انقلاب در دنیای برنامه‌ نویسی: هوش مصنوعی Codex شرکت OpenAI خودش را می‌ سازد و ارتقا می‌ دهد

«بخش عمده‌ای از کدکس (Codex) توسط خودِ کدکس ساخته شده است.» این جمله‌ای است که OpenAI درباره اِجنت (Agent) کدنویسی جدید خود به ما گفت. با افزایش محبوبیت ابزارهای کدنویسی مبتنی بر هوش مصنوعی در میان برخی از توسعه‌ دهندگان نرم‌افزار، پذیرش آنها تقریباً تمام جنبه‌ های فرآیند توسعه را تحت تأثیر قرار داده است؛ از جمله بهبود خودِ ابزارهای کدنویسی هوشمند.

به گزارش بخش اخبار فناوری زوم تک به نقل از (Ars Technica)، کارمندان OpenAI در مصاحبه‌ های این هفته فاش کردند که این شرکت تا چه حد برای ساخت و بهبود ابزار توسعه خود، به اِجنت کدنویسی اختصاصی‌ اش یعنی Codex متکی است. الکساندر امبیریکوس، مدیر محصول Codex در OpenAI، در گفتگویی در روز سه‌ شنبه گفت: «من فکر می‌کنم اکثریت قریب به اتفاق Codex توسط خود Codex ساخته شده است، بنابراین این ابزار تقریباً به طور کامل برای بهبود خودش مورد استفاده قرار می‌گیرد.»

کدکس (Codex) چیست و چگونه کار می‌کند؟

کدکس که OpenAI تجسم مدرن آن را به عنوان یک پیش‌نمایش تحقیقاتی در مه ۲۰۲۵ (اردیبهشت ۱۴۰۴) راه‌اندازی کرد، به عنوان یک اِجنت مهندسی نرم‌افزار مبتنی بر فضای ابری عمل می‌کند که می‌تواند وظایفی مانند نوشتن ویژگی‌های جدید، رفع باگ‌ها و ارائه پیشنهادهای ادغام کد (Pull Requests) را انجام دهد. این ابزار در محیط‌های ایزوله (Sandbox) که به مخزن کد کاربر متصل هستند اجرا می‌شود و می‌تواند چندین کار را به صورت موازی پیش ببرد. OpenAI ابزار Codex را از طریق رابط وب ChatGPT، رابط خط فرمان (CLI) و افزونه‌های IDE برای نرم‌افزارهای VS Code، Cursor و Windsurf ارائه می‌دهد.

نام «Codex» خود به یک مدل سال ۲۰۲۱ از OpenAI بر اساس GPT-3 بازمی‌گردد که قابلیت تکمیل کد در گیت‌هاب کوپایلت (GitHub Copilot) را قدرت می‌بخشید. امبیریکوس گفت که شایعه شده این نام در میان کارکنان مخفف «اجرای کد» (code execution) است. OpenAI می‌خواست اِجنت جدید را به آن لحظه اولیه متصل کند؛ لحظه‌ای که بخشی از آن توسط کسانی ساخته شد که اکنون شرکت را ترک کرده‌اند.

امبیریکوس می‌گوید: «برای بسیاری از مردم، آن مدلی که GitHub Copilot را قدرت می‌داد، اولین لحظه “شگفت‌انگیز” برای هوش مصنوعی بود. آن لحظه به مردم پتانسیل این را نشان داد که وقتی هوش مصنوعی بتواند زمینه کاری شما و آنچه را که می‌خواهید انجام دهید درک کند و به شما در انجام آن سرعت ببخشد، چه معنایی خواهد داشت.»

رقابت با Claude Code و استقبال توسعه‌ دهندگان

پوشیده نیست که نسخه فعلی خط فرمان Codex شباهت‌هایی به Claude Code دارد؛ ابزار کدنویسی اِجنت‌محور شرکت آنتروپیک (Anthropic) که در فوریه ۲۰۲۵ راه‌اندازی شد. وقتی از امبیریکوس پرسیده شد که آیا Claude Code بر طراحی Codex تأثیر گذاشته است، او از پاسخ مستقیم طفره رفت اما به پویایی رقابتی بازار اذعان کرد. او گفت: «این یک بازار سرگرم‌کننده برای کار است زیرا ایده‌های عالی زیادی در آن مطرح می‌شود.» او اشاره کرد که OpenAI قبل از عرضه نسخه CLI که پس از ابزار آنتروپیک وارد بازار شد، ویژگی‌های مبتنی بر وب Codex را به صورت داخلی می‌ساخته است.

