OpenAI披露Astra一周硬件设计实践

让 AI 写代码已经很常见，让它连外壳、电路板、固件和界面一起设计，才是这条消息的看点。据 The Decoder 转述，OpenAI 硬件团队用 GPT-6 Astra 做了一个能与 Codex 编程代理对话的设备，作为业余项目，不到一周就完成了设计。

但设计完成和实物可用之间，还有一道制造关。这次尝试说明 AI 能参与更长的工程流程，也暴露了它对公差、装配和生产条件考虑不足的问题。

不到一周完成的，到底是哪一步

按照 OpenAI 的说法，GPT-6 Astra 参与了设备设计的各个环节：外壳设计、印刷电路板（PCB）布局、元器件选择、走线，以及固件和用户界面。PCB 走线就是安排元器件之间的电气连接，既要连得对，也要能在板子上做出来。

这个案例的看点，是任务横跨了机械、电子和软件。对程序员来说，可以把它理解为：AI 接到的交付目标从一份程序，扩展成了包含实体结构与软件行为的设备方案。

不到一周完成的是设计，不是已经验证成熟的硬件产品。

后续由合同制造商生产小批量原型，用时不到一个月。原文还提到经历了几轮修改，但没有交代这些修改分别发生在哪个阶段，也没有说明人类工程师投入了多少审查和修正工作。

因此，「从零设计」可以描述项目起点，却不足以证明整个过程都能脱离人工干预。

为什么设计交出去，还要改好几轮

原文给出的原因很具体：Astra 没有始终考虑制造约束、公差和装配细节。

公差指的是零件尺寸允许出现的偏差。图纸上两个部件刚好贴合，实际加工出来却未必装得上；电路连接正确，也不代表元件摆放适合生产和组装。

这让案例里的能力边界变得清楚：模型能够生成跨领域设计，但设计能否顺利变成实物，仍需要制造环节检验。

OpenAI 还称，其硬件团队已经把 Codex 和 ChatGPT 用于 CAD 模型、制造图纸和仿真，涉及机器人、计算基础设施等领域。自 2 月以来，相关 token 使用量增长了 23x。

这个数字能说明使用规模扩大，却不能直接证明效率提高了多少。原文没有提供任务数量、成本、返工率或交付周期的对应变化。

0.875 分能证明模型会做硬件了吗

OpenAI 同时公布了 BenchCAD 2.0 的成绩：一个更新的「internal model」得分为 0.875，GPT-6 Astra 在最高推理级别下为 0.594。

这个基准测试考察模型重建三维零件与装配体，以及识别 PCB 连接关系的能力。它覆盖了理解工程结构的重要部分，但原文列出的测试内容，并不等于完整的制造交付验收。

这里还要分清两个模型。做设备案例的是 GPT-6 Astra，拿到 0.875 的是另一个内部模型。OpenAI 没有披露后者的具体信息，不能把它的成绩算到 Astra 身上。

报道还提到，OpenAI 正在开发自己的硬件设备，据称形态介于 AI 音箱和智能手机之间。原文没有说明它与这次 Codex 对话设备的关系，不能把两个项目直接视为同一个产品。

我的判断

我认为，这个案例最有价值的地方，是展示了 AI 跨越多种工程产物的可能性：同一个设备目标，可以串起外壳、电路、固件和界面。它比单独生成一段代码更接近真实项目的协作方式。

但「做得快」目前仍是 OpenAI 披露的案例结果。作者没有给出传统团队完成同类任务的对照数据，也没有披露人员配置、设计复杂度和验收标准，不能据此判断一般团队也能在一周内复现。

与只让 AI 辅助某个环节相比，整套方案交给模型更值得探索，也更需要检查各环节之间能否衔接。这个案例里已经出现的制造返工，就是不能跳过的证据。

基准成绩、使用量和可制造性，回答的是三个不同的问题。

能拿来做什么

• 如果你在做连接实体设备的前端界面，可以借鉴这个案例，把界面、固件交互和设备操作方式一起评审，检查软件行为是否符合实物使用条件。
• 使用 Codex 或 ChatGPT 参与工程任务时，可以记录人工修正时间、返工次数和验收结果，用这些数据判断收益，避免只看生成速度和 token 用量。
• 如果准备尝试 AI 硬件原型，可以把制造约束、公差和装配要求提前整理成输入条件，并在送厂前安排人工审查，重点检查案例中已经暴露的缺口。