Michael JohnsonМожно ли поручить ИИ не отдельный чертёж, а устройство целиком — от корпуса и печатной платы до прошивки? 3 ноября 2026 года OpenAI описала эксперимент, в котором модель Astra вместе с GPT‑6 помогла спроектировать устройство для общения с Codex. Главный вывод для инженеров: полезная роль ИИ здесь — связать несколько этапов проектирования и ускорить итерации; переход от цифровой модели к готовому производству по-прежнему требует проверки конструктивных и технологических деталей.
В описанном проекте система начинала с функциональных требований. Затем Astra разработала внешний вид, корпус и внутренние конструкции, подобрала электронные компоненты, спроектировала печатную плату с размещением и соединениями и подготовила интерфейс, прошивку и программные интеграции. Это уже связанный рабочий процесс: изменение размеров корпуса может затронуть размещение платы, а компоненты и их соединения ограничивают варианты конструкции.
Что именно изменилось в работе модели
Обычный генератор изображения отвечает на вопрос «как это может выглядеть». Описанный OpenAI сценарий претендует на более тесную связку представлений: требования, механическая геометрия, электрическая схема и программная часть рассматриваются в рамках одной задачи. Инженеру важен именно переход между ними — например, чтобы плата физически помещалась в корпус, а выбранные компоненты соответствовали предполагаемой функции устройства.
OpenAI сообщила, что два сотрудника создали тестовое устройство менее чем за неделю как побочный проект, а контрактный производитель изготовил небольшую партию прототипов менее чем за месяц. Эти сроки относятся к конкретному внутреннему эксперименту и описанному прототипу. Они показывают возможность быстро пройти от замысла к физическому образцу, но сами по себе не дают универсальной оценки скорости проектирования для других устройств и команд.
Пример полезен тем, что ИИ участвовал не только в подготовке одного артефакта. Когда модель помогает согласовать корпус, плату и ПО, инженер может раньше увидеть взаимозависимости, которые обычно проявляются при передаче результатов между разными инструментами и специалистами. Такая связность особенно важна для небольших команд, где один человек координирует несколько дисциплин.
Почему цифровой проект ещё не готов к производству
Модель может предложить конструкцию, которая выглядит согласованной на экране, но не учитывает реальные производственные ограничения. В этом эксперименте OpenAI отдельно указала, что Astra непоследовательно учитывала ограничения производителя, допуски и детали, необходимые для сборки. Поэтому подготовка устройства к производству потребовала нескольких раундов проверки и доработки.
Механизм этого разрыва практичен. Цифровая конструкция задаёт форму и взаимное расположение деталей; производство добавляет конкретные условия — допустимые отклонения размеров, способы обработки и требования к сборке. Если корпус оставляет слишком мало пространства или конструкция не учитывает способ установки детали, файл может быть технически оформлен, но изделие окажется трудным или невозможным для изготовления в заданном процессе.
Отсюда следует рабочее разделение ответственности: модель помогает подготовить и согласовать варианты, а специалисты проверяют их на совместимость с оборудованием, материалами и технологией производителя. Для команды это означает, что оценивать результат стоит не по привлекательности 3D-модели, а по тому, сколько существенных инженерных проверок и корректировок остаётся до выпуска рабочего образца.
Где применение уже выглядит конкретным
Внутренние аппаратные команды OpenAI используют Codex и ChatGPT для создания и изменения CAD-моделей, подготовки производственных чертежей, настройки симуляций и анализа конструкций. Компания сообщила, что с февраля использование моделей в аппаратных командах, измеряемое токенами, выросло в 23 раза. Этот показатель отражает потребление моделей внутри этих команд, а не сокращение сроков или затрат на проектирование.
В сотрудничестве с Chip Ganassi Racing команда изучает переход от трёхмерных сканов существующих деталей к редактируемым CAD-моделям и производственным чертежам. Такой сценарий ценен, когда исходные файлы конструкции отсутствуют: скан становится исходным материалом для восстановления геометрии, а инженеры партнёра проверяют точность и пригодность чертежей к изготовлению.
В совместной работе с Mazda модели применяют к проектированию автомобилей: исследуют форму передней части, моделируют воздушный поток и сравнивают варианты с учётом характеристик, дизайна и стоимости. OpenAI описывает это как исследовательское сотрудничество, результаты которого компания планирует сообщить позднее. Смысл сценария — исследовать больше вариантов формы и быстрее связывать аэродинамическую симуляцию с конструктивными решениями; опубликованные материалы пока не дают измерений улучшения готового автомобиля.
Как оценивать такие системы в инженерной команде
OpenAI приводит BenchCAD 2.0 как одну из проверок моделей на задачах, сочетающих программирование и инженерные знания. Тест оценивает реконструкцию трёхмерных деталей и сборок, а также распознавание соединений на печатных платах. В этой оценке новая внутренняя модель получила средний результат 0,875, тогда как GPT‑6 Astra в режиме максимального рассуждения — 0,594.
Для практического выбора этот результат полезен как сигнал о прогрессе на конкретном классе задач: построении геометрии и распознавании связей. Он не измеряет весь цикл разработки, куда входят подбор материалов, тепловые и механические испытания, сертификация и подтверждение производимости. Поэтому команде разумно проверять модель на собственных типовых задачах и фиксировать, какие выходные файлы реально принимают инженерные инструменты, а какие всё ещё нуждаются в ручной переработке.
Практический пилот можно построить вокруг одного повторяющегося этапа: например, преобразования сканов детали в CAD, подготовки чертежей или создания начальной конфигурации симуляции. Для каждой задачи следует заранее определить критерии приёмки, назначить инженера, который проверяет геометрию и ограничения, и записывать исправления, необходимые перед передачей производителю. Так команда увидит, где модель снимает рутинную нагрузку, а где её предложения создают дополнительные циклы проверки.
Главная развилка — в границе между проектированием и проверкой
Проект OpenAI показывает, что ИИ можно применять к связанным этапам физического проектирования, а не только к тексту, коду или отдельной картинке. Польза возникает, когда система помогает быстро согласовывать требования и варианты между механикой, электроникой и ПО. Но производственная пригодность остаётся отдельной инженерной задачей: её определяют допуски, сборка и возможности конкретного процесса.
Для разработчиков аппаратных продуктов это даёт ясный ориентир: начинать оценку стоит с ограниченного, проверяемого этапа и измерять не число созданных моделей, а объём ручных исправлений до инженерной приёмки. Такой подход позволяет использовать скорость генерации вариантов, сохраняя контроль там, где цифровой проект превращается в физическое изделие.
