NVIDIA 如何使用 OpenAI Codex 搭配 GPT-5.5
NVIDIA 整合 Codex 與 GPT-5.5 以實現自主工程
NVIDIA 的工程師與研究人員已採用 Codex（由 GPT-5.5 驅動，並在 NVIDIA GB200 與 GB300 基礎設施上運行），作為處理複雜工程與機器學習研究的主要工具。該系統能夠進行更長且更自主的會話，能在初始提示之外偵測錯誤、缺口與新想法。
生產系統開發與部署
搭配 GPT-5.5 的 Codex 讓 NVIDIA 工程師能將專案從最小可行產品 (MVP) 推進至具備更佳可擴展性與可靠性的生產就緒系統。此工具的自主性降低了長時間開發會話中對人工指導的需求，同時保持高精確度與上下文。
生產工程中的主要應用包括：
- 快速應用程式開發： NVIDIA 工程師使用 Codex 在數小時內構建內部播客錄製應用程式，因隱私限制而省去數週的軟體採購流程。
- 自主測試： 透過具備電腦互動功能的 Codex 桌面應用程式，系統自動構建並測試視訊與音訊錄製功能，無需人工介入。
- 工具選擇： 該模型展現出高度的策略性，能為特定工程任務挑選適當的工具與技能。
「Codex 是我們處理複雜工程任務的首選工具，搭配 GPT-5.5 後，它能發現其他模型找不到的程式錯誤與缺口。」
—Dennis Hannusch, Senior Software Engineer
機器學習研究工作流程的自動化
Codex 已自動化 NVIDIA AI 研究人員的端對端研究循環，包括識別研究領域、撰寫實驗腳本，以及在遠端機器上執行這些腳本。此舉據稱使實驗執行速度提升了 10 倍。
研究中使用的技術能力包括：
- 知識綜合： 透過分析強化學習等領域的大量研究論文，GPT-5.5 成為創意夥伴，追蹤鏈結中的證據，並建議使用知識圖譜來視覺化概念連結。
- 遠端基礎設施管理： 由於 Codex 應用程式支援 SSH，研究人員可直接從筆記型電腦在遠端主機上執行大型機器學習工作負載，無需手動登入與設定。
- 效能最佳化： 研究人員使用 GPT-5.5 進行程式碼庫的「機器翻譯」，特別是將 Python 倉庫重寫為 Rust，以達到最高 20 倍的效能提升。
「僅在執行實驗方面就已提升了 10 倍的速度，因為它能處理整個端對端的機器學習研究工作流程。」
—Shaunak Joshi, AI researcher