Michael JohnsonЧи можна доручити ШІ не окреме креслення, а цілий пристрій — від корпусу й друкованої плати до прошивки? 3 листопада 2026 року OpenAI описала експеримент, у якому модель Astra разом із GPT‑6 допомогла спроєктувати пристрій для спілкування з Codex. Головний висновок для інженерів: корисна роль ШІ тут — поєднувати кілька етапів проєктування й пришвидшувати ітерації; перехід від цифрової моделі до готового виробництва й надалі потребує перевірки конструктивних і технологічних деталей.
У описаному проєкті система починала з функціональних вимог. Далі Astra розробила зовнішній вигляд, корпус і внутрішні конструкції, підібрала електронні компоненти, спроєктувала друковану плату з розміщенням елементів і з’єднаннями та підготувала інтерфейс, прошивку й програмні інтеграції. Це вже пов’язаний робочий процес: зміна розмірів корпусу може вплинути на розміщення плати, а компоненти та їхні з’єднання обмежують варіанти конструкції.
Що саме змінилося в роботі моделі
Звичайний генератор зображень відповідає на запитання «який вигляд це може мати». Описаний OpenAI сценарій претендує на тісніше поєднання різних способів подання: вимоги, механічну геометрію, електричну схему та програмну частину розглядають у межах одного завдання. Для інженера важливий саме перехід між ними — наприклад, щоб плата фізично поміщалася в корпус, а вибрані компоненти відповідали передбаченому призначенню пристрою.
OpenAI повідомила, що двоє співробітників створили тестовий пристрій менш ніж за тиждень як побічний проєкт, а контрактний виробник виготовив невелику партію прототипів менш ніж за місяць. Ці строки стосуються конкретного внутрішнього експерименту й описаного прототипу. Вони свідчать про можливість швидко перейти від задуму до фізичного зразка, але самі собою не дають універсальної оцінки швидкості проєктування інших пристроїв і команд.
Цей приклад корисний тим, що ШІ брав участь не лише в підготовці одного артефакту. Коли модель допомагає узгодити корпус, плату й програмне забезпечення, інженер може раніше побачити взаємозалежності, які зазвичай проявляються під час передавання результатів між різними інструментами та фахівцями. Така узгодженість особливо важлива для невеликих команд, де одна людина координує кілька дисциплін.
Чому цифровий проєкт ще не готовий до виробництва
Модель може запропонувати конструкцію, яка виглядає узгодженою на екрані, але не враховує реальних виробничих обмежень. У цьому експерименті OpenAI окремо зазначила, що Astra непослідовно враховувала обмеження виробника, допуски й деталі, необхідні для складання. Тому підготовка пристрою до виробництва потребувала кількох раундів перевірки й доопрацювання.
Причина цього розриву суто практична. Цифрова конструкція задає форму й взаємне розташування деталей; виробництво додає конкретні умови — допустимі відхилення розмірів, способи обробки й вимоги до складання. Якщо в корпусі надто мало місця або конструкція не враховує спосіб встановлення деталі, файл може бути технічно оформлений, але виріб буде складно або неможливо виготовити за заданим процесом.
Звідси випливає практичний розподіл відповідальності: модель допомагає підготувати й узгодити варіанти, а фахівці перевіряють їх на сумісність з обладнанням, матеріалами й технологією виробника. Команді варто оцінювати результат не за привабливістю 3D-моделі, а за тим, скільки суттєвих інженерних перевірок і коригувань залишилося до випуску робочого зразка.
Де застосування вже має конкретний вигляд
Внутрішні апаратні команди OpenAI використовують Codex і ChatGPT для створення та зміни CAD-моделей, підготовки виробничих креслень, налаштування симуляцій і аналізу конструкцій. Компанія повідомила, що з лютого використання моделей в апаратних командах, вимірюване токенами, зросло у 23 рази. Цей показник відображає споживання моделей цими командами, а не скорочення строків чи витрат на проєктування.
У співпраці з Chip Ganassi Racing команда досліджує перехід від тривимірних сканів наявних деталей до редагованих CAD-моделей і виробничих креслень. Такий сценарій корисний, коли початкові файли конструкції відсутні: скан стає вихідним матеріалом для відновлення геометрії, а інженери партнера перевіряють точність креслень і придатність до виготовлення.
У спільній роботі з Mazda моделі застосовують до проєктування автомобілів: досліджують форму передньої частини, моделюють повітряний потік і порівнюють варіанти з огляду на характеристики, дизайн і вартість. OpenAI описує це як дослідницьку співпрацю, про результати якої компанія планує повідомити пізніше. Сенс сценарію — досліджувати більше варіантів форми й швидше пов’язувати аеродинамічне моделювання з конструктивними рішеннями; опубліковані матеріали поки не містять вимірювань поліпшень готового автомобіля.
Як оцінювати такі системи в інженерній команді
OpenAI наводить BenchCAD 2.0 як одну з перевірок моделей на завданнях, що поєднують програмування та інженерні знання. Тест оцінює реконструкцію тривимірних деталей і вузлів, а також розпізнавання з’єднань на друкованих платах. У цій оцінці нова внутрішня модель отримала середній результат 0,875, тоді як GPT‑6 Astra в режимі максимального міркування — 0,594.
Для практичного вибору цей результат корисний як свідчення прогресу в конкретному класі завдань: побудові геометрії та розпізнаванні зв’язків. Він не вимірює весь цикл розробки, до якого входять добір матеріалів, теплові й механічні випробування, сертифікація та підтвердження технологічності виробництва. Тому команді доцільно перевіряти модель на власних типових завданнях і фіксувати, які вихідні файли інженерні інструменти приймають, а які все ще потребують ручного доопрацювання.
Практичний пілот можна побудувати навколо одного повторюваного етапу: наприклад, перетворення сканів деталі на CAD-модель, підготовки креслень або створення початкової конфігурації симуляції. Для кожного завдання слід заздалегідь визначити критерії приймання, призначити інженера, який перевірятиме геометрію й обмеження, та записувати виправлення, потрібні перед передаванням виробнику. Так команда побачить, де модель зменшує рутинне навантаження, а де її пропозиції створюють додаткові цикли перевірки.
Ключова межа — між проєктуванням і перевіркою
Проєкт OpenAI показує, що ШІ можна застосовувати до пов’язаних етапів фізичного проєктування, а не лише до тексту, коду чи окремого зображення. Користь виникає, коли система допомагає швидко узгоджувати вимоги й варіанти між механікою, електронікою та програмним забезпеченням. Але придатність до виробництва залишається окремим інженерним завданням: її визначають допуски, складання й можливості конкретного процесу.
Для розробників апаратних продуктів це дає чіткий орієнтир: оцінювання варто починати з обмеженого, перевірюваного етапу й вимірювати не кількість створених моделей, а обсяг ручних виправлень до інженерного приймання. Такий підхід дає змогу скористатися швидкістю генерування варіантів, зберігаючи контроль там, де цифровий проєкт перетворюється на фізичний виріб.
