لم يتم تدريب أي شبكة عصبية على الإطلاق! نماذج كبيرة تكتب قواعد تحكم يدويًا تغزو مجال الديناميكا الهوائية الصناعية، بتكاليف تقل عن 14 دولارًا لتنفيذ استراتيجية كاملة. أثبت أون جياي، أحد الأعضاء الأساسيين في فريق ما بعد التدريب في OpenAI، أن "الاعتماد فقط على النموذج الكبير لكتابة الأكواد يمكنه إكمال ألعاب Atari"، ثم نقل الباحث بول غارنييه هذه الطريقة إلى مجال الديناميكا الهوائية الأكثر تعقيدًا. لم يتم تدريب أي شبكة عصبية على الإطلاق. فقط تم استخدام Codex 5.5 كمطور برمجي، حيث قام بإعادة كتابة نصوص Python مرارًا وتكرارًا بناءً على تسجيلات محاكاة السوائل. وبفضل هذه القواعد المكتوبة يدويًا، تفوق الذكاء الاصطناعي في أكثر من نصف السيناريوهات على خطوط أساسية متقدمة للتعلم المعزز (DRL) في أكثر من عشرة اختبارات فيزيائية. تقليل السحب على السيارات، أو تهدئة التدفق المضطرب في الأنابيب — كانت الصناعة سابقًا تعتمد على استهلاك قوة حسابية هائلة لتدريب نموذج أسود غير قابل للفهم للتحكم في صمامات التدفق. لكن Codex تجنب هذه الطريق المسدودة. فالأكواد التي كتبها بسيطة جدًا، مثل: "عندما يكون الانحناء المحلي كبيرًا جدًا، أبطئ رش الغاز". عشرات الأسطر من الأكواد القصيرة التي تتبع المنطق الفيزيائي استبدلت مباشرةً التجربة العشوائية العمياء للشبكات العصبية. استبدال الصندوق الأسود بالأكواد، أزال عيوب الشبكات العصبية الثابتة والهشة. سابقًا، كان أي تغيير طفيف في العتاد (مثل تغيير عدد فوهات الرش من 5 إلى 10) يؤدي إلى تعطيل النموذج القديم بالكامل، مما يتطلب إعادة تدريب مكلفة. الآن، يكفي تعديل ثابت واحد في الكود ليتمكن النظام من التوافق الفوري مع الأجهزة الجديدة. عندما تم تمديد وقت الاختبار أربع مرات، انهار جميع نماذج DRL التقليدية التي خرجت عن نطاق خبرتها؛ لكن الأكواد التي كتبها النموذج الكبير ظلت مستقرة دائمًا لأنها تتبع المنطق الفيزيائي مباشرة. لتنفيذ هذه الاستراتيجية الكاملة، استهلك النموذج الكبير فقط 21.25 مليون رمز، بتكلفة إجمالية أقل من 14 دولارًا. #AI #AIAgent