با این حال، ظاهراً مشتریان OpenAI عاشق نسخه خط فرمان هستند. امبیریکوس گفت که استفاده از Codex در میان توسعه‌دهندگان خارجی پس از اینکه OpenAI افزونه تعاملی CLI را در کنار GPT-5 در آگوست ۲۰۲۵ عرضه کرد، ۲۰ برابر افزایش یافت. در ۱۵ سپتامبر، OpenAI مدل GPT-5 Codex را منتشر کرد؛ نسخه‌ای تخصصی از GPT-5 که برای کدنویسی اِجنت‌محور بهینه‌سازی شده بود و پذیرش آن را بیش از پیش تسریع کرد.

تنها دنیای بیرون نیست که این ابزار را پذیرفته است. امبیریکوس گفت که اکثریت قریب به اتفاق مهندسان OpenAI اکنون به طور منظم از Codex استفاده می‌کنند. این شرکت از همان نسخه متن‌باز (Open-Source) رابط خط فرمان استفاده می‌کند که توسعه‌دهندگان خارجی می‌توانند آزادانه دانلود کنند، به آن پیشنهاد اضافه کنند و خودشان آن را تغییر دهند. امبیریکوس گفت: «من واقعاً این ویژگی تیممان را دوست دارم. نسخه‌ای از Codex که ما استفاده می‌کنیم دقیقاً همان مخزن متن‌باز است. ما مخزن متفاوتی نداریم که ویژگی‌ها ابتدا به آنجا بروند.»

چرخه بازگشتی: وقتی هوش مصنوعی بر آموزش خود نظارت می‌کند

ماهیت بازگشتی توسعه Codex فراتر از تولید کد ساده است. امبیریکوس سناریوهایی را توصیف کرد که در آن Codex بر اجراهای آموزشی (Training Runs) خود نظارت می‌کند و بازخورد کاربران را پردازش می‌کند تا «تصمیم بگیرد» چه چیزی را در مرحله بعد بسازد. او گفت: «ما جاهایی داریم که از Codex می‌خواهیم به بازخوردها نگاه کند و سپس تصمیم بگیرد که چه کاری انجام دهد. Codex در حال نوشتن بخش زیادی از زیرساخت‌های تحقیقاتی برای اجراهای آموزشی خود است و ما در حال آزمایش این هستیم که Codex بر اجراهای آموزشی خود نظارت کند.» کارمندان OpenAI همچنین می‌توانند از طریق ابزارهای مدیریت پروژه مانند Linear، برای Codex تیکت ثبت کنند و وظایف را همان‌طور که به یک همکار انسانی محول می‌کنند، به او بسپارند.

این نوع حلقه بازگشتی (استفاده از ابزارها برای ساخت ابزارهای بهتر) ریشه‌های عمیقی در تاریخ محاسبات دارد. مهندسان در دهه ۱۹۶۰ اولین مدارهای مجتمع را با دست روی کاغذ پوستی طراحی کردند، سپس تراشه‌های فیزیکی را از روی آن نقشه‌ها ساختند. آن تراشه‌ها رایانه‌هایی را قدرت بخشیدند که اولین نرم‌افزارهای طراحی خودکار الکترونیکی (EDA) را اجرا کردند؛ نرم‌افزارهایی که به نوبه خود مهندسان را قادر ساختند مدارهایی را طراحی کنند که برای ترسیم دستی توسط انسان بسیار پیچیده بودند. پردازنده‌های مدرن حاوی میلیاردها ترانزیستور هستند که در الگوهایی چیده شده‌اند که تنها به دلیل وجود نرم‌افزار امکان‌پذیر شده‌اند. استفاده OpenAI از Codex برای ساخت Codex به نظر می‌رسد از همان الگو پیروی می‌کند: هر نسل از ابزار قابلیت‌هایی ایجاد می‌کند که خوراک نسل بعدی می‌شود.

