大模型不训练神经网络，靠自己改Python脚本搞定流体力学控制

OpenAI 后训练核心成员翁家翌之前证明了「纯靠大模型写代码能通关 Atari 游戏」，流体动力学博士生 Paul Garnier 现在把这套方法搬进了更硬核的流体力学控制。他全程没训练任何神经网络。单纯让 Codex 5.5 充当程序员，靠读取仿真的测试得分与诊断日志，自己查错并反复改写 Python 脚本。

在这场工业脚本测试中，Codex 5.5 压过了 Claude Opus 4.7 与 Gemini 3 Pro，硬是在超半数的物理场景里把顶级的强化学习（DRL）基线挑落马下。给汽车减阻、安抚管道湍流，工业界以前只能靠砸算力，硬喂出一个看不懂的黑盒模型去控制气流阀门。Codex 避开了这条死胡同。

它写出来的规则极其直白，例如「当局部曲率过大时，延迟喷气」。几十行带着物理常识的短代码，直接替代了神经网络无脑的暴力试错。把黑盒换成代码，干掉了神经网络僵化、一碰就碎的死穴。

以前只要硬件稍微改动（比如控制喷嘴从 5 个换成 10 个），旧模型当场报废，必须重新烧钱训练。现在只要在代码里改个常数，系统瞬间就能对接新设备。当测试时间被强行拉长四倍时，走出经验区的传统 DRL 模型全盘崩溃；但大模型写的代码由于直接遵循了物理逻辑，始终运转稳定。

跑通这一整套控制策略，大模型只消耗了 2125 万 Token，总花费不到 14 美元。