¡Nunca se entrenó ninguna red neuronal! Un modelo grande escribe reglas de control a mano y entra en la industria de la dinámica de fluidos: ejecuta toda la estrategia por solo 14 dólares. El exmiembro clave del equipo de postentrenamiento de OpenAI, Weng Jiayi, acaba de demostrar que «un modelo grande puede completar juegos de Atari solo escribiendo código». Ahora, el investigador Paul Garnier ha aplicado este método al campo aún más exigente del control de dinámica de fluidos. Nunca se entrenó ninguna red neuronal. Simplemente se utilizó a Codex 5.5 como programador, observando grabaciones de simulaciones de fluidos y reescribiendo repetidamente scripts en Python. Con estas reglas de control escritas a mano, la IA superó en más de la mitad de los escenarios a los mejores métodos de aprendizaje por refuerzo profundo (DRL) en más de diez pruebas físicas. Reducir la resistencia de automóviles, calmar la turbulencia en tuberías: antes, la industria solo podía lograrlo mediante el gasto masivo de poder computacional para entrenar modelos negros incomprensibles que controlaban válvulas de flujo. Codex evitó este callejón sin salida. Las reglas que escribió son extremadamente claras, por ejemplo: «Retrasa el chorro cuando la curvatura local sea demasiado grande». Decenas de líneas de código corto, con conocimiento físico incorporado, reemplazan directamente el intento y error ciego de las redes neuronales. Al reemplazar el modelo negro por código, se eliminó la debilidad rígida y frágil de las redes neuronales. Anteriormente, cualquier pequeño cambio en el hardware (por ejemplo, cambiar de 5 a 10 boquillas de control) hacía que el modelo anterior se volviera inútil, obligando a reinvertir dinero en el entrenamiento. Ahora, simplemente se modifica una constante en el código y el sistema se adapta instantáneamente a nuevos dispositivos. Cuando el tiempo de prueba se extendió cuatro veces, los modelos tradicionales de DRL, que salían fuera de su experiencia, colapsaron por completo; pero el código escrito por el modelo grande, que sigue directamente la lógica física, funcionó con estabilidad constante. Para ejecutar toda esta estrategia de control, el modelo grande consumió solo 21,25 millones de tokens, con un costo total inferior a 14 dólares. #AI #AIAgent