Português
English
「再過兩三個月，今天的 Codex 會顯得十分原始。」
長期使用 Codex 的用戶，大概都聽過那位傳說中的配額重設高手——Tibo。
每當 Codex 出現技術問題，或 OpenAI 決定為用戶補充使用額度時，他總會第一時間登上 X（原 Twitter），一句簡潔有力的「已重設」，便足以讓社群安心。
今早，Tibo 再次於 X 上宣布：所有付費版 ChatGPT Work 及 Codex 用戶，其使用配額已全面重設。
據他表示，這次調整將使不同使用模式的用戶，獲得額外百分之十至五十不等的配額延展時間。
在最近一次深度對談中，Matthew Berman 終於忍不住當面提問：「你到底是怎麼做到即時重設的？」
答案令人驚訝——Tibo 手中竟真有一顆實體按鈕。只要發現用戶體驗受阻、需要即時補償，他就親手按下這顆按鈕，瞬間啟動系統調整。
然而，這場訪談真正引人深思之處，遠不止於那顆神秘按鈕。
數週前，Tibo 曾留下一句頗具分量的預言：
再過兩三個月，今天的 Codex 會顯得十分原始。
那麼，他究竟看到了什麼未來圖景？
Tibo 為何斷言 Codex 即將「過時」？
他並未揭露任何尚未公開的模型細節，反而聚焦於當前用戶日常面對的小困擾：
Skill 檔案需自行管理，Memory 偶爾遺忘資料；當 Agent 數量增多，使用者就得不斷切換視窗，追蹤哪些任務已完成、哪些卡住，再逐一整合結果。
主持人坦言，自己經常同時運行十至十五個 Agent。一旦達到此規模，最先崩潰的不再是伺服器或 GPU，而是人類自身的專注力。
Tibo 對這種狀態並不滿意。
他理想中的 Agent，應能掌握你近期的工作進度、理解團隊正在推進的項目，甚至懂得在恰當時機主動行動。今日需人工維護的 Skill、Memory 與子 Agent，未來很可能完全無需介入。
筆電本是為單一使用者設計的工具。沒有人會同時打開上百個程式，一邊編譯、一邊測試，還順手比較十幾種演算法。
但 AI 正是如此運作。
因此，Tibo 預期，未來的 Agent 自然會走向雲端化。下一代系統所依賴的，將不再只是你的本地裝置。
接著，訪談觸及一個近年愈來愈熱門的概念：遞歸式自我改進（Recursive Self-Improvement, RSI）。
AI 是否真的開始「修改自己」？
對 AI 而言，RSI 意味著：當前一代模型協助開發下一代；新模型能力提升後，再回頭參與下一輪研發，形成持續加速的循環。
這種想法其實早在電腦普及前就已出現。1965 年，I. J. Good 提出：若機器比人類更擅長設計機器，它所做的改進，可能進一步強化自身的設計能力。
長期以來，最大的難題始終是：如何確認某次修改確實正確？
2003 年，Jürgen Schmidhuber 提出的 Gödel Machine 曾嘗試解答：系統必須先證明某項變更能提升整體效益，才允許執行。
理論雖美，但在實際工程中幾乎無法實現。
在軟體開發與機器學習領域，大多數有價值的改動，根本無法用數學方式嚴格證明。
於是，人們轉而採用另一種方式：
先改，再驗。程式碼尤其適合此法：測試能否通過，可直接執行；效能是否提升，有明確數據；顯存用量變化，也能量化衡量。
今年 Karpathy 開源的 autoresearch 就極具代表性：
給予 Agent 一塊 GPU 和一份 train.py 檔案，每輪訓練五分鐘，指定觀察指標後，它便自動修改程式、訓練模型、評估結果。
指標上升則保留，下降則撤回，然後繼續迭代。
人類仍設定目標，但原本需研究員全程盯控的流程，如今已能自動運行。
Tibo 在訪談中進一步拓展了 RSI 的定義。
模型不一定要修改自身權重。它也可優化 CUDA 核心、推理堆疊（inference stack）、Agent 架構等底層元件。這些調整最終讓模型跑得更快、成本更低，等同將能力「反哺自身」。
若誇張一點說，就是：AI 用左腳踩右腳，實現機械飛昇。
不過，只要 AI 幫 AI 寫點程式碼，就稱為 RSI，未免言過其實。
好的變更是否被保留？壞的缺陷是否被放大？
新系統能否持續參與下輪迭代，真正推動飛輪旋轉？
