拖AGI后腿的，竟是人類打字手速太慢？
沒錯，這是OpenAI的Codex負責人Alexander Embiricos的觀點。
他在近日《Lenny's Podcast》播客中表示，人類的打字速度正在拖慢通往AGI的進展。
Lenny（左）與Alexander Embiricos（右）在播客中
當Lenny問到通往AGI的時間表時，Embiricos談到了他目前看到的一個限制因素：人類的打字速度或者是多任務處理能力。
除了Embiricos之外，奧特曼、Amodei、馬斯克等許多大佬也曾多次提到這個問題。
他們普遍將這一問題描述為人機協作過程中的「溝通」「摩擦」問題。
比如，奧特曼曾多次表示AI進步不會只靠繼續做大模型。
近期他在介紹AgentKit時，提到開發這套工具是為了讓開發者能更低摩擦、更高效地構建智能Agent系統，而不是在分散工具和復雜流程之間低效拼接。
同樣，Anthropic CEO Dario Amodei也在今年4月份提到，AI可能在3到6個月編寫90%的代碼，12個月內「基本上編寫所有代碼」。
但他同時補充指出程序員仍需明確實現的功能、應用設計思路及決策，因此在短期內人類開發者的參與仍是關鍵。
這說明即便是AI基本上可以完成所有代碼的編寫，仍然需要開發人員的介入，因此人機協作的效率就顯得十分重要。
更早的時候，馬斯克就預見到這一問題。
他在談到Neuralink項目時曾提到開發腦機接口，目的之一就是為了繞過人類打字速度的限制。
他認為人類傳輸數據的速度遠遠慢于計算機：
「人類對計算機說話，在計算機聽來會像是非常緩慢的、帶有音調的喘息聲，有點像鯨魚的聲音」。
這些大佬的觀點，都呼應了Embiricos的觀察，揭示出諸如文字輸入等人類自身的能力瓶頸，正在成為通往AGI的隱形障礙。
這類似于早期計算機時代，程序員必須手動輸入每一行代碼，開啟了人機交互和自動化的進程。
而隨著AI的飛速發展，如今人類的輸入速度已經跟不上AI的思考，成了其發展的瓶頸。
就像一位網友說的，如果打字速度是瓶頸，我們就是系統中速度最慢的環節了。
AGI之路的隱形障礙
人類打字速度耽誤AGI，Embiricos這一觀點并非空穴來風，而是基于他對AI代理系統實際應用的深刻觀察。
他認為當前AI模型雖然在處理復雜任務時表現出色，但它們仍高度依賴人類通過文本輸入來指導和驗證.
而人類的打字速度以及處理多任務能力，已經無法跟上AI的處理能力。
其中核心難點在于提示詞工程，它要求人類精確表述意圖。
但是人類的多任務處理涉及工作記憶的切換，每次切換都需要時間和精力，這導致提示詞工程效率的低下。
在Codex使用過程中，開發者需同時監控AI輸出、調整提示，Embiricos將之類比為駕駛員手動控制自動駕駛汽車。
在這個過程中，人類需要多任務處理，同時思考問題、撰寫提示、審查輸出，其中的任務量遠遠超單純打字的速度問題（打字輸入只是人類思考意圖的實現，是最后一個環節），由此也形成了制約AI生產力突破的瓶頸。
以安卓版Sora應用的開發為例。
據OpenAI官方透露，該應用僅動用了4人小隊，28天就完成了上線。
其中約85%的代碼由GPT-5.1+Codex自動生成，實現了99.9%的版本穩定率。
雖然將傳統幾個月的工時被壓縮到28天，但這個過程中也暴露出AI編程的軟肋。
Codex就像一名記憶為零的新手高級工程師。
每一次對話，都必須通過提示詞清晰地告訴它要怎么做，才能生成高質量的代碼。
整個過程中監督、審查、邏輯確認、調試等需要依賴人工介入的工作，就成了工程中最慢、也是最關鍵的部分。
