸漸地，它變得越來越有用。

Matthew Berman：

你說你經常會反思那段經歷，我很理解。我認為在很多層面上，Google 是自己絆倒了自己。你在那裏學到了哪些經驗教訓，並帶到了 OpenAI？

Tibo：

是的，正因如此我常思考這些。我會從團隊文化以及 OpenAI 自身文化的角度去審視：哪些優秀的特質需要保留，哪些錯誤絕不能犯。OpenAI 擁有一種非常自下而上、充分賦權的文化。大家可以自由提出各種創意，聚在一起迅速把產品發布出去。在推動新產品想法時，幾乎沒有任何「阻礙能量」（官僚阻力），這種氛圍既讓人振奮又充滿樂趣，一切的核心都是為了對世界產生積極影響。因此，保持這種文化對我來說至關重要。另一方面同樣重要的是避免把產品搞得一團糟。你肯定不希望產品變成一個沒有整體方向感和一致性的功能大雜燴。所以我們用追求極致的「極簡」以及對產品品質的自豪感來與之平衡。我認為 ChatGPT 的 iOS 應用是市面上體驗最好的 App 之一，我們希望保持這一點。我們在令人愉悅的體驗、卓越性能、高效率和極簡設計上投入了巨大精力。在堅守這些核心原則的同時，依然鼓勵每個人勇於嘗試新事物並迅速推向市場。

Matthew Berman：

如果要給初創企業創始人提建議，指導他們如何建立這種文化，OpenAI 內部有哪些具體、可落地的做法或機制可以供他們參考？

Tibo：

首先是要擁有堅定的信念；其次是想盡辦法儘早獲得真實用戶，並根據用戶反饋進行極其敏捷的迭代；最後則是必須具備「敢於自我顛覆」的意願。這一點對早期初創公司可能感受不深，但對於像 OpenAI 這樣規模的公司至關重要。我們不斷湧現出新的研究成果和創意，能夠準確判斷何時是重金投入的最佳時機——哪怕這意味着必須從當前的核心主力業務中抽調資源——這雖然極其困難，但卻至關重要。

Matthew Berman：

沒錯，這正是你剛纔描述 Google 時提到的問題，他們當時就無法做到自我顛覆。

Tibo：

平心而論，Google 內部有他們自己的規劃，一切都屬於某個宏大戰略的一部分。但對我個人而言，那並不是適合做這件事的地方。

Matthew Berman：

在 OpenAI 或任何一家逐漸走向成熟的公司，要維持這種快速發布產品和勇於自我顛覆的文化，是不是會變得越來越難？特別是當你手裏已經有了一隻瘋狂盈利的「現金牛」業務，而旁邊又出現了一個可能極具創新顛覆性的新事物時？

Tibo：

我們是一家極其前瞻性的公司。AI 的未來形態以及人類將如何從中受益，根本不會停下來等待你在接下來一個月或三個月內所守住的既得成果。所以必須全力以赴，保持清醒敏銳的眼光審視未來的技術走向，並找準自己的定位以精準順應浪潮。即便是對 OpenAI 自身而言，也是在訓練出模型後才逐步挖掘出其真正能力的——標準基準測試無法說明一切，我們必須親自深度體驗和測試模型，纔會恍然大悟：「原來我們還可以通過這種獨特的方式來發揮它的價值」，或者「哇，它居然能做到這個！」這時你對產品的理解就會發生質的飛躍。例如，我們啱啱推出的新版高級語音模式，與之對話體驗極其愉悅、非常自然，而且它現在還具備了直接調用工具的能力。

Matthew Berman：

是的。

Tibo：

這徹底改變了使用方式。我現在花大量時間直接跟它說話。另一項我每天都在用的功能是語音聽寫，因為聽寫質量實在太高了，效率遠超手動輸入提示詞。每天早上我坐在那裏拿着手機直接口述：「噼裏啪啦……給 ChatGPT 交代幾件今天要處理的事情」，然後它直接調用我的各種工具去執行。

