Michael Johnsonהאם אפשר להטיל על בינה מלאכותית לתכנן התקן שלם, ולא רק שרטוט בודד — מהמארז ולוח המעגלים המודפס ועד לקושחה? ב-3 בנובמבר 2026 תיארה OpenAI ניסוי שבו מודל Astra, יחד עם GPT‑6, סייע בתכנון התקן לתקשורת עם Codex. המסקנה העיקרית למהנדסים היא שתפקידה המועיל של הבינה המלאכותית כאן הוא לחבר בין כמה שלבי תכנון ולהאיץ את מחזורי האיטרציה; המעבר ממודל דיגיטלי לייצור מוגמר עדיין מחייב בדיקה של פרטים מבניים וטכנולוגיים.
בפרויקט המתואר, המערכת התחילה מדרישות פונקציונליות. לאחר מכן Astra תכננה את המראה החיצוני, המארז והמבנים הפנימיים, בחרה רכיבים אלקטרוניים, תכננה לוח מעגלים מודפס עם מיקום רכיבים וחיבורים, והכינה ממשק, קושחה ושילובי תוכנה. זהו כבר תהליך עבודה משולב: שינוי ממדי המארז עשוי להשפיע על מיקום הלוח, ואילו הרכיבים והחיבורים ביניהם מגבילים את אפשרויות התכנון.
מה בדיוק השתנה בעבודת המודל
מחולל תמונות רגיל עונה על השאלה ״איך זה עשוי להיראות״. התרחיש שתיארה OpenAI מכוון לחיבור הדוק יותר בין סוגי ייצוג שונים: דרישות, גאומטריה מכנית, מעגל חשמלי ורכיבי תוכנה נבחנים כחלק מאותה משימה. המעבר ביניהם הוא החלק החשוב למהנדס — למשל, לוודא שהלוח נכנס פיזית למארז ושהרכיבים שנבחרו מתאימים לתפקוד המתוכנן של ההתקן.
OpenAI דיווחה ששני עובדים יצרו התקן ניסיוני בפחות משבוע כפרויקט צד, ושיצרן חוזי ייצר סדרה קטנה של אבות טיפוס בתוך פחות מחודש. לוחות הזמנים האלה מתייחסים לניסוי פנימי מסוים ולאבטיפוס המתואר. הם מדגימים שאפשר לעבור במהירות מרעיון לדגם פיזי, אך כשלעצמם אינם מספקים אומדן אוניברסלי למהירות התכנון של התקנים וצוותים אחרים.
הדוגמה מועילה משום שהבינה המלאכותית השתתפה בהכנת יותר מתוצר יחיד. כשמודל מסייע לתאם בין המארז, הלוח והתוכנה, מהנדס יכול לזהות מוקדם יותר תלות הדדית שבדרך כלל מתגלה בעת העברת תוצרים בין כלים ומומחים שונים. תיאום כזה חשוב במיוחד לצוותים קטנים, שבהם אדם אחד מתאם בין כמה תחומי מומחיות.
מדוע פרויקט דיגיטלי עדיין אינו מוכן לייצור
מודל עשוי להציע מבנה שנראה מתואם על המסך, אך אינו מביא בחשבון מגבלות ייצור ממשיות. בניסוי הזה ציינה OpenAI בנפרד ש-Astra לא התחשבה בעקביות במגבלות היצרן, בסבולות ובפרטים הדרושים להרכבה. לכן הכנת ההתקן לייצור דרשה כמה סבבי בדיקה ושיפור.
הפער הזה נובע מסיבות מעשיות. תכנון דיגיטלי מגדיר את הצורה ואת המיקום היחסי של החלקים; הייצור מוסיף תנאים ספציפיים — סטיות מותרות במידות, שיטות עיבוד ודרישות הרכבה. אם המארז משאיר מעט מדי מקום או שהתכנון אינו מתחשב באופן התקנתו של חלק, ייתכן שהקובץ ערוך מבחינה טכנית, אך יהיה קשה או בלתי אפשרי לייצר את המוצר בתהליך הנתון.
מכאן נגזרת חלוקת אחריות מעשית: המודל מסייע להכין ולתאם חלופות, ואילו המומחים בודקים את התאמתן לציוד, לחומרים ולטכנולוגיית היצרן. עבור הצוות, פירוש הדבר שיש להעריך את התוצאה לא לפי מידת האטרקטיביות של מודל התלת־ממד, אלא לפי מספר הבדיקות והתיקונים ההנדסיים המהותיים שנותרו עד לייצור אבטיפוס עובד.
