純碼硬剛神經網路！大模型手寫控制規則殺入硬核工業，14美元跑通全套策略

据動察 Beating 監測，OpenAI 後訓練核心成員翁家翌剛證明了「純靠大模型寫程式碼能通關 Atari 遊戲」，研究人員 Paul Garnier 就把這套方法搬進了更硬核的流體力學控制。

他全程沒訓練任何神經網路。單純讓 Codex 5.5 充當程序員，盯著流體仿真錄像反覆改寫 Python 腳本。就靠這套手寫的控制規則，AI 在十多項物理測試中，硬是在超半數的場景裡把頂級的強化學習（DRL）基線挑落馬下。

給汽車減阻、安撫管道湍流，工業界以前只能靠砸算力，硬餵出一個看不懂的黑盒模型去控制氣流閥門。Codex 避開了這條死胡同。它寫出來的規則極其直白，例如「當局部曲率過大時，延遲噴氣」。幾十行帶著物理常識的短代碼，直接替代了神經網路無腦的暴力試錯。

把黑盒換成代碼，幹掉了神經網路僵化、一碰就碎的死穴。以前只要硬件稍微改動（比如控制噴嘴從 5 個換成 10 個），舊模型當場報廢，必須重新燒錢訓練。現在只要在代碼裡改個常數，系統瞬間就能對接新設備。

當測試時間被強行拉長四倍時，走出經驗區的傳統 DRL 模型全盤崩潰；但大模型寫的代碼由於直接遵循了物理邏輯，始終運轉穩定。跑通這一整套控制策略，大模型只消耗了 2125 萬 Token，總花費不到 14 美元。