Tidak melatih sebarang rangkaian saraf sepanjang proses! Model besar menulis peraturan kawalan secara tulisan tangan dan masuk ke industri dinamik bendalir, menjalankan keseluruhan strategi dengan hanya $14. Anggota inti pasca-latihan OpenAI, Weng Jiayi, baru saja membuktikan bahawa “hanya dengan menggunakan model besar untuk menulis kod, ia boleh lulus permainan Atari”, dan penyelidik Paul Garnier segera mengaplikasikan kaedah ini ke dalam kawalan dinamik bendalir yang lebih kompleks. Beliau tidak melatih sebarang rangkaian saraf sama sekali. Hanya mempergunakan Codex 5.5 sebagai jurucakap, memantau rakaman simulasi bendalir dan mengubah suai skrip Python berulang kali. Hanya dengan peraturan kawalan yang ditulis tangan ini, AI berjaya mengalahkan garis dasar pembelajaran penekanan (DRL) terkemuka dalam lebih daripada separuh skenario ujian fizikal. Mengurangkan rintangan udara pada kereta, menenangkan turbulensi paip — industri sebelum ini hanya bergantung kepada penggunaan kuasa pengiraan yang besar untuk melatih model hitam yang tidak boleh difahami bagi mengawal injap aliran udara. Codex mengelakkan jalan buntu ini. Kod yang dihasilkannya sangat jelas, contohnya: “Tunda semburan apabila kelengkungan tempatan terlalu besar.” Kod pendek berjumlah beberapa puluh baris yang mengandungi pemahaman fizikal secara langsung menggantikan percubaan dan kesilapan buta yang dilakukan oleh rangkaian saraf. Dengan menggantikan model hitam dengan kod, ia menghapuskan kelemahan kaku dan mudah rosak milik rangkaian saraf. Sebelum ini, sekiranya peranti sedikit diubah (contohnya, bilangan injap kawalan berubah dari 5 kepada 10), model lama akan terus gagal dan perlu dilatih semula dengan kos tinggi. Sekarang, cukup dengan mengubah satu pemalar dalam kod, sistem boleh segera disesuaikan dengan peranti baharu. Apabila masa ujian dipaksa diperpanjang empat kali ganda, model DRL tradisional yang keluar dari zon pengalaman mereka gagal sepenuhnya; tetapi kod yang ditulis oleh model besar, kerana secara langsung mengikuti logik fizikal, sentiasa beroperasi dengan stabil. Untuk menjalankan keseluruhan strategi kawalan ini, model besar hanya menggunakan 21.25 juta token, dengan jumlah perbelanjaan kurang daripada $14. #AI #AIAgent