OpenAI让Astra端到端设计一台装置:两人一周出原型,量产仍要人工评审
核心概要
OpenAI公布其模型在机械与电气工程设计上的能力进展,并用一次端到端测试检验:由GPT‑6 Astra定义功能需求,设计外壳、印刷电路板与软件集成,做出可与Codex对话的装置,全程没有直接人工编辑。两名成员以副业方式在一周内完成设计,合同制造商在一个月内做出小批原型;但装置进入量产仍需多轮评审与迭代,Astra未能稳定考虑制造商的生产限制、公差和装配细节。
深度剖析
OpenAI的模型开始承担物理产品设计中的具体环节,从准备图纸、搭建仿真到跨专业协调改动,覆盖机械工程、电气工程与端到端系统设计。 这类工作原本要求工程师用专门工具把机械设计、电子、软件和制造要求汇集到一起。 OpenAI内部硬件与基础设施团队已用Codex和ChatGPT创建和修改CAD模型、准备制造图纸、搭建仿真并评审设计,工作范围涉及机器人与算力基础设施;自2月以来,这些团队按token计的模型使用量增长了23倍。
端到端测试的做法是让模型自己走完从需求到可交互装置的设计链条,而不是只完成其中一张图纸。 测试用GPT‑6定义功能需求,并设计外壳、印刷电路板以及连接Codex所需的软件集成。 Astra负责外观、固定元件的内部结构、电气元件选型与PCB布局布线、用户界面以及固件和软件集成;两名团队成员以副业方式在一周内完成设计,合同制造商在一个月内做出小批原型。
衡量这类能力需要一个把编码与工程知识结合起来的基准,而不只是通用多模态测试。 BenchCAD 2.0考察模型能否重建三维零件与装配体,并识别电路板中的连接关系。 一个较新的内部模型在该基准上取得0.875的平均分,GPT‑6 Astra在其最高推理设置下为0.594。
启示与展望
已展示的范围是OpenAI内部硬件与基础设施团队用Codex和ChatGPT做CAD建模、制造图纸、仿真与设计评审,一次由两名成员以副业方式完成的装置原型设计,以及与Chip Ganassi Racing和马自达等少数行业合作方在真实工程问题上的测试;这些合作方的工程师会审查模型输出的准确性与实用性,Chip Ganassi Racing的工程师还审查模型与图纸的准确性和可制造性。
装置进入量产仍需多轮评审与迭代,Astra未能稳定考虑制造商的生产限制、公差和装配细节;与马自达的空气动力学与碰撞安全合作尚在探索,更多进展与结果将在未来数月公布。