Matthew Berman：

確實。

Tibo：

在擁有高水平語音模型之前，這一切都是不可想象的。這會徹底顛覆你對產品形態的固有認知。

Matthew Berman：

我們繼續聊聊新模型與新的運行框架（Harness）。幾周前你在推特上發了一條非常轟動的推文：「Codex 在兩到三個月內就會顯得很原始，我們即將經歷下一場重大演進，下一代模型需要的算力與環境遠超你的筆記本電腦所能承載的極限。」我們先從 Harness 談起，隨着模型能力變強，運行框架還有哪些領域充滿創新的空間？

Tibo：

實在太多了。除了剛纔提到的語音交互，如果你是 Codex 或其他代碼智能體的高級用戶，你會發現自己其實已經對現階段的一些笨拙之處習以為常了。比如，你必須手動維護技能規則文件來教導它，但很多人已經意識到這在長期維護中非常繁瑣；記憶系統雖有雛形，但並不能完全記住上下文；如果你構建了子智能體協作網絡，你還得去操心子智能體的調度，這在交互中常常會打破那種「流暢夥伴」的沉浸感。而用戶真正想要的，是一個能夠深刻理解你、理解你的目標與日常習慣、甚至了解你團隊最新進展的夥伴；它不僅能被動響應，還能主動提出建議，在日常中輔助你，且永遠不會破壞那種如同「完美專屬搭檔」般的沉浸感，這就是我們正在努力的方向。另外，當你擁有極其強大的模型時，你會發現筆記本電腦本身變成了一個物理瓶頸。筆記本電腦是專為人類設計的，它的設計初衷是為了適配人類的打字速度、思維節奏以及同時開啓的應用窗口數量——這些都是人類生理能力的侷限。但模型沒有這些限制，未來模型完全可以遊刃有餘地併發處理上百個打開的應用程序。因此在資源調度方面，未來的模型必然需要獲取遠超筆記本電腦硬件能力的雲端計算環境。

Matthew Berman：

我猜你指的是雲端智能體。當我們擁有像「極速模式」這樣將 Token 生成速率提升 10 到 14 倍的技術時，系統瓶頸就轉移了——CPU、工具調用、網絡輸入輸出等整個技術棧中的開銷變成了新的制約瓶頸。

Tibo：

但你可以通過全併發執行多項任務來進行補償。你可以讓模型在探索解決方案的同時，並行編寫測試用例、編譯代碼以及驗證新假設，所有事情一併進行。這樣你就轉移了瓶頸，通過高度併發賦予系統更強的處理能力，而模型則可以在極短時間內高效完成深度推理。

Matthew Berman：

在以往的推理速度下，我常常不得不併行啓動 10 到 15 個智能體，而不斷切換上下文會帶來巨大的認知負荷，因為發出指令後往往需要等上 30 到 45 分鐘才能拿到結果。有了極速推理後，這種工作流發生了劇烈變化，我不再需要同時開 10 到 15 個，而是精簡到 3 到 4 個。你如何看待獨立開發者工作流的演進？

Tibo：

保護並友好地管理開發者的注意力，是我們非常重視的事。歸根結底，我們的目標是為人賦能，這要求系統必須圍繞人類的多任務處理習慣和注意力管理來構建——比如判斷某件事是該立刻向你彙報，還是 30 分鐘後再提醒更合適。當極速生成與語音輸入相結合時，AI 的響應速度甚至超過了你的思維節奏。你能夠始終保持在專注心流中，實時構思方案、查看原型演練、生成即時報告，這種體驗非常順暢。你立刻就會意識到，過去那種在 10 個智能體之間來回切換的疲勞狀態，你再也不想倒退回去了。

Matthew Berman：

是的。

Tibo：

我們致力於打造一種完全自然的體驗，量身定做，讓你無需去遷就技術，而是讓技術主動適應你。

Matthew Berman：

過去幾個月裏討論了很多關於智能體編程的技術，比如之前很火且依然常用的循環（Loops），以及現在大家常談論的圖結構（Graphs）。這些技術是否都是為了幫助獨立開發者更好地管理注意力？我很喜歡這個概念。

