让LLM扔块石头，结果它发明了投石机？
大模型接到任务：“造一个能把石头扔远的结构。”
谁成想，它真的开始动手造了，在一个真实的物理仿真世界里，一边搭零件，一边看效果，一边修改。
最后，它造的投石机，把石头扔了出去。
这就是来自港中大（深圳）、港中大的研究团队（Wenqian Zhang, Weiyang Liu, Zhen Liu）带来的最新研究——《Agentic Design of Compositional Machines》。
他们推出了一个叫BesiegeField的新平台，它就像一个给大模型的“机械工程师训练场”，专门测试AI能不能像人一样，从零开始设计并造出能动的、有功能的复杂机器。
这还没完。BesiegeField支持上百次的并行实验，一旦引入强化学习（Reinforcement Learning），大模型就能“自我进化”：从反馈中调整策略，逐步学会结构设计的物理逻辑，最终学会如何“造出能动的结构”。
大模型怎么写出一个机械结构
首先得明确，这不是让大模型去画CAD图，它也控制不了三维细节。研究者提出了一种叫“组合式机械设计”（Compositional Machine Design）的方法。
说白了，就是把机械结构限定在“用标准零件组装”这个范围里。每个零件（比如支架、关节）都有标准尺寸和接口，大模型只需要决定：
用哪些零件
它们之间怎么连
这样，复杂的设计就被简化成一个“离散结构组合问题”。到底好不好用？能不能动？稳不稳？交给物理仿真去验证。
为了让模型好理解和修改，研究者用了一种类似XML的“结构化表示机制”，设计机械就变成了一种语言模型擅长的结构生成任务。
一个自进化训练场
上面说的这一切，都发生在BesiegeField这个仿真平台里。它跑在Linux集群上，能同时跑几百个机械实验，并给到完整的物理反馈——比如速度、受力、能量变化、投掷距离、稳不稳定、机械损坏度等等。
这些反馈不仅能验证设计，还能作为强化学习的“奖励信号”，指导模型改进策略。
在这个平台里，模型的设计形成了闭环：生成 → 仿真 → 拿反馈 → 调整 → 再来一次。
就算不更新模型参数，它也能靠反馈优化输出；如果引入强化学习，模型就能通过这些量化的奖励信号，系统性地提升设计能力和成功率。
平台还设计了一系列从易到难的任务，比如直线行驶、投掷、抓取，甚至还有过障碍、地形坡度、穿环投掷等更复杂的场景，构成了一个多样化的实验空间。
为什么造机器这么难
造机器的挑战，不在于零件多少，而在于它们能不能“在动态中协同工作”来完成复杂功能。
拿投石机来说，配重、支点、发射臂必须在关键时刻协同发力，才能把能量精准地扔出去。
只要一个地方偏差，整个机器就可能失效：没配重，打不出去；缺支点，原地转圈；少了杠杆，石头飞不起来。
这些问题，只有在真实仿真中才能被发现，也只有这样，模型才能一步步搞懂“结构到底是怎么动起来的”。
差距有多大？人类设计的投石机能投近200米，而大模型设计的，常常连30米都到不了。
这其中，差距就在于对“结构协同”和“发力效率”的理解。
这也是BesiegeField要解决的核心问题——让它懂得结构之间“如何协同去完成任务”。
模型真学会造结构了吗
为了解决单个模型“想不明白”的难题，研究团队构建了一套“智能体工作流”（Agentic Workflow），让多个AI协作。
这套系统里有不同角色：
总设计师（Meta-Designer）： 负责拆解任务。
结构设计师（Designer）： 搭建初始方案。
审查员（Inspector + Refiner）： 检查结构和连通性。
反馈查询员（Active Env Querier）： 跑仿真并从大量反馈数据内抽取对任务最有用的信息报告。
分析/优化员（Refiner）： 解读反馈，提出修改。
团队测试了多个主流模型，发现在这套工作流下，Gemini 2.5 Pro的表现很突出。
比如在优化投石机时，Gemini 2.5 Pro能根据仿真反馈，识别出“底座太小导致结构失衡”、“旋转轴方向错误导致无法发力”等问题，并提出“移除旧底座”、“重新定位手臂和容器”、“构建新底座”等修改方案。
对比表格显示，这套“多角色分层设计”（Hierarchical Design）策略，在投石机（Catapult）和小车（Car）任务上，其平均分（Mean）和最高分（Max）都显著优于以Gemini为代表的部分“单一模型”或简单的“迭代修改”策略。
关键这些成果是模型自己在真实反馈里逐步学会调整的。
怎么让AI越造越聪明？
有了工作流还不够，还得让模型能“自我进化”。研究团队引入了强化学习（RL），具体用了一种叫RLVR（基于可验证反馈的强化学习）的策略。
BesiegeField的仿真反馈就是现成的“奖励信号”（Reward）：比如投掷距离多远？能不能成功执行任务？能运行多久？
研究团队用了Pass@k Training方法（即在k次尝试中选奖励最大的那个样本作为训练信号），对Qwen2.5-14B-Instruct这个模型进行持续微调。
效果很明显。随着迭代次数增加，模型设计的结构越来越好，投掷距离也越来越远。
定量数据也显示，在“Cold-Start + RL”（用少量好例子启动+强化学习）的策略下，模型在小车任务上的最高分达到了45.72，投石机任务的平均分和最高分也都是最优的。
这是首次证明，LLM确实能借助RL，在仿真反馈中持续提升机械设计能力。
AI创造力的新边界
总的来说，BesiegeField带来的不只是一个仿真平台，更像是一种新的“结构创造范式”。
它把复杂的机械设计，转变成了一个AI擅长的“结构化语言生成任务”；
它提供了一个闭环，让模型能在真实的物理反馈中，学会理解力学规律和结构协同；
它支持任务难度可控、流程模块化、结果可定量评估；
更重要的是，它提供了一个观察AI如何获得“空间智能”和“物理智能”的起点。
研究团队期待，未来AI造的不仅是投石机，而是能奔跑、搬运、协作的各种复杂结构——让语言模型真正具备“造出会动的东西”的能力。
项目主页：https://besiegefield.github.io
论文地址：https://www.arxiv.org/abs/2510.14980