OpenAI 用 GPT-6 Astra 一周设计出硬件原型

11 月 3 日，OpenAI 发了一篇关于"物理世界工程"的文章，主题是让模型帮工程师设计、仿真、制造实体产品，覆盖机械、电子和整套系统设计。文章里最吸引眼球的是一个实验：让 GPT-6 Astra 在没有人直接动手修改的情况下，做出一台可以用来和 Codex 对话的小设备。

值得看的不只是"AI 造出硬件"，还有 OpenAI 同时交代了它没做好的地方。

发生了什么

按 OpenAI 的描述，这台设备的四块活都交给了模型：

• 外观：参考了 OpenAI 此前和 Work Louder 的合作，以及游戏、玩具里的设计元素，由 Astra 定下整体造型。
• 结构：外壳和内部固定元器件的支撑结构由 Astra 设计。
• 电路：Astra 选元器件、设计 PCB，包括元件布局和走线，并让电路板塞得进外壳。
• 软件：交互界面、固件，以及连到 Codex 的软件对接，也是模型生成的。

功能需求本身也是用 GPT-6 定义的。整个设计由两名团队成员利用业余时间、不到一周完成，之后交给代工厂，不到一个月做出了一小批原型。

但 OpenAI 也写得很直白：要让设备达到可生产状态，仍经过了多轮审查和修改，Astra 没能稳定地考虑到代工厂的生产限制、公差和装配需要的细节。OpenAI 把这些缺口当作下一代模型要补的方向。

几组数字怎么看

文章还给了三组信息，比那台设备更能说明趋势。

第一，内部用量涨得很快。 OpenAI 的硬件和基础设施团队用 Codex 和 ChatGPT 建 CAD 模型、出生产图纸、搭仿真、做设计评审，范围覆盖机器人和算力基础设施。从今年 2 月到现在，硬件团队的模型用量（按 token 计）增长了 23 倍。这说明模型在 OpenAI 内部已经不只是写代码，开始渗进机械和电子的日常流程。

第二，新模型在专业评测上明显更强。 OpenAI 用 BenchCAD 2.0 测模型能不能重建 3D 零件和装配体、识别电路板上的连接关系。一个尚未发布的内部新模型平均得分 0.875，而 GPT-6 Astra 在最高推理档位下是 0.594。差距不小，也意味着现在大家能用到的 Astra 还处在"能帮忙，但不能放手"的阶段。

第三，开始拉真实行业伙伴验证。

• 扩大和赛车团队 Chip Ganassi Racing 的合作：把现有零件的 3D 扫描转成可编辑的 CAD 模型和 2D 生产图纸，原始设计文件丢失时特别有用。结果由对方工程师检查准确性和可制造性。
• 新宣布和马自达的研究合作：OpenAI 的研究团队和前线部署工程团队，跟马自达的空气动力学、碰撞安全工程师一起，用气流和结构仿真探索新车型设计。比如用 GPT-6 Astra 建模不同的车头形状、跑气流仿真，再挑出最有希望降低风阻的方案继续优化。OpenAI 说未来几个月会公布更多进展。

文章最后还放了一个合作申请表，面向机械、电子、机电一体化等领域的工程师、工程公司和软件厂商。

和以前比，变化在哪

过去大模型在硬件领域主要是写代码、给建议。这次的变化在于跨学科串联：外壳尺寸限制电路板形状，电路板布局又影响装配，以前要几个工种来回对图纸，现在 OpenAI 想让模型当"协调人"。

我的判断是，短期最先落地的不会是"AI 独立设计产品"，而是繁琐、重复但需要懂行的中间环节，比如逆向建模、出图、设仿真参数。"扫描件转 CAD"就是典型：活不难，但很耗人。

对国内用户和开发者意味着什么

现在能用到什么？ 文章提到的 OpenAI 硬件团队工作流，用到的是 Codex 和 ChatGPT 这两个大家都能接触的产品。文中的行业合作目前只面向少数伙伴，评测里那个更强的内部模型也还没对外发布。所以普通用户现在能做的，是用 ChatGPT 和 Codex 里现有的模型，把一部分硬件工作先接过来。

可以怎么用？ 几个比较稳妥的方向：

• 参数化建模脚本：让 Codex 写 OpenSCAD、CadQuery 这类代码化建模脚本，改尺寸只改参数，比让模型"直接画图"更可控。
• 设计评审助手：把 BOM、尺寸约束、设计说明贴给 ChatGPT，让它列出可能冲突的地方，当作第二双眼睛。
• 固件和上位机代码：这是模型本来就擅长的部分，硬件爱好者做原型时可以大胆用。

要注意什么？ OpenAI 自己点出的问题，就是你最该防的坑：

• 公差和工艺限制：模型给出的结构不一定考虑了注塑、CNC 或 PCB 厂的实际能力，下单前要拿厂家的设计规范对一遍。
• 装配细节：螺丝位、卡扣、线缆走向这些"小地方"，模型容易漏。
• 不要跳过人工评审：连 OpenAI 都是"模型出方案、工程师把关"，个人开发者更没必要冒险。

👉 国内开通 ChatGPT Plus｜支付宝微信

几点判断

第一，"两个人一周做出原型"的前提是业余项目、小批量。真正的硬件成本在量产环节，那里模型的短板还很明显。

第二，23 倍的用量增长和 0.594 到 0.875 的评测跳升更值得记住：OpenAI 正把硬件工程当作重点场景来训练，后续版本在 CAD 和电路理解上大概率会明显变强。

第三，对硬件创业者来说，最直接的价值是缩短从想法到第一版样机的时间，把省下的时间花在打样和工艺验证上。

信息来源

• OpenAI：Accelerating engineering for the physical world
• best2ai 条目：Accelerating engineering for the physical world

OKAI66 为独立第三方服务平台，非 OpenAI/xAI 官方网站。

更多每日 AI 热点见 best2ai.com