چالش زبانی در توصیف Codex

توصیف اینکه Codex دقیقاً چه کاری انجام می‌دهد، چالش زبانی خاصی ایجاد می‌کند. ما سعی می‌کنیم هنگام بحث در مورد مدل‌های هوش مصنوعی از انسان‌انگاری (Anthropomorphism) تا حد امکان پرهیز کنیم، اما مردم می‌توانند با Codex مانند یک انسان صحبت کنند، بنابراین استفاده از اصطلاحات انسانی برای توصیف تعامل با آن طبیعی به نظر می‌رسد، حتی اگر این سیستم یک شخص نیست و شخصیت انسانی را از طریق مدل‌سازی آماری شبیه‌سازی می‌کند.

این سیستم بسیاری از فرآیندها را به صورت مستقل اجرا می‌کند، به بازخوردها رسیدگی می‌کند، فرآیندهای فرزند را مدیریت می‌کند و کدی تولید می‌کند که در محصولات واقعی عرضه می‌شود. کارمندان OpenAI آن را «هم‌تیمی» می‌نامند و از طریق همان ابزارهایی که برای همکاران انسانی استفاده می‌کنند، به آن وظیفه محول می‌کنند. اینکه آیا وظایفی که Codex انجام می‌دهد به معنای «تصمیم‌گیری» است یا منطق شرطی پیچیده‌ای که از طریق یک شبکه عصبی عبور می‌کند، به تعاریفی بستگی دارد که دانشمندان کامپیوتر و فیلسوفان همچنان درباره آن بحث می‌کنند. آنچه می‌توانیم بگوییم این است که یک حلقه بازخورد نیمه‌مستقل وجود دارد: Codex تحت هدایت انسان کد تولید می‌کند، آن کد بخشی از Codex می‌شود و نسخه بعدی Codex در نتیجه کد متفاوتی تولید می‌کند.

ساخت سریع‌ تر با «هم‌ تیمی‌ های هوش مصنوعی»

بر اساس مصاحبه‌های ما، چشمگیرترین مثال از تأثیر داخلی Codex، توسعه اپلیکیشن اندروید Sora توسط OpenAI بود. به گفته امبیریکوس، این ابزار توسعه به شرکت اجازه داد تا اپلیکیشن را در زمان رکوردشکنی بسازد.

امبیریکوس به ارس تکنیکا گفت: «اپلیکیشن اندروید Sora توسط چهار مهندس از صفر تا صد ساخته شد. ساخت آن ۱۸ روز طول کشید و سپس ما آن را در مجموع طی ۲۸ روز به اپ استور فرستادیم.» مهندسان از قبل اپلیکیشن iOS و اجزای سمت سرور را برای کار در اختیار داشتند، بنابراین تمرکز خود را بر ساخت کلاینت اندروید گذاشتند. آن‌ها از Codex برای کمک به برنامه‌ریزی معماری، تولید زیربرنامه‌ها برای اجزای مختلف و پیاده‌سازی آن اجزا استفاده کردند.

با وجود ادعاهای موفقیت OpenAI با Codex در داخل شرکت، شایان ذکر است که تحقیقات مستقل نتایج متفاوتی را برای بهره‌وری کدنویسی با هوش مصنوعی نشان داده‌اند. یک مطالعه METR که در ماه ژوئیه منتشر شد، نشان داد که توسعه‌دهندگان با تجربه متن‌باز در هنگام استفاده از ابزارهای هوش مصنوعی بر روی پایگاه‌های کد پیچیده و بالغ، در واقع ۱۹ درصد کندتر عمل کردند؛ اگرچه محققان خاطرنشان کردند که هوش مصنوعی ممکن است در پروژه‌های ساده‌تر عملکرد بهتری داشته باشد.

تغییر روند کاری: Codex به عنوان یک همکار

اد بیز (Ed Bayes)، طراح تیم Codex، توضیح داد که این ابزار چگونه روند کاری خود او را تغییر داده است. بیز گفت که Codex اکنون با ابزارهای مدیریت پروژه مانند Linear و پلتفرم‌های ارتباطی مانند اسلک (Slack) ادغام می‌شود و به اعضای تیم اجازه می‌دهد وظایف کدنویسی را مستقیماً به این عامل هوش مصنوعی محول کنند. بیز گفت: «شما می‌توانید Codex را اضافه کنید و اساساً اکنون می‌توانید مشکلات را به Codex محول کنید. Codex به معنای واقعی کلمه یک هم‌تیمی در فضای کاری شماست.»

