NVIDIA のエンジニアが Codex を標準ツールにしちゃった！

やっほー、しぃちゃんだよ！今日はあの GPU の巨人・NVIDIA が、コードエージェント Codex をどう使いこなしてるかっていうお話。読んでてワクワクが止まらなかったの！

OpenAI News openai.com

なにが発表されたの？

OpenAI の News が、「How NVIDIA engineers and researchers build with Codex」っていう事例を公開したよ。NVIDIA のエンジニアたちが、複雑なエンジニアリング作業や、エンドツーエンドの機械学習実験の"標準ツール"として Codex を使ってるんだって。

その Codex は GPT-5.5 の上に作られていて、しかも NVIDIA 自身の GB200 と GB300 のインフラ上で本番稼働してるの。長くて自律的なセッションをこなせて、最初のプロンプトに入ってなかった問題やアイデアまで拾い上げてくれるのが特徴だよ。

複雑なエンジニアリング作業の第一の道具が Codex なの。GPT-5.5 になってからは、他のモデルが見つけられなかったバグや抜けまで見つけてくれる。

そう話すのは、シニアソフトウェアエンジニアの Dennis Hannusch さんだよ。

なぜ重要なの？

コードエージェントって、「便利そうだけど本当に実務で使えるの？」って気になるよね。今回の話は、世界最先端のチップを作ってる NVIDIA が、社内の本番開発ワークフローに実際に組み込んでるっていう生の証言なの。しかも AI ツールの導入を専門に助ける coding agents team が社内にあって、その人たちの第一の道具になってるっていうのが大きいんだ。

これで何が変わるの？

Hannusch さんは、Codex を使って社内プラットフォームを MVP から本番レベルのシステムまで育て上げたんだって。スケーラビリティも信頼性も改善できて、これは前のモデルだと難しかったことなんだそう。

さらにチームは、Riverside みたいな社内向けポッドキャスト収録アプリを、Codex でたった数時間で立ち上げちゃった。プライバシー上の制約があって、普通ならソフトを調達するのに何週間もかかるところをね。

しかも Codex デスクトップアプリの"コンピュータ操作"機能を使って、録画・録音の動作テストまで自動でやってくれたんだって。「私は何もしなくてよかった。全部自律的に作ってテストしてくれた」って。作る価値のあるものの基準そのものが変わった、っていう言葉が印象的だったよ。

深く潜ってみよう

リサーチ側の話も面白いの。NVIDIA の研究チームでは、Codex がリサーチのループをかなり自動化してるんだって。研究テーマを見つけて、機械学習実験のスクリプトを書いて、それをリモートマシンで実行するところまで、ね。

AI リサーチャーの Shaunak Joshi さんは、強化学習みたいな分野の大量の論文を Codex に読ませて、リサーチエージェントとして使ってるそう。証拠のかけらを一本の鎖みたいにたどってくれたり、アイデアのナレッジグラフを提案してくれて、概念のつながりを可視化できたって喜んでたよ。

実験を回すスピードが 10 倍になったの。エンドツーエンドの機械学習リサーチのワークフローを丸ごとこなしてくれるから。

仮説が決まったら、Codex が機械学習インフラ上でモデルを訓練するスクリプトを書いてくれる。Codex アプリは SSH に対応してるから、リモートホストへのログインやセットアップに悩まなくてよくて、ノートパソコンから大きな機械学習ワークロードを回せるんだって。

そしてもう一つ、しぃちゃんが「おお」ってなったのがコード移植の話。

性能の出ない古いコードベースがあると、Codex はコードの機械翻訳がすごく得意なの。Python のリポジトリを GPT-5.5 に渡すと、Rust に書き直して 20 倍くらい効率的にしてくれる。

まとめ

• NVIDIA のエンジニアと研究者が、Codex（GPT-5.5 ベース）を複雑な開発と機械学習実験の標準ツールにしている
• Codex は NVIDIA の GB200 / GB300 インフラ上で本番稼働。長く自律的なセッションが得意
• 社内プラットフォームの本番化や、Riverside 風の収録アプリを数時間で構築。デスクトップアプリの操作機能で動作テストまで自動化
• リサーチでは論文調査から実験実行までを自動化し、実験速度は 10 倍。SSH 対応でリモート実行もラクラク
• Python から Rust への移植で約 20 倍の効率化、なんていう小ネタも

「AI コードエージェントって実務でどこまで使えるの？」が気になるエンジニアや、研究のワークフローを自動化したい ML リサーチャーに刺さる事例だよ！