היכן היישום כבר נראה מוחשי
צוותי החומרה הפנימיים של OpenAI משתמשים ב-Codex וב-ChatGPT ליצירה ולשינוי של מודלי CAD, להכנת שרטוטי ייצור, להגדרת סימולציות ולניתוח מבנים. החברה דיווחה כי מאז פברואר גדל פי 23 השימוש במודלים בצוותי החומרה, כפי שנמדד בטוקנים. המדד הזה משקף את צריכת המודלים בתוך הצוותים האלה, ולא קיצור של לוחות הזמנים או הפחתה בעלויות התכנון.
בשיתוף פעולה עם Chip Ganassi Racing, הצוות בוחן מעבר מסריקות תלת־ממד של חלקים קיימים למודלי CAD הניתנים לעריכה ולשרטוטי ייצור. תרחיש כזה מועיל כשקובצי התכנון המקוריים אינם זמינים: הסריקה משמשת חומר גלם לשחזור הגאומטריה, ומהנדסי השותף בודקים את דיוק השרטוטים ואת התאמתם לייצור.
בעבודה משותפת עם Mazda, משתמשים במודלים לתכנון מכוניות: בוחנים את צורת החזית, מדמים את זרימת האוויר ומשווים חלופות בהתחשב בביצועים, בעיצוב ובעלות. OpenAI מתארת זאת כשיתוף פעולה מחקרי, שאת תוצאותיו החברה מתכננת לדווח בהמשך. מטרת התרחיש היא לבחון חלופות רבות יותר של צורות ולחבר במהירות רבה יותר בין סימולציה אווירודינמית להחלטות מבניות; החומרים שפורסמו עדיין אינם מציגים מדידות של שיפור במכונית המוגמרת.
איך להעריך מערכות כאלה בצוות הנדסי
OpenAI מציגה את BenchCAD 2.0 כאחת הדרכים לבחון מודלים במשימות המשלבות תכנות וידע הנדסי. המבחן מעריך שחזור של חלקים ומכלולים תלת־ממדיים, וכן זיהוי חיבורים בלוחות מעגלים מודפסים. בהערכה זו קיבלה מודל פנימי חדש ציון ממוצע של 0.875, בעוד GPT‑6 Astra במצב ההנמקה המרבית קיבלה 0.594.
לצורך בחירה מעשית, התוצאה הזו היא סימן להתקדמות בסוג משימות מסוים: יצירת גאומטריה וזיהוי קשרים. היא אינה מודדת את מחזור הפיתוח כולו, הכולל בחירת חומרים, בדיקות תרמיות ומכניות, הסמכה ואימות יכולת הייצור. לכן כדאי לצוות לבחון את המודל במשימות אופייניות משלו ולתעד אילו קובצי פלט מתקבלים בפועל בכלים ההנדסיים, ואילו עדיין דורשים עיבוד ידני.
אפשר לבנות פיילוט מעשי סביב שלב חוזר אחד: למשל, המרת סריקות של חלק ל-CAD, הכנת שרטוטים או יצירת תצורה ראשונית לסימולציה. לכל משימה יש להגדיר מראש קריטריוני קבלה, למנות מהנדס שיבדוק את הגאומטריה והמגבלות, ולתעד את התיקונים הנדרשים לפני העברת התוצר ליצרן. כך יוכל הצוות לראות היכן המודל מפחית עבודה שגרתית והיכן הצעותיו יוצרות סבבי בדיקה נוספים.
ההכרעה העיקרית היא בגבול שבין תכנון לבדיקה
הפרויקט של OpenAI מראה שאפשר להשתמש בבינה מלאכותית בשלבים מקושרים של תכנון פיזי, ולא רק בטקסט, בקוד או בתמונה בודדת. התועלת נוצרת כשהמערכת מסייעת לתאם במהירות בין דרישות וחלופות בתחומי המכניקה, האלקטרוניקה והתוכנה. אך התאמה לייצור נותרת משימה הנדסית נפרדת, המושפעת מסבולות, מהרכבה ומהיכולות של תהליך מסוים.
למפתחי מוצרי חומרה יש כאן קו מנחה ברור: כדאי להתחיל בהערכה של שלב מוגבל שניתן לבדיקה, ולמדוד לא את מספר המודלים שנוצרו אלא את היקף התיקונים הידניים עד לאישור ההנדסי. גישה כזו מאפשרת לנצל את המהירות שבה נוצרות חלופות, ובו בזמן לשמור על בקרה בנקודה שבה תכנון דיגיטלי הופך למוצר פיזי.