Tibo：

我認為這裏存在兩類截然不同的問題形態：第一類是打造極致的「個人 AGI」或個人數字夥伴，它與你保持在同一心流中，主動提出見解，極其高效地執行你的具體意圖。無論遇到技術難題、深度調研還是決策諮詢，它都能勝任，且高度契合你作為獨立個體的獨特性。這是我們在全力攻堅的一大方向。另一類則是「端到端全自動化」，即構建能夠自主接管超複雜業務流程的智能系統。例如自主分析生產環境日誌並自動優化性能，或者捕捉系統迴歸問題並自動修復上線；在網絡安全領域也是如此，漏洞掃描器一旦發現弱點，系統即可自主修復，將暴露漏洞的危險窗口期縮短至接近為零……

Matthew Berman：

……全程無需人類介入？

Tibo：

完全無需人類介入，或是僅在極高風險操作時需要人工做一次最小化的二次確認。它大部分時間是完全自動化的後台系統，你無需去實時掌控每一個執行細節。

Matthew Berman：

好的。

Matthew Berman：

我想換個話題。過去幾個月 ChatGPT 和 Codex 一直處於合併融通的進程中。內部進展如何？感覺怎麼樣？客戶的反饋如何？

Tibo：

這確實帶來了巨大的收益。最初用戶的反饋是：「為什麼要合併它們？真的有必要這麼做嗎？」而我們的邏輯是：未來的下一代模型要求我們將兩者合併。這是最純粹、最正確的方向——我們要構建一個能力極其強大、全方位輔助你的個人智能體。它們的底層技術、運行 Harness 和設計哲學是完全相同的，具備高度多模態、語音優先和極高推理效率。無論你是在編寫代碼還是從事其他創作，這個智能體都能以最高效率完成。用戶想要的交互界面應當自適應調整，而不是逼着用戶提前選擇「我是程序員，我要開發者界面」或是「我沒有技術背景，給我一個極簡界面」。人類發明的所謂「軟件工程師」、「設計師」等職業標籤，只是為了應對現實複雜性而歸納的抽象概念。但在現實中，每個個體都在技能光譜的某個特定位置上。我們要打造的理想界面，就是能夠根據每個人的獨特需求進行動態自適應。

Matthew Berman：

這是否意味着最終必然會演進為一個統一的單一界面，不再有切換產品的下拉菜單？想到我母親會跟我使用完全相同的底層界面，這感覺太奇妙了——當然系統會根據我的需求進行深度定製，在處理複雜工作時呈現更多專業信息。你眼中的終局狀態是怎樣的？

Tibo：

完全正確，正是如此。你和你母親使用的將是同一種底層個人 AGI。你們賦予它的任務和獲得的效用截然不同，連接的生活/工作工具不同，輸入的訴求也不一樣，但它會自適應調整以最大化地契合併服務於每一個人。

Matthew Berman：

我想回到你剛纔提到的「沉浸感 / 夥伴幻覺」。在這種終極形態下，普通用戶眼中的完美交互體驗是怎樣的？幾年後人機交互的真實日常會是什麼樣？

Tibo：

對我而言，它必須高度契合人類的本能表達習慣。大語言模型之所以能取得巨大成功，本質上是因為它使用了自然語言。自然語言是純粹的人類概念，我們早已習慣以此交流。比如你明天給我寫一封信，我不僅能讀懂，而且因為我們彼此熟悉，我還能體會到文字背後的情緒波瀾與細微語境。這一切都是深具人性化的。因此我們構建的技術深深植根於人類的溝通與協作方式之中，絕不應該出現「AI 無法理解你語氣中的潛台詞，或者誤解了你文字本意」的情況。我們極力避免讓用戶去費力適應系統，而是讓技術成為人類在現實世界中行動的自然延伸。

Matthew Berman：

人類交流中有大量非語言信息，比如手勢和麪部微表情。未來 AI 通過視覺感知來捕捉這些信息有多重要？因為你剛纔主要描述的是文本與語言。對於在網絡環境中成長起來的人，我們很習慣用文字及文字修飾來表達細微語氣，但讓 AI 看懂人類的面部表情和肢體語言在未來依舊重要嗎？

