ARTICLE · 1312349
AI开始设计真实硬件:OpenAI把Agent带进CAD、PCB和制造车间
AI开始设计真实硬件:OpenAI把Agent带进CAD、PCB和制造车间
从代码生成到工程设计，AI正在跨越软件与物理世界的边界。 真实的工程世界远比软件复杂。设计一块电路板，不仅要考虑电路连接，还要考虑元器件尺寸、布局布线、散热和制造工艺。设计一个机械外壳，既要满足外观要求，也要保证内部结构、装配间隙和生产公差。即使所有设计文件都能生成，也不代表产品能够顺利制造。 2026年11月3日，OpenAI发布了一项新的工程研究，展示ChatGPT、Codex及GPT-6 Astra如何参与机械设计、电子工程、仿真分析和实体产品制造。 实验是两名团队成员借助AI，在不到一周的时间里完成了一款实体设备的设计，并由代工厂在不到一个月内制造出小批量原型。 这次展示的意义，说明了AI正在从辅助程序员编写代码，走向辅助工程师设计真实世界中的产品。 OpenAI选择了一个颇有代表性的实验：设计一台能够让用户通过实体设备与Codex交互的产品。 这不是一个纯软件项目。它需要完整的外观设计、机械结构、电路板、固件、用户界面以及与Codex的通信集成。每个部分都存在独立的工程约束，而且必须相互匹配。 实验中，GPT-6负责定义功能需求，并与Astra共同推进设计。Astra参与了产品外观、内部机械结构、电子元器件选择、PCB布局以及软件集成。 例如，机械结构需要为电路板预留安装位置，PCB的元器件布局必须适应外壳内部空间，而固件又必须与实际选用的电子器件保持一致。 在传统研发流程中，这些工作通常涉及工业设计师、机械工程师、电子工程师和嵌入式软件开发人员之间的反复沟通。 OpenAI的实验尝试让AI承担其中大量设计与协调工作。 最终，两名团队成员利用业余项目时间，在不到一周内完成设计，并交由合同制造商生产。不到一个月后，小批量实体原型完成制造。 不过，OpenAI也明确承认，产品进入制造阶段后仍然需要多轮人工审查与修改。Astra并不能始终正确处理生产工艺限制、尺寸公差和装配细节。 AI已经能够生成具有工程意义的设计成果，但距离完全独立完成可靠的工业产品开发，仍然存在明显差距。 AI编程工具之所以能够快速发展，一个重要原因是软件开发拥有相对成熟的自动化环境。 代码可以编译，测试可以执行，错误可以反馈，Agent可以根据结果持续修改。 机械工程过去没有这么容易。CAD设计不仅包含几何形状，还涉及尺寸约束、零件装配关系、材料、制造工艺和工程规范。很多判断需要工程师结合经验完成。 OpenAI正在尝试改变这一过程。在其内部硬件和基础设施团队中，Codex和ChatGPT已经被用于创建和修改CAD模型、生成二维制造图纸、准备仿真任务，以及辅助设计审查。 例如，工程师可以让Agent根据三维模型生成符合制造要求的二维工程图，或者建立有限元分析（FEA）所需的仿真设置。 过去需要反复操作CAD界面的工作，开始能够通过自然语言、代码和工具调用完成。 未来的工程Agent不只是回答“这个零件应该怎么设计”，而是可以直接进入CAD工具，修改设计参数、生成模型，并根据仿真结果继续迭代。 OpenAI透露，自今年2月以来，其内部硬件团队的模型使用量按Token计算增长了23倍。说明AI工具已经越来越深入地参与其硬件研发流程。 相比单纯的机械建模，PCB设计对Agent提出了更复杂的要求。 一块可以生产的电路板，需要经过原理图设计、元器件选型、封装匹配、布局布线、设计规则检查和制造文件输出等多个阶段。 其中任何一个环节出现错误，都可能导致产品无法工作，甚至需要重新打样。 OpenAI此次展示的设备实验，已经让Astra参与电子元器件选择、PCB布局和连接设计，并要求电路板与机械外壳相互适配。 AI正在尝试处理跨越MCAD与ECAD的设计任务。目标是让AI从系统架构设计、跨专业约束协调，一直参与到电路板设计审查和制造文件准备。 目前公开材料并未证明AI已经能够在无人审核的情况下，稳定完成复杂高速PCB、信号完整性分析或量产级电气验证。 这项进展更适合被理解为工程工作流自动化的重要一步，而不是成熟电子工程师的直接替代方案。 为了评估模型在工程任务中的表现，OpenAI还公布了BenchCAD 2.0的部分结果。 这项评测关注模型能否重建三维零件与装配体，以及识别电路板中的连接关系。 在公开结果中，一个尚未正式发布的内部模型取得0.875的平均得分，而GPT-6 Astra在最高推理设置下取得0.594。但BenchCAD 2.0并不是完整的工业产品开发能力评测。它并不能直接证明模型能够满足生产公差、材料强度、长期可靠性、成本控制或工业认证等全部要求。 