這一切都需要人工思考并輸入提示詞。
于是，打字速度突然成了真正的生產力障礙。
前不久，OpenAI前首席科學家Ilya Sutskever提到的模型在評測時技能爆表，一到實際場景就掉鏈的「性能悖論」，也在間接上證明了Embiricos的判斷：
他在談到為什么目前依賴Scaling（堆算力和數據）越來越難推動AI進展時，提到了一個關于模型在修Bug時陷入無限循環的例子：
你讓AI修一個Bug，它修好了，但引入了一個新的Bug；
你指出這個新Bug，它去修卻又把第一個Bug帶回來了；
模型就這樣在兩個Bug之間來回折返，像在無限循環（ping-pong）。
這個例子暴露出當前大模型的訓練方法更多是在優化評測指標，而不是生成真正類似人類的理解與泛化能力。
即使最先進的AI模型，在實際應用場景中人機交互仍然是不可或缺的，這也使得人類能力，在某種程度上成了AI的生產力瓶頸。
就像網友Jeff Lurie所言，Embiricos提出了「人類打字速度瓶頸問題」，重新定了的生產力的限制。
這迫使我們在通過AGI的道路上，除了考慮打造更強的模型之外，還要考慮人類能力瓶頸（輸入速度）這一隱形障礙，也推動我們重新審視人機關系。
比如，有網友提出，在AI編碼場景中，如果把審查、判斷、設計（通常需要人類完成）前置，然后再讓AI編碼，就可以成倍提高開發速度。
AGI的實現，需要進一步解放人類
AGI的實現，是為了解放人類，但這里的一個悖論是：
在AGI到來之前，需要先把人類從審查AI的工作中解放出來。
Embiricos表示，想要突破「人類打字速度瓶頸問題」，必須讓AI智能體能夠自己審查工作、而不再依賴人類：
「你可以讓一個智能體盯著你正在做的所有事情，但如果這個智能體不能同時驗證它自己的工作，那你依然會被卡住。」
所以，問題最終又回到了人類自身：
你是否真的有精力去審查那么多代碼？
在Embiricos看來，解決之道就在于讓AI能夠自動審查自己的工作，將人類從編寫提示詞和驗證AI輸出的工作中解放出來，這樣就不會受制于人類的速度。
「如果我們能夠重新構建系統，讓智能體在默認狀態下就足夠有用，我們就會開始解鎖那種『曲棍球桿式』的增長」。
當AI的自動化能力足夠強大，就可能實現Embiricos所說的那種「曲棍球桿式增長」：前期幾乎平坦，隨后突然陡然上升，形狀看起來就像一根曲棍球桿。
Embiricos認為，要實現完全自動化的工作流程并不存在一條放之四海而皆準的簡單路徑，每一種使用場景都需要單獨設計。
但他預計，朝著這種爆發式增長邁進的進展很快就會出現。
「從明年開始，我們會看到一批早期采用者的生產力率先出現曲棍球桿式提升；而在接下來的幾年里，會有越來越多的大公司也實現類似的生產力飛躍」。
Embiricos表示，到了2026年，隨著最早一批采用者率先實現曲棍球桿式的效率提升，以及未來幾年越來越多的大公司也實現類似的生產力飛躍，我們也將迎來AGI。
「這種曲棍球桿式的增長最終會反哺到AI實驗室，而到時我們基本上就已經站在 AGI的門檻上了」。
沿著Embiricos的思路，可以得出這樣的結論：
通往AGI的一個真正突破點，在于打破人機協作的制約，讓AI智能體能夠自主工作，而不再依賴人類的時候。
就像谷歌DeepMind創始人哈薩比斯（Demis Hassabis）所言，在更具自主性和代理能力的系統到來之前，仍需要人機協作作為過渡形態。
他認為AI需要磨練自身的推理能力、自主性與創造力，在這方面目前仍有一些缺失。
「機器要掌握人類所能做的一切，可能還需要五到十年時間」，這也是他對AGI時間表的判斷。