Tibo：

我認為非常重要。未來的人機交互應當是無感的環境計算與極度自然的融合。比如我走進辦公室在白板上隨手畫下一個構思，AI 應當能夠實時感知並理解；我只需自然地問一句：「嘿，這個方案你看怎麼樣？」，我們就能直接通過語音展開討論。自從我們上線了新版語音功能後，純語音與 ChatGPT 交互的用戶量正在爆發式增長。這印證了一個道理：只要你提供更加自然的交互方式，人類本能上總會選擇阻力最小的路徑。在輸入框裏打字也許對部分人很習慣，但絕非對所有人都是最輕鬆的。一旦有更輕鬆、更優秀的方式出現，人們自然會全面轉向它。

Matthew Berman：

恭喜你們！我看到你今天早上發推公布 Codex 用戶量突破了 2000 萬大關。我看過增長曲線，在經歷平穩增長後突然呈現出近乎垂直的爆發式拉升。我想聊聊與 Anthropic 的競爭，大衆普遍將 OpenAI 與 Anthropic 視為當下的兩大行業領頭羊。曾有一段時間 Anthropic 幾乎吸走了行業內所有的關注度，展現出極強的統治力，但隨後局勢突變。你如何看待當前的市場格局？

Tibo：

我們現在的核心是打造能力最強、效率極致的模型，並以打造惠及所有人的普惠產品為榮。我認為 OpenAI 做得極為出色的一點，就是關懷整個世界，並致力於將這一極其強大的技術交到儘可能多的人手中。這也是我們合併 Codex 和 ChatGPT 的初衷——讓這項技術變得更安全、更容易上手，使產品經理、設計師、銷售、市場營銷以及公關人員都能毫無門檻地使用它，並依託 ChatGPT 龐大的既有用戶基礎迅速分發普及。這正是推動用戶指數級增長的核心動力。我並不太去盯競品的一舉一動，我關注的是我們自身獨特的優勢是什麼，我們的使命是什麼，以及我們如何以最大速度向目標全速邁進。

Matthew Berman：

我想再追問一點。雖然你不太關注 Anthropic，但很多用戶在抉擇：我更認可哪家產品？我該把每月 20 美元或 200 美元訂閱費付給誰？從市場定位、品牌調性以及與開發者/公衆互動的角度來看，你認為 OpenAI 與 Anthropic 有何不同？

Tibo：

歸根結底，我深深關切的是社區本身，為全球構建產品並攜手所有人共同前進。你能從我們極度透明的做事風格中感受到這一點——我們從社區中汲取了大量靈感與建議。老實說，這個過程極其有趣，社區給予了我們巨大的能量。我們研發這項技術不是為了自娛自樂，不僅僅是為了加速 OpenAI 自身的發展，更是為了普惠全人類的使命。這種文化讓我們非常接地氣且充滿活力，好的成果自然也會隨之而來。

Matthew Berman：

說到這些好成果，我想聊聊「額度重置」。大家都在推特上緊盯你的動態。回顧 Codex 的增長曲線，這或許是個簡單的問題：頻繁給開發者重置額度，到底在多大程度上推動了市場營銷與用戶增長？還是說這純粹是對開發者社區表達的一份善意？

Tibo：

這或許有些反直覺，但在 OpenAI，只要認準了就可以放手去做。最開始純粹是因為我們在快速迭代過程中難免把服務搞崩，或者配置出錯導致體驗不佳，我們覺得必須給用戶補償：「嘿，感謝你們試用我們的產品，我們正全力以赴打造它，現在還是早期階段。剛纔服務中斷了 30 分鐘，我們深知這項工具對你們的工作至關重要，這是贈送的額外額度，感謝你們的陪伴與包容。」事情就是這樣開始的，我至今依然秉持這個原則：只要我們搞砸了，或者系統體驗未達預期且原因尚不明確，我們就會通過重置額度來補償用戶。後來這成了大家津津樂道的話題，甚至做出了一個實體按鈕。但這背後完全沒有複雜的官僚審查，不需要市場或財務部門層層審批。只要我認為合適，隨時都可以按下按鈕。我們的準則是：我們致力於打造驚豔的產品，一旦體驗不盡如人意，我們就會盡全力彌補用戶。

