OpenAI teste Astra dans l’ingénierie de produits physiques, des appareils aux véhicules

OpenAI a annoncé le 3 novembre 2026 une série de projets d’ingénierie de produits physiques, dont un appareil de test conçu par Astra, l’élargissement de ses travaux d’ingénierie avec Chip Ganassi Racing et une nouvelle collaboration de recherche avec Mazda sur la conception de véhicules.

Ces capacités couvrent le génie mécanique et électrique ainsi que la conception de systèmes de bout en bout, de la préparation des plans et de la mise en place des simulations à la coordination des modifications entre les disciplines. L’objectif est de permettre aux ingénieurs de consacrer davantage de temps à explorer des idées et à améliorer les conceptions, tout en reliant le travail effectué avec des outils spécialisés.

Une expérience de conception d’appareil de bout en bout

L’expérience menée avec l’appareil a mis à l’épreuve les capacités multimodales et d’utilisation d’un ordinateur de GPT-6 Astra : le modèle devait créer un appareil permettant de communiquer avec Codex, sans que les membres de l’équipe modifient directement les résultats de conception. Astra a défini les exigences fonctionnelles, conçu le boîtier et les supports internes des composants, choisi les composants électriques et conçu la carte de circuit imprimé, notamment l’emplacement des composants et leurs connexions. Il a également conçu l’interface utilisateur et généré le micrologiciel ainsi que les intégrations logicielles nécessaires pour connecter l’appareil à Codex.

Lors d’une précédente démonstration d’Astra, le modèle a placé des composants et tracé des connexions en cuivre dans KiCad, transformant un schéma électronique en un agencement de carte de circuit imprimé.

Deux membres de l’équipe ont conçu l’appareil de test avec Astra en moins d’une semaine, en travaillant sur ce projet parallèle. Un fabricant sous contrat a ensuite produit une petite série de prototypes en moins d’un mois.

La mise en état de fabrication a néanmoins nécessité plusieurs cycles d’examen et d’itération. Astra n’a pas toujours tenu compte des contraintes de production, des tolérances ni des exigences d’assemblage du fabricant. Ces lacunes servent à déterminer les améliorations à apporter aux futurs modèles et mettent en évidence la différence entre générer une conception complète et la préparer pour la production.

Adoption interne et BenchCAD 2.0

Dans les domaines de la robotique et des infrastructures de calcul, les équipes matériel et infrastructure d’OpenAI utilisent Codex et ChatGPT pour la modélisation et la révision de conceptions assistées par ordinateur, les plans de fabrication, la mise en place de simulations et les revues de conception. OpenAI indique que l’utilisation des modèles par ses équipes matériel, mesurée en jetons, a été multipliée par 23 depuis février. Ce chiffre mesure la consommation des modèles, et non directement le rendement de l’ingénierie ou le temps gagné.

BenchCAD 2.0 évalue séparément les capacités de conception en demandant aux modèles de recréer des pièces et des assemblages 3D, ainsi que de déterminer les connexions d’une carte de circuit imprimé. OpenAI fait état d’un score moyen de 0,875 pour un modèle interne plus récent, contre 0,594 pour GPT-6 Astra avec son niveau de raisonnement le plus élevé. L’entreprise présente ce gain comme un premier indice que les modèles d’IA pourraient accélérer les cycles d’itération professionnels, tout en soulignant que la conception ne représente qu’une partie du cycle de vie de l’ingénierie.

L’écart entre les résultats de référence et l’aptitude à la production reste donc manifeste : l’évaluation porte sur des tâches liées à la conception, tandis que l’expérience menée avec l’appareil montre que les exigences de fabrication peuvent encore imposer des examens supplémentaires.

Revue d’ingénierie chez Chip Ganassi Racing et Mazda

OpenAI teste ces capacités avec un petit groupe de partenaires industriels, dont les ingénieurs examinent les résultats des modèles pour en vérifier l’exactitude et l’utilité pratique. Leurs évaluations visent à déterminer quelles tâches les modèles peuvent prendre en charge et quelles améliorations sont nécessaires pour assurer un déploiement sûr et fiable.

Chez Chip Ganassi Racing, la collaboration élargie met à l’essai des processus qui convertissent des scans 3D de pièces existantes en modèles de CAO modifiables et en plans de fabrication 2D, notamment lorsque les fichiers de conception d’origine ne sont pas disponibles. Les ingénieurs de CGR vérifient l’exactitude et la fabricabilité des modèles et des plans obtenus, et indiquent où le travail manuel peut être réduit et où les modèles doivent être améliorés.

Au cours de sa première année, le partenariat avec Chip Ganassi Racing s’est concentré sur l’interprétation des données provenant des capteurs des voitures, des courses et des performances des équipes aux stands. Les nouveaux processus étendent ces travaux antérieurs sur les données à l’ingénierie des pièces physiques et au prototypage.

La collaboration avec Mazda réunit les équipes de recherche et de Forward Deployed Engineering d’OpenAI et les ingénieurs de Mazda spécialisés en aérodynamique et en sécurité en cas de collision. Les équipes s’appuient sur des simulations des flux d’air et du comportement des structures pour concevoir et évaluer des véhicules, en tenant compte du style et du coût. Pour les travaux d’aérodynamique, GPT-6 Astra génère différentes formes de nez, lance des simulations des flux d’air et affine les conceptions prometteuses afin de réduire la traînée.

Akihiro Nakata, ingénieur principal chez Mazda, a déclaré que la simulation de dizaines de variantes aide les ingénieurs à comprendre quelles caractéristiques comptent pour l’aérodynamique et dans quelle mesure les concepteurs disposent d’une marge d’exploration. OpenAI prévoit de communiquer d’autres avancées et résultats de cette recherche.

OpenAI invite également les entreprises d’ingénierie et les fournisseurs de logiciels participant à la conception, à la simulation, à la fabrication et à la production à proposer des applications à forte valeur ajoutée et des outils en vue de futures collaborations