原始发布日期:2026-11-03。OpenAI公布一组面向机械、电气和端到端系统设计的研究与早期行业实践,重点不只是生成文本,而是让模型读取和修改CAD、准备制造图、设置仿真并协调跨专业变更。文章描述的是研究进展、内部使用和合作测试,没有宣布一个可独立采购的新工程产品,也未给出统一API、价格或正式可用性承诺。
最完整的演示是名为Astra的设备项目。GPT-6先定义功能要求,Astra继续设计外壳、内部结构、PCB元件与连线、界面、固件以及连接Codex的软件集成。两名团队成员把它作为业余项目,在不到一周内完成设计;代工厂随后在不到一个月内制造出一小批原型。这个结果说明多模态与计算机操作可跨越CAD、ECAD和代码,但它仍是团队主导的单个案例。
文章也公开了失败边界:进入制造准备阶段后,团队仍进行了多轮审查和迭代,因为Astra没有稳定考虑代工厂的生产能力、公差和装配细节。这些遗漏不是排版瑕疵,而可能决定零件能否加工、PCB能否装配以及整机是否可靠。因此“没有直接人工编辑”只描述初始设计流程,不能解读为无人审核的自动量产。
OpenAI用内部BenchCAD 2.0衡量模型重建三维零件与装配体、识别电路板连接的能力。一个未命名的新内部模型平均得分0.875,GPT-6 Astra在最高推理设置下为0.594。由于基准、任务分布、评分细则和新模型均未完整公开,这组数字适合说明内部进步方向,不应作为与外部CAD代理横向排名的独立证据。
生产侧证据还包括OpenAI硬件与基础设施团队自2月以来模型用量按token增长23倍,以及与Chip Ganassi Racing、Mazda的合作。前者测试把三维扫描转成可编辑CAD和二维制造图,后者把Astra用于车身空气动力和结构行为仿真探索;合作方工程师负责准确性和可制造性复核,OpenAI也表示后续才会公布更多结果。
量仔观察
这次披露的真正信号是工程代理开始连接“要求—几何—电气—软件—制造”链条,而不是单点写代码。对企业研发团队,近期可行做法是先选可自动验收的子任务,例如图纸一致性检查、参数化零件重建和仿真设置,并保留版本控制与人工签核。案例数量少、基准未开放、制造错误仍明显,决定了它更像受控协作工具而非自主工程师;若未来要进入安全关键设计,验证记录、责任边界和供应商工具集成会比演示速度更重要。