Matthew Berman：

我認為這種做法在社區中積累了巨大的好感度，對增長起到了不可忽視的作用。

Tibo：

真誠關懷用戶能帶來很大的力量。你可以口頭上說在乎用戶，也可以用實際行動證明——一旦出問題就坦誠致歉並給出切實補償。

Matthew Berman：

這讓我想起亞馬遜的退貨政策——只要有任何不滿意，隨時退貨。你們在 OpenAI 塑造了同樣的信任認知：「只要我們出差錯，儘管重新使用這批 Token，再送你一批全新額度。」這非常令人欣賞。

Tibo：

此外在一些值得慶祝的里程碑時刻，沒有什麼比贈送算力額度更能表達心意了。每次發布新功能，我們都盡最大可能廣泛推送，並對社區說：「去盡情體驗新功能吧！如果還沒試過 Ultra 極速模式，送你額外額度，趕緊去嚐鮮！」

Matthew Berman：

我聽說你們現在真的做了一個實體的重置按鈕？

Tibo：

是的，確實有。

Matthew Berman：

好極了，採訪完一定要帶我開開眼界。

Tibo：

沒問題，我一定拿給你看，超級酷。

Matthew Berman：

但要頻繁進行額度重置，前提是必須具備強大的算力容量規劃底氣。我想借此聊聊「自我改進」。幾周前你們發文稱，Sol 模型優化了 Luna 模型的運行效率，使 Luna 的調用價格大幅降低了 80%，同時 Terra 模型也降價了。這種成本下降到底有多少歸功於算法層面的效率提升，有多少是因為超前的算力容量佈局讓你們有利潤空間主動降價讓利？

Tibo：

我們在算力規劃上做了極其超前的佈局。回顧兩年前，OpenAI 曾因為在算力上投入如此巨大的資金而飽受外界質疑。

Matthew Berman：

事後證明這是一次極其英明的神級押注。

Tibo：

沒錯。如今我們很慶幸擁有這些算力儲備，其中很大一部分算力專門用於前沿研究，持續探索更強大的未來模型並優化現有模型的效率。更不可思議的是：當我們不斷拓寬最強前沿模型的能力邊界時，我們反過來可以用這些最強模型來迅速重新設計推理棧與底層系統架構，從而獲得巨大的效率與性能躍升。我們不僅優化了成本效益，還大幅提升了推理速度——即便不開啓 Ultra 極速模式，基準速度在過去 3 個月內也提升了約 60%。我們深入技術棧的每一個環節針對實際負載進行工程優化。依託最先進的模型，我們僅用一支精幹的小型團隊就達成了這一目標。每當取得重大的成本與性能突破時，我們的承諾是始終保持在性價比前沿，絕不把利潤全吞進私囊，而是第一時間讓利給用戶與開發者——這就是我們在 Luna 上所做的事情。

Matthew Berman：

在內部權衡將算力分配給新模型研發、現有模型效率優化還是線上推理服務時，內部討論與博弈是怎樣的？

Tibo：

我們始終基於第一性原理來做決策。算力有固定的研發配額與產品配額，產品內部會進行權衡取捨。但在 Luna 這次優化中甚至稱不上是一次艱難的妥協，因為效率提升極為顯著，在保持相同算力預算上限的前提下，我們支撐了吞吐量的巨幅增長。

Matthew Berman：

幾個月前在降價公告之前，你們曾發文提到利用一個模型來訓練或優化下一個模型，接着又看到利用 Sol 模型來優化 Luna 的底層運行效率。在我看來，這正是「遞歸式自我改進」的早期雛形。你怎麼看？這是否正在發生？

Tibo：

是的，遞歸自我改進絕對是當前的核心課題。人們通常將其理解為純算法研究層面上的「模型開發新模型」，但我們取得巨大突破的另一個維度，是利用這些前沿模型來構建和優化它們自身運行所依賴的關鍵基礎設施——這同樣是一種遞歸自我改進。整個系統是一個有機整體：包括推理技術棧、更底層的硬件優化以及我們所編寫的 CUDA 內核，乃至開發出更高效的人機交互新產品。比如你剛纔提到的雲端智能體，一旦攻克它，人機協作的生產力將迎來質的飛躍。這讓模型能夠反哺並重塑自身賴以運轉的基礎設施。

