किसी भी न्यूरल नेटवर्क को ट्रेन नहीं किया गया! एक बड़ा मॉडल तरल गतिकी के औद्योगिक नियंत्रण में हाथ से लिखे नियमों के साथ प्रवेश करता है, पूरी रणनीति को सिर्फ 14 डॉलर में चलाया गया। OpenAI के प्रशिक्षण के मुख्य सदस्य वांग जियी ने हाल ही में साबित किया कि "केवल बड़े मॉडल को कोड लिखने के लिए इस्तेमाल करके Atari गेम पूरा किया जा सकता है", और शोधकर्ता पॉल गार्निए ने इसी तरीके को और अधिक कठिन तरल गतिकी नियंत्रण में लागू किया। उन्होंने पूरी प्रक्रिया में किसी भी न्यूरल नेटवर्क को ट्रेन नहीं किया। सिर्फ Codex 5.5 को प्रोग्रामर के रूप में इस्तेमाल किया, जो तरल प्रवाह सिमुलेशन के वीडियो को देखते हुए पायथन स्क्रिप्ट को बार-बार संशोधित करता रहा। इन हाथ से लिखे गए नियमों के साथ, AI ने दस से अधिक भौतिक परीक्षणों में, अधिकांश परिदृश्यों में, शीर्ष सुदृढीकरण सीखने (DRL) के मानकों को हरा दिया। ऑटोमोबाइल के प्रतिरोध को कम करना, पाइपलाइन में अशांति को शांत करना—औद्योगिक क्षेत्र पहले केवल प्रसंस्करण सामर्थ्य को खर्च करके, एक असमझ में आने वाला 'ब्लैक-बॉक्स' मॉडल प्राप्त करके हवा के वाल्व को नियंत्रित करता था। Codex ने इस मार्ग से पलटवार किया। इसने लिखे गए नियम सरल हैं, जैसे: "जब स्थानीय वक्रता अधिक हो, तो स्प्रे को समयबद्ध करें।" कुछ ही पंक्तियों में, भौतिकी के समझदारी से लिखे हुए कोड, मशीन-लर्निंग के स्वचालित प्रयास-त्रुटि पद्धति को पूरी तरह से प्रतिस्थापित करते हैं। ब्लैक-बॉक्स को कोड से प्रतिस्थापित करके, न्यूरल नेटवर्क की कठोरता, संवेदनशीलता, और सुलभता की समस्या को हटा दिया। पहले, हार्डवेयर में हल्का-सा परिवर्तन (जैसे 5 स्प्रे मुखों को 10 में बदलना) ही पुराने मॉडल को पूरी तरह समाप्त कर देता, मुफ़्त में पुनः प्रशिक्षण कीआवश्यकता होती। अब, सिर्फ़ कोड में एक स्थिरांक (constant) में परिवर्तन करके, सिस्टम सीधे नए हार्डवेयर से संयुक्त हो सकता है। जब परीक्षण समय को 4x करने का प्रयास किया, तो पारंपरिक DRL मॉडल पूरी तरह समाप्त हो गए; परंतु, महान मॉडल-द्वारा लिखे हुए कोड, क्योंकि वह सीधे भौतिकीय-तर्क पर संचालित हुए, सदैव स्थिरता से काम करते رहे। पूरी प्रणाली को सफलतापूर्वक संचालित करने में, महान मॉडल ने 21.25 मिलियन Token ही प्रयोग किए, कुल खर्च 14 USD से कम। #AI #AIAgent