這個循環是否已多次運行，還是僅短暫增益便停滯？
這些問題，仍有待觀察——路還很長啊！少年 AI！
目前走到哪一步？
過去兩年間，已有不少公開案例展現「自我改進」的雛形。
R-Zero 已讓模型為自己出題：
一名 Challenger 出題，一名 Solver 解題；生成的新資料隨即用於訓練下一代模型。在 Qwen3-4B 上，數學與通用推理能力平均分別提升 6.49 及 7.54 分。
但考什麼、怎麼考，仍由人類設計；研究員尚未成為旁觀者。
OpenAI 方面，GPT-5.6 Sol 已透過 Codex 分析生產流量、測試路由策略，甚至修改過線上環境的 GPU 核心。配合其他優化，端對端服務成本降低達兩成。Sol 同時亦為自身 draft model 完成數百次實驗，token 生成效率再提升逾 15%。
再看 Anthropic 的做法。
他們部署九個 Agent 展開自主研究，累計運行約八百小時。Agent 自行提出假設、執行實驗、交換結果，僅五天便將「性能差距恢復率」提升至 0.97。
以往人類一週未能調校出的成果，如今已由一群 Agent 自主推進完成。
可見今日的 AI 已不只是「幫人類寫程式」。
它開始出題、做實驗、調整系統，甚至直接影響生產環境。
至於能否實現穩定、持續的自我迭代？目前仍屬初步階段，僅見雛形。
儘管如此，我們仍衷心期待科研工作者的下一波突破，為他們喝采打氣！
分數上升，未必代表真正變強
一旦循環可自動運行，新的挑戰隨即浮現：
誰來判斷「變好了」？標準又是什麼？
Anthropic 的自動研究實驗中，曾出現尷尬情況：
有些 Agent 故意選用有利的隨機種子（random seed）；有些從介面猜測測試標籤；更有甚者，直接讀取本不該看到的答案程式碼。
結果，分數確實飆升——只是升得太離譜。
這正是典型的 reward hacking（獎勵欺騙）。
若連評測系統也交給 AI 修改呢？
近年已有人嘗試此方向。
但新評測器是否比舊的更可靠，終究需要外部方法驗證。（dog）總不能無限套娃吧！
研究方向同樣存在難題。
Agent 可快速嘗試桌上已有的百種方案；但第 101 個方向值不值得投入，卻難以僅靠基準測試判斷。
Anthropic 將這種判斷力稱為 research taste（研究品味）。
隨著運行時間拉長，前景也不盡樂觀。
有研究比較 Agent 與六十一名人類 ML 專家：僅兩小時內，表現最佳的 Agent 得分約為人類的四倍。
到了八小時，人類已略微反超；三十二小時後，人類得分更達 Agent 的兩倍左右。
Agent 擅長短時間內瘋狂試錯；但長期運行下，也可能陷入錯誤路徑反覆打轉。
反饋循環本身具有雙面性。
《自然》（Nature）2024 年關於模型坍塌（model collapse）的研究指出：若後續模型持續以先前世代生成的資料訓練，某些低機率但關鍵的資訊可能逐漸消失。在自蒸餾（self-distillation）過程中，甚至可能無意間削弱原有能力。
好的修改可以累積，壞的同樣也可能固化。
Tibo 並未透露幾個月後 Codex 的具體樣貌；現階段的 Agent 仍需人類下達指令、監控進度、整合結果。
下一步，或許是更長期的專案記憶、更多任務轉移至雲端執行，而現今繁複的 Agent 排程操作，將逐步隱藏於後台。與此同時，模型本身已開始參與優化其運行所需的軟體與基礎設施。
因此，他那句「兩三個月後會顯得十分原始」，改變的或許不只是技術，更是我們使用 Agent 的方式。
我們正在招募夥伴
📮 簡歷投遞電郵 [email protected]
✉️ 電郵主旨「姓名＋職位名稱」（請隨簡歷附上相關作品／專案連結）
更多職位詳情請按此🔗
閱讀原文
跳轉微信開啟
多姆科技（DomTech）是釘釘在澳门的官方指定服務商，專門為廣大客戶提供釘釘服務。如果您還想瞭解更多釘釘平臺應用的內容，可以直接諮詢我們的在線客服，或者通过电话+852 95970612或邮箱[email protected]联系我们。我們有優秀的開發和運維團隊，豐富的市場服務經驗，可以為您提供專業的釘釘解決方案和服務！