真实的工程设计不仅需要生成正确的模型，还需要保证产品能够制造、装配、测试和长期使用。 这也是物理工程与软件编程最大的不同之一。 软件出现错误，通常可以重新运行测试并修改代码；实体产品出现设计缺陷，可能意味着重新加工模具、重新生产电路板，甚至召回已经交付的产品。 物理世界的试错成本，决定了工程Agent必须拥有更严格的验证机制。 OpenAI并没有将研究局限于内部演示。此次发布还介绍了与Chip Ganassi Racing赛车团队以及马自达汽车的合作。 在赛车工程中，研发人员经常需要对现有零件进行三维扫描，再将扫描结果转换为可以编辑的CAD模型。 尤其是一些没有原始设计文件的零件，传统逆向工程往往需要工程师花费大量时间重建几何结构。 OpenAI正在与Chip Ganassi Racing探索利用AI，将三维扫描数据转换为实体CAD模型和二维制造图纸。 这类工作具有非常明确的产业价值：减少重复建模时间，让工程师把更多精力放在设计优化上。 另一个合作方向来自马自达。OpenAI与马自达的空气动力学和碰撞安全工程师合作，探索利用AI生成、仿真和评估新的汽车设计。 例如，工程师可以尝试不同的车头造型，通过气流仿真比较空气阻力，再结合外观设计和成本要求进行调整。 在传统流程中，设计师与空气动力学工程师经常需要在造型和性能之间反复协调。 AI Agent有机会快速生成更多候选方案，调用仿真工具并整理结果，让工程师更容易识别真正有效的设计变化。 这些合作目前仍处于研究与验证阶段。OpenAI尚未公布足以证明大规模生产效率提升的完整独立数据。 
从技术角度看，AI参与硬件设计并不是简单地把Codex连接到CAD软件。 它需要解决三个长期存在的问题。 首先是跨专业约束的一致性:机械设计、电子设计和软件设计相互依赖。一个零件尺寸的变化，可能影响PCB布局、连接器位置、散热路径和装配方式。Agent必须理解这些变化之间的关系，而不是只优化某一个局部目标。 其次是工具执行与结果验证:CAD、CAE、ECAD、PLM等工业软件都有各自的数据结构和操作方式。Agent不仅需要能够调用这些工具，还需要判断工具输出是否符合工程要求。模型生成的几何形状可能看起来合理，却不一定能够加工；仿真任务可能成功运行，但边界条件设置错误，结果依然没有参考价值。 最后是制造约束和责任边界:现实产品需要满足材料、尺寸公差、装配工艺、质量控制和行业规范。很多约束并不会完整写在需求文档里，而是存在于企业长期积累的工程知识和生产经验中。 这也是OpenAI在实体设备实验中仍然需要人工审查的重要原因。 未来成熟的工程Agent，不仅需要更强的模型，还需要与工程规则库、仿真系统、制造数据和质量管理流程深度结合。 对于制造业企业，这项进展具有比普通AI编程更长远的意义。过去，企业AI项目通常集中在知识问答、设备故障分析、生产报表和质量数据查询等场景。 随着工程Agent的发展，AI开始有机会进入产品研发本身。例如，企业可以把历史设计图纸、产品BOM、工艺规范、仿真报告、测试数据和质量问题记录组织成统一的工程知识体系。 当工程师提出新的设计需求时，Agent不仅能够检索历史经验，还可以调用CAD、CAE或PLM工具，生成候选方案、执行验证并整理设计变更依据。 在这种架构中，RAG负责提供工程知识，Agent负责协调工具和任务，专业工程软件负责计算与验证，PLM和审批系统负责管理最终设计成果。 尤其是在汽车、装备制造、电子和新能源等行业，工程数据往往分散在不同系统中。要让AI真正参与设计，首先需要解决这些数据的统一访问、权限控制和知识组织问题。 如今，OpenAI开始展示从产品需求、三维建模、PCB设计到实体制造的完整实验流程。代表着AI应用边界的一次重要扩展。 但物理世界不会因为模型能力增强，就自动降低工程要求。产品仍然需要满足公差，电路仍然需要遵守电气规则，机械结构仍然需要通过强度验证，生产过程仍然需要考虑成本和良率。 因此，工程Agent的真正价值，并不是取消工程师，而是减少重复操作、缩短设计迭代周期，让工程师能够更快地探索和验证更多方案。 未来的工程团队，可能不再需要为每一种设计变化重复完成大量建模和仿真准备工作，而是将更多精力放在需求定义、关键约束、设计判断和最终验证上。 AI编程改变了软件开发的方式，而AI工程Agent正在尝试把同样的变化带进真实的制造世界。 从代码到CAD，从PCB到生产车间，这条路才刚刚开始，但方向已经越来越清晰。
一、从一句产品需求，到一台可以拿在手里的设备
二、CAD正在成为AI Agent的新工作界面
三、PCB设计成为AI跨专业协作的试验场
四、BenchCAD 2.0：开始衡量AI真正的工程能力
五、从赛车零件到汽车空气动力学，AI开始进入真实工程项目