این ادغام به این معنی است که وقتی کسی بازخوردی را در یک کانال اسلک ارسال می‌کند، می‌تواند Codex را تگ کرده و از او بخواهد مشکل را حل کند. این اِجنت یک پول ریکوئست (Pull Request) ایجاد می‌کند و اعضای تیم می‌توانند تغییرات را از طریق همان رشته گفتگو بررسی و تکرار کنند. بیز گفت: «این اساساً شبیه‌سازی نوعی همکار است که هر کجا کار می‌کنید ظاهر می‌شود.»

برای بیز که روی طراحی بصری و الگوهای تعامل برای رابط‌های Codex کار می‌کند، این ابزار او را قادر ساخته است تا به جای تحویل مشخصات به مهندسان، مستقیماً کد را مشارکت دهد. او گفت: «این به نوعی اهرم بیشتری به شما می‌دهد. این شما را قادر می‌سازد تا در تمام لایه‌های استک کار کنید و اساساً بتوانید کارهای بیشتری انجام دهید.»

رویکرد OpenAI با Codex به گونه‌ای است که بیز آن را «یک توسعه‌دهنده جونیور (تازه‌کار)» می‌نامد که شرکت امیدوار است با گذشت زمان به یک توسعه‌دهنده ارشد تبدیل شود. بیز گفت: «اگر می‌خواستید یک توسعه‌دهنده جونیور را آنبوردینگ کنید، چگونه این کار را انجام می‌دادید؟ به آن‌ها حساب اسلک و حساب Linear می‌دادید. این فقط ابزاری نیست که در ترمینال به سراغش بروید، بلکه چیزی است که به سراغ شما می‌آید و در تیم شما می‌نشیند.»

مهندسی حسی (Vibe Engineering) در برابر کدنویسی حسی

با توجه به این رویکرد هم‌تیمی، آیا کاری برای انسان‌ها باقی خواهد ماند؟ وقتی از امبیریکوس پرسیده شد، او بین «کدنویسی حسی» (Vibe Coding) – جایی که توسعه‌دهندگان کد تولید شده توسط هوش مصنوعی را بدون بررسی دقیق می‌پذیرند – و آنچه سایمون ویلیسون، محقق هوش مصنوعی، «مهندسی حسی» (Vibe Engineering) می‌نامد – جایی که انسان‌ها در حلقه باقی می‌مانند – تمایز قائل شد. او گفت: «ما در پایگاه کد خود شاهد مهندسی حسی بسیار بیشتری هستیم. شما از Codex می‌خواهید روی آن کار کند، شاید حتی ابتدا درخواست یک برنامه کنید. رفت و برگشت داشته باشید، روی برنامه تکرار کنید و سپس شما با مدل در یک حلقه هستید و کد آن را به دقت بررسی می‌کنید.»

او افزود که کدنویسی حسی هنوز هم برای نمونه‌های اولیه و ابزارهای دورریختنی جایگاه خود را دارد. او گفت: «من فکر می‌کنم کدنویسی حسی عالی است. اکنون شما به عنوان یک انسان اختیار دارید که چقدر می‌خواهید به کد توجه کنید.»

نگاهی به آینده: آیا پیشرفت هوش مصنوعی متوقف شده است؟

در سال گذشته، به نظر می‌رسید مدل‌های زبانی بزرگ (LLM) «یکپارچه» مانند GPT-4.5 از نظر پیشرفت در بنچمارک‌های پیشرو به نوعی بن‌بست رسیده‌اند، زیرا شرکت‌های هوش مصنوعی به سمت مدل‌های استدلال شبیه‌سازی شده و همچنین سیستم‌های اِجنت‌محور ساخته شده از چندین مدل هوش مصنوعی که به صورت موازی اجرا می‌شوند، تغییر مسیر داده‌اند. ما از امبیریکوس پرسیدیم که آیا اِجنت‌هایی مانند Codex بهترین مسیر برای استخراج کاربرد از فناوری فعلی LLM هستند؟

او نگرانی‌ها مبنی بر اینکه قابلیت‌های هوش مصنوعی به فلات (توقف رشد) رسیده است را رد کرد. او گفت: «من فکر می‌کنم ما خیلی با توقف رشد فاصله داریم. اگر به سرعت تیم تحقیقاتی در اینجا نگاه کنید، ما تقریباً هر هفته یا هر دو هفته یک بار مدل‌هایی را عرضه می‌کنیم.» او به بهبودهای اخیر اشاره کرد که در آن GPT-5-Codex ظاهراً وظایف را ۳۰ درصد سریع‌تر از نسخه قبلی خود در همان سطح هوش انجام می‌دهد. در طول آزمایش، شرکت شاهد بوده است که این مدل به مدت ۲۴ ساعت به طور مستقل روی وظایف پیچیده کار می‌کند.

