Michael JohnsonCzy można powierzyć AI nie pojedynczy rysunek, lecz całe urządzenie — od obudowy i płytki drukowanej po firmware? 3 listopada 2026 roku OpenAI opisało eksperyment, w którym model Astra wraz z GPT‑6 pomógł zaprojektować urządzenie do komunikacji z Codexem. Główny wniosek dla inżynierów: użyteczną rolą AI jest tu łączenie kilku etapów projektowania i przyspieszanie iteracji; przejście od modelu cyfrowego do gotowego produktu nadal wymaga sprawdzenia szczegółów konstrukcyjnych i technologicznych.
W opisanym projekcie system zaczynał od wymagań funkcjonalnych. Następnie Astra opracowała wygląd zewnętrzny, obudowę i konstrukcje wewnętrzne, dobrała komponenty elektroniczne, zaprojektowała płytkę drukowaną wraz z rozmieszczeniem elementów i połączeniami, a także przygotowała interfejs, firmware i integracje programowe. To już powiązany przepływ pracy: zmiana wymiarów obudowy może wpłynąć na rozmieszczenie płytki, a komponenty i ich połączenia ograniczają możliwe warianty konstrukcji.
Co dokładnie się zmieniło w pracy modelu
Zwykły generator obrazów odpowiada na pytanie: „jak to może wyglądać?”. Opisany przez OpenAI scenariusz zakłada ściślejsze powiązanie różnych reprezentacji: wymagania, geometria mechaniczna, schemat elektryczny i oprogramowanie są rozpatrywane w ramach jednego zadania. Dla inżyniera kluczowe jest właśnie przejście między nimi — na przykład upewnienie się, że płytka fizycznie mieści się w obudowie, a wybrane komponenty odpowiadają zakładanej funkcji urządzenia.
OpenAI poinformowało, że dwóch pracowników stworzyło urządzenie testowe w mniej niż tydzień jako projekt poboczny, a producent kontraktowy wykonał niewielką serię prototypów w niecały miesiąc. Terminy te dotyczą konkretnego wewnętrznego eksperymentu i opisanego prototypu. Pokazują możliwość szybkiego przejścia od pomysłu do fizycznego egzemplarza, ale same w sobie nie pozwalają uniwersalnie ocenić tempa projektowania innych urządzeń i pracy innych zespołów.
Ten przykład jest użyteczny, ponieważ AI uczestniczyła nie tylko w przygotowaniu jednego artefaktu. Gdy model pomaga uzgodnić projekt obudowy, płytki i oprogramowania, inżynier może wcześniej dostrzec zależności, które zwykle ujawniają się dopiero podczas przekazywania wyników między różnymi narzędziami i specjalistami. Taka spójność ma szczególne znaczenie dla małych zespołów, w których jedna osoba koordynuje kilka dziedzin.
Dlaczego projekt cyfrowy nie jest jeszcze gotowy do produkcji
Model może zaproponować konstrukcję, która wygląda na spójną na ekranie, ale nie uwzględnia rzeczywistych ograniczeń produkcyjnych. OpenAI wskazało, że w tym eksperymencie Astra niekonsekwentnie brała pod uwagę ograniczenia producenta, tolerancje i szczegóły niezbędne do montażu. Dlatego przygotowanie urządzenia do produkcji wymagało kilku rund kontroli i poprawek.
Różnica ta ma praktyczne źródło. Konstrukcja cyfrowa określa kształt i wzajemne położenie części; produkcja dodaje konkretne warunki — dopuszczalne odchylenia wymiarów, metody obróbki i wymagania montażowe. Jeśli w obudowie pozostawiono zbyt mało miejsca albo konstrukcja nie uwzględnia sposobu instalacji elementu, plik może być poprawnie opracowany technicznie, ale wykonanie produktu w danym procesie może okazać się trudne lub niemożliwe.
Wynika z tego praktyczny podział odpowiedzialności: model pomaga przygotowywać i uzgadniać warianty, a specjaliści sprawdzają ich zgodność ze sprzętem, materiałami i technologią producenta. Dla zespołu oznacza to, że wynik należy oceniać nie po atrakcyjności modelu 3D, lecz po tym, ile istotnych kontroli inżynierskich i korekt pozostaje przed wykonaniem działającego prototypu.
