OpenAI杀进CAD！GPT-6 一周搓出实体硬件！

两个 OpenAI 员工下班后搞副业，不到一周，就搓出了一台能跟 Codex 聊天的电子宠物。

外壳、电路板、界面、固件，全部由 GPT-6 Astra 设计。

刚刚，OpenAI 官宣把 ChatGPT 和 Codex 推进机械设计、电气工程、仿真三块硬件工程的地盘。合作方一个是美国老牌赛车队 Chip Ganassi Racing，一个是马自达。

01起因只是懒得打开笔记本

这台设备的发起人，是 OpenAI 研究团队的 Justin Lin。

起因非常朴素，他在视频里吐槽了一句。

“我真的、真的不想每次都打开笔记本，对着 Codex 说悄悄话。

于是他琢磨，要是有只Codex 电子宠物，带一个按住就能说话的按钮，那就舒服多了。

成品长得像拓麻歌子。拿起来问一句「Hey Codex，我现在有在跑的 Agent 吗」，它会回一句要不要念给你听。

按 OpenAI 的介绍，GPT-6 Astra 在这个项目里干了四份活。

在外观上，它参考了 OpenAI 和 Work Louder 的联名设计，再加上一些游戏和玩具的元素，自己定了造型。

在机械上，它画出了外壳和固定零件的内部结构。

在电气上，它挑选元器件，再把 PCB 布局塞进外壳里。

在软件上，界面、固件、Codex 接入也都归它管。

OpenAI 给这次实验定的目标是，看看能不能在人类不干涉的情况下，把设备设计出来。

Justin Lin 坦白，这是他第一次从一块光板走到装好元件的 PCB。

他做的事情就是告诉 ChatGPT 自己想要什么，再给一些方案，板子就设计好了。

我是一个连万用表都用不利索的人，看完这段非常羡慕。

02到了工厂，AI 还是露了怯

设计图出来不到一周。之后一家代工厂接手，不到一个月做出了一小批原型机。

但中间来回改了好几轮。

OpenAI 自己也承认，Astra 没能稳定考虑到工厂的生产限制、公差和装配细节。

所以这些坑最后还得靠人一轮轮审核、填平，原型机也离量产差得远。

所谓「人类不干涉」，管的其实是设计文件这一段。但从图纸走到能下线的产品，出力的仍然是人。

OpenAI 的态度倒是坦然，这些短板正好告诉他们，下一代模型该往哪练。

团队还顺手出了一大堆平行方案，挑来挑去才定下现在这个紫色版本。

03自家硬件团队，token 用量涨了 23 倍

这台小宠物算是秀肌肉，OpenAI 内部其实早就用上了。

他们的硬件和基础设施团队，正在拿 Codex 和 ChatGPT 新建、修改 CAD 模型，准备生产图纸，配置仿真，审查机器人和算力基础设施的设计。

OpenAI 透露，从今年 2 月到现在，硬件团队的模型用量按 token 算涨了 23 倍。

OpenAI 前线部署工程师 Grace Lam 的感受是，Codex 大幅加快了他们从一个想法走到一个成型零件的速度。

另据 The Decoder 报道，OpenAI 自己也在制作一款硬件，形态介于 AI 音箱和手机之间。

04赛车队用它找回图纸，马自达用它调车头

这方面 OpenAI 对外的合作伙伴有两家。

第一家是 Chip Ganassi Racing。

OpenAI 研究员和车队的研发组一起，把现有零件的 3D 扫描转成可编辑的 CAD 模型和 2D 生产图纸。

这件事在赛车圈非常实用。一些老零件的原始设计文件可能早就找不着了，手里只剩实物，想复刻就得工程师一点点重新建模。

车队研发工程师 Matthew Ortman 的评价比较克制，他认为模型在「从原始扫描数据到实体模型」这一步派上了用场。

工程师会逐个核查输出的精度和能不能加工，摸清 AI 到底省了哪些手工活，又在哪里还不够用。

第二家是马自达，这次是新合作。

OpenAI 的研究团队和前线部署团队，跟马自达的空气动力学、碰撞安全工程师坐到一起，用模型驱动仿真，测试新车设计的气流和结构表现，同时兼顾性能、造型和成本。

OpenAI 放出的演示里，AI 盯着车头附近的一小块饰件反复改形状，改完就跑气流仿真，再看结果接着改。

图里每个点代表一次设计尝试，红线是当前最好成绩。

前十来轮进步飞快，后面基本在高位来回试探。

跑了 30 多轮，最好的第 30 版方案，让车头附近的气流能量损失这项指标改善了 12.8%。

当然，这还是演示，OpenAI 表示具体进展会在未来几个月公布。

05硬件版考试，内部模型冲到 0.875

怎么证明模型在硬件上真的变强了？OpenAI 拿出了一个叫 BenchCAD 2.0 的测试。

它考的是两件事，根据图纸或渲染图重建 3D 零件和装配体，以及从电路板照片里认出各个连接。

OpenAI 透露，一款尚未公开的内部新模型平均拿到 0.875 分，GPT-6 Astra 开到最高推理档是 0.594 分。

对照 BenchCAD 10 月 12 日的公开榜，Astra 本来就排第一，Claude Opus 5.5 以 0.57 分紧随其后，Sonnet 5.5、Fable 5.1、Haiku 5.5 依次往下。

0.875 这个分数是 OpenAI 自己报的，模型叫什么、什么时候发都没说，公开榜上也还没有它。

不过就算打个折，从 0.59 到 0.875 也是一大步。

Astra 和 Opus 5.5 分数几乎打平，账单却差出一大截。

同样一道题，Astra 平均花 11 美元、62 分钟，Opus 5.5 要花 27.58 美元、224 分钟，钱是两倍半，时间是三倍多。

还有个细节值得一提。认电路板的时候，模型基本都能找出板子上 85% 到 96% 的元器件，但认连线就吃力多了，Astra 能认对 80%，Opus 5.5 是 68%。

元件认得出，线怎么走认不全，这和那台小宠物在工厂里露怯是一回事。

看懂一张图和造出一个能用的东西之间，还隔着不少工程常识。

06硬件，正在变成新的软件

OpenAI 这次没发新产品，只把一堆实验摆了出来，并且公开招人。

机械、电气、机电一体化、制造，相关领域的工程师、工程公司和软件厂商都在名单里，要一起定义模型怎么训练、先啃哪些场景。

视频的标题叫 Hardware is the new software。

软件工程师早就习惯了改一行、跑一遍、不行再改的节奏。

硬件工程师则没这个福气，画图、打样、返工，一轮下来往往要按周算。

Justin Lin 在视频结尾聊到了自己的感受。“

硬件迭代能力的提升，拓宽了可能性的边界。它让我敢往更大的方向想，我觉得能生活在这样的世界里非常酷。

AI 在代码世界练出来的那套快速试错，正在一点点渗进图纸、电路板和车头。

比特世界的速度，终于开始流进原子世界了。

文章来自于微信公众号 “智能切片”，作者 “智能切片”