شرکت OpenAI در بازار کدنویسی هوش مصنوعی با رقابت از چندین جهت روبروست. Claude Code آنتروپیک و Gemini CLI گوگل تجربیات مشابهی از کدنویسی اِجنت‌محور مبتنی بر ترمینال ارائه می‌دهند. این هفته، Mistral AI مدل Devstral 2 را در کنار ابزار CLI به نام Mistral Vibe منتشر کرد. در همین حال، استارتاپ‌هایی مانند Cursor محیط‌های توسعه اختصاصی (IDE) را پیرامون کدنویسی هوش مصنوعی ساخته‌اند که طبق گزارش‌ها به ۳۰۰ میلیون دلار درآمد سالانه رسیده‌اند.

کدنویسی: اپلیکیشن قاتل (Killer App) برای هوش مصنوعی؟

با توجه به مسائل شناخته شده در مورد توهم (Confabulation) در مدل‌های هوش مصنوعی زمانی که مردم سعی می‌کنند از آن‌ها به عنوان منابع واقعی استفاده کنند، آیا ممکن است کدنویسی به اپلیکیشن قاتل برای LLMها تبدیل شده باشد؟ ما کنجکاو بودیم که آیا OpenAI متوجه شده است که کدنویسی به نظر می‌رسد یک مورد استفاده تجاری واضح برای مدل‌های هوش مصنوعی امروزی با خطر کمتر نسبت به، مثلاً، استفاده از مدل‌های زبانی برای نوشتن یا به عنوان همراهان احساسی باشد.

امبیریکوس گفت: «ما کاملاً متوجه شده‌ایم که کدنویسی هم جایی است که اِجنت‌ها قرار است خیلی سریع در آن خوب شوند و هم ارزش اقتصادی زیادی دارد. ما احساس می‌کنیم تمرکز بر Codex بسیار با مأموریت ما همسو است. ما ارزش زیادی به توسعه‌دهندگان ارائه می‌دهیم. همچنین، توسعه‌دهندگان چیزهایی را برای سایر افراد می‌سازند، بنابراین ما به نوعی ذاتاً از طریق آن‌ها مقیاس‌گذاری می‌کنیم.»

اما آیا ابزارهایی مانند Codex مشاغل توسعه‌دهندگان نرم‌افزار را تهدید می‌کنند؟ بیز نگرانی‌ها را تأیید کرد اما گفت Codex باعث کاهش نیروی انسانی در OpenAI نشده است و «همیشه یک انسان در حلقه وجود دارد زیرا انسان واقعاً می‌تواند کد را بخواند.» به طور مشابه، این دو نفر آینده‌ای را پیش‌بینی نمی‌کنند که در آن Codex به تنهایی و بدون هیچ نوع نظارت انسانی اجرا شود. آن‌ها احساس می‌کنند این ابزار تقویت‌کننده پتانسیل انسانی است نه جایگزینی برای آن.

پیامدهای عملی اِجنت‌هایی مانند Codex فراتر از دیوارهای OpenAI است. امبیریکوس گفت چشم‌انداز بلندمدت شرکت شامل مفید کردن اِجنت‌های کدنویسی برای افرادی است که هیچ تجربه‌ای در برنامه‌نویسی ندارند. او گفت: «همه بشریت قرار نیست یک IDE باز کنند یا حتی بدانند ترمینال چیست. ما در حال حاضر یک اِجنت کدنویسی می‌سازیم که فقط برای مهندسان نرم‌افزار است، اما ما شکل چیزی را که می‌سازیم واقعاً به عنوان چیزی می‌بینیم که برای تبدیل شدن به یک اِجنت عمومی‌تر مفید خواهد بود.»