Gdzie zastosowanie wygląda już konkretnie
Wewnętrzne zespoły sprzętowe OpenAI używają Codex i ChatGPT do tworzenia i modyfikowania modeli CAD, przygotowywania rysunków produkcyjnych, konfigurowania symulacji i analizowania konstrukcji. Firma poinformowała, że od lutego wykorzystanie modeli w zespołach sprzętowych, mierzone liczbą tokenów, wzrosło 23-krotnie. Wskaźnik ten odzwierciedla użycie modeli przez te zespoły, a nie skrócenie czasu ani obniżenie kosztów projektowania.
We współpracy z Chip Ganassi Racing zespół bada, jak przechodzić od skanów 3D istniejących części do edytowalnych modeli CAD i rysunków produkcyjnych. Taki scenariusz jest przydatny, gdy nie ma pierwotnych plików konstrukcyjnych: skan staje się materiałem wyjściowym do odtworzenia geometrii, a inżynierowie partnera sprawdzają dokładność i przydatność rysunków do produkcji.
We wspólnym projekcie z Mazdą modele są stosowane do projektowania samochodów: badany jest kształt przedniej części pojazdu, modelowany przepływ powietrza, a warianty porównywane z uwzględnieniem osiągów, stylistyki i kosztów. OpenAI opisuje to jako współpracę badawczą, której wyniki firma zamierza przedstawić później. Celem jest zbadanie większej liczby wariantów kształtu i szybsze powiązanie symulacji aerodynamicznej z decyzjami konstrukcyjnymi; opublikowane materiały nie zawierają na razie pomiarów wskazujących na poprawę parametrów gotowego samochodu.
Jak oceniać takie systemy w zespole inżynierskim
OpenAI podaje BenchCAD 2.0 jako jeden z testów modeli w zadaniach łączących programowanie i wiedzę inżynierską. Test ocenia odtwarzanie trójwymiarowych części i zespołów, a także rozpoznawanie połączeń na płytkach drukowanych. W tej ocenie nowy model wewnętrzny uzyskał średni wynik 0,875, podczas gdy GPT‑6 Astra w trybie maksymalnego rozumowania — 0,594.
W praktyce wynik ten jest użytecznym sygnałem postępów w konkretnej klasie zadań: tworzeniu geometrii i rozpoznawaniu powiązań. Nie mierzy całego cyklu rozwoju, który obejmuje dobór materiałów, testy termiczne i mechaniczne, certyfikację oraz potwierdzenie możliwości produkcji. Dlatego zespół powinien sprawdzić model na własnych typowych zadaniach i odnotować, które pliki wynikowe są akceptowane przez narzędzia inżynierskie, a które nadal wymagają ręcznej obróbki.
Praktyczny pilotaż można oprzeć na jednym powtarzalnym etapie, takim jak przekształcanie skanów części w modele CAD, przygotowywanie rysunków lub tworzenie początkowej konfiguracji symulacji. Dla każdego zadania należy wcześniej określić kryteria odbioru, wyznaczyć inżyniera sprawdzającego geometrię i ograniczenia oraz zapisywać poprawki konieczne przed przekazaniem projektu producentowi. Dzięki temu zespół zobaczy, gdzie model zmniejsza nakład rutynowej pracy, a gdzie jego propozycje prowadzą do dodatkowych rund kontroli.
Kluczowa kwestia: granica między projektowaniem a weryfikacją
Projekt OpenAI pokazuje, że AI można stosować na powiązanych etapach projektowania urządzeń fizycznych, a nie tylko przy tekście, kodzie lub pojedynczym obrazie. Korzyści pojawiają się wtedy, gdy system pomaga szybko uzgadniać wymagania i warianty z zakresu mechaniki, elektroniki i oprogramowania. Przydatność do produkcji pozostaje jednak odrębnym zadaniem inżynierskim: zależy od tolerancji, montażu i możliwości konkretnego procesu.
Dla twórców produktów sprzętowych to jasna wskazówka: ocenę warto zacząć od ograniczonego, możliwego do zweryfikowania etapu i mierzyć nie liczbę wygenerowanych modeli, lecz zakres ręcznych poprawek przed odbiorem inżynierskim. Takie podejście pozwala wykorzystać szybkość generowania wariantów, zachowując kontrolę tam, gdzie projekt cyfrowy staje się fizycznym produktem.