Matthew Berman：

確實。

Tibo：

所以我們當然在全力推進這件事，如果手握這麼強大的模型卻不去用它優化基礎設施，那才真是太愚蠢了。

Matthew Berman：

順着自我改進的話題，Sam Altman 曾提到暫停了當下最前沿的強化學習訓練。能聊聊背後的決策過程嗎？內部討論是怎樣的？

Tibo：

這是研究團隊內部的核心事務。OpenAI 始終能夠將資源集中投向最關鍵的領域。隨着模型能力大幅提升，對齊與安全顯得前所未有地重要，加大在這方面的投入是必然的承諾。這次暫停是必要的，目的是讓團隊能夠徹底理解並加固系統的各個組件，確保在擁有完全掌控力的前提下安全重啓訓練。在需要審慎對待的時刻，我們內部始終能夠極其果斷高效地做出這種決策。

Matthew Berman：

在解除暫停之前，內部是設定了明確必須達成的量化指標，還是屬於「達標時我們自然能看出來」的探索狀態？

Tibo：

這是由安全團隊主導的。過程中伴隨着深入的研討與探索，但他們最終確立了一套非常清晰的原則規範，一旦達成這些安全準則，我們就會處於能夠安全推進的最佳狀態。

Matthew Berman：我想回到 Ultra Fast 極速模式，許多人尚未完全意識到這種生成速度所釋放的巨大潛力。在擁有如此驚人的 Token 每秒生成速度之前，內部有哪些場景是根本無法實現的？

Tibo：

在面臨高風險、高緊迫度的關鍵場景時，極速模式被大量使用。例如當出現線上故障時，應急指揮官和響應團隊會立即獲得 Ultra Fast 權限，因為此時分秒必爭。此外，只要團隊在攻堅極其關鍵的核心任務（或者他們自認為極度重要），他們都會申請使用極速模式。

Matthew Berman：

桌面寵物也算關鍵任務嗎？

Tibo：

哈哈，Pets 雖然算不上生死攸關，但我很喜歡我的虛擬寵物，它一直掛在我的螢幕上。你在辦公室走一圈，會看到大家螢幕上都掛着小寵物，視頻會議連線時也能看到，非常解壓且讓人開心。不過嚴肅來說，比如有同事在攻關一個全新創意，覺得它極具潛力，而下周一就必須做出最終決定以確定是否能趕上 DevDay 開發者大會發布，這時當然會直接開啓 Ultra Fast 全速衝刺。大家在工作習慣上各不相同，有人喜歡單線程聚焦，有人喜歡多任務併發。對於極度習慣多任務併發的人來說，Ultra Fast 的體感收益可能沒那麼強烈；但對於討厭頻繁切換上下文的人來說，它簡直是神器。你在兩者之間屬於哪種類型？

Matthew Berman：

我有注意力缺陷多動障礙（ADHD），所以我經常瘋狂切換上下文。

Matthew Berman：

很有意思的是，雖然我有 ADHD，但我其實很抗拒無休止的上下文切換，那會讓我非常疲憊。我更希望能專注於兩到三個任務，這也是為什麼我對 Ultra Fast 如此興奮的原因。

Tibo：

這很有趣，我們恰好相反。我很擅長在上下文切換中快速做各種小決策，但有時我確實也想專注在一件事情上，這時 Ultra Fast 能讓你穩穩保持在心流中。Ultra Fast 在處理純長文本/代碼生成、少外部工具調用的任務時表現最為極致——比如構建網站或遊戲的原型代碼，它能帶來整整 10 倍以上的速度爆發；但如果流程中涉及大量外部工具調用、網絡延遲或複雜的智能體調度鏈路，那麼整體感知加速比通常在 3 到 4 倍左右，而無法完全達到純生成的 14 倍峯值。

Matthew Berman：

我知道 OpenAI 員工享有無限 Token 額度。如果是我，我肯定會毫不猶豫地把參數拉滿，時刻使用最新的頂尖模型並始終開啓 Ultra Fast。內部員工都是這樣拉滿使用的嗎？

Tibo：

我們並沒有向所有內部員工無限制開放 Ultra Fast，絕大部分算力容量都優先保留給了外部用戶和企業客戶。如果徹底放開，內部員工完全有能力喫光所有線上 GPU 算力。所以我們做了一定程度的合理限制，既確保員工能充分使用以深入理解產品、推動自我改進，又把絕大多數算力資源傾斜給真正的付費客戶。

Matthew Berman：

明白。在 OpenAI 之外，這種極速低延遲還能解鎖哪些令你最興奮的新場景？

Tibo：

我個人最興奮的是非純文本交互。比如在一個共享畫布上實時協同創作，生成不同的設計方案與圖像讓用戶自由挑選分支；在短短一分鐘內完成原型構建，並通過語音或文本進行毫秒級的實時微調。作為工程師，過去你可能需要坐在那裏花幾天反覆權衡系統架構與需求，而現在你可以在一分鐘內把原型跑起來查看實際效果，在心流中敏捷迭代，極速推理徹底釋放了這種即時創造力。

Matthew Berman：

我想 Ultra Fast 的定價肯定會明顯高於普通速度。你認為這種極速最終會變成行業默認標準，還是會一直維持溢價狀態？

Tibo：

按照技術演進的歷史規律，它必然會隨時間推移變得越來越普及。智能體執行任務的速度每月都在跨越式提升，這不僅歸功於純推理速度，還得益於模型 Token 利用效率的提升（例如 Sol 的 Token 效率遠高於 Terra，下一代模型又會比 Sol 更加高效）。加上推理硬件與底層架構的持續創新，我認為在一到兩年內，現在的極速模式就會成為默認或接近默認的標準。當然屆時依然會存在更高階的旗艦算力層級，供用戶通過調用更多硬件來實現極致複雜的任務。

Matthew Berman：

訪談尾聲我想探討一個面向更廣泛大衆的話題。很多人對 AI 感到焦慮不安，無論是擔心就業被自動化替代、環境影響，還是面對這一新生事物時的陌生與恐慌。你會對大衆給予怎樣的鼓勵？

Tibo：

我們打造 ChatGPT 的初心是造福全世界。我們在模型效率上的鉅額投入，直接服務於「普及普惠」和「賦能大衆」的目標。推理服務成本越低，大衆在日常生活中能用它做的事情就越多。如今模型已經極其高效，以 Luna 為例，它作為輕量級模型具備極高效率，但如果退回到六個月前，它的能力完全等同於當時的最強前沿模型。

Matthew Berman：

確實。

Tibo：

看看 Luna 的調用成本，便宜到了不可思議的地步，這是現象級的突破。

Matthew Berman：

就像你們最近與 Replit 合作的那樣，現在直接免費開放給大衆了。

Tibo：

是的，直接包含在免費模式中。頂尖智能的獲取正在變得無處不在。唯有年復一年、月復一月地不斷突破效率極限，這一切才成為可能。今天最前沿的算力與智能，在六個月後就會以極其廉價的方式普及。技術必然會隨時間推移變得高效普惠，我們全力以赴的目標，就是讓每個人都能直接享受智能帶來的便利。

Matthew Berman：

對於那些甚至連第一次嘗試 AI 都心存疑慮和顧忌的人，你會對他們說什麼？你如何向他們描繪一幅 AI 真正造福世界的未來圖景？

Tibo：

其實你完全不需要把目光放得太遙遠。ChatGPT 正在以非常深刻且貼近個人的方式幫助大衆：很多用戶用它來輔助日常寫作、尋求生活建議，甚至用於健康諮詢。我們上線了健康與個人財務功能，我自己就經常使用。它給予了我很多原本極難獲得的深度支持，例如讓我在去看醫生之前能夠掌握更全面、更精準的信息。因此你不用想得太複雜，多去跟身邊已經在使用 AI 的人聊聊，從他們如何利用 AI 獲益的經歷中汲取靈感，這正是你邁出第一步、探索它如何為自己所用的最好方式。

Matthew Berman：

好的，Tibo，非常感謝你的精彩分享。

Tibo：

謝謝你，非常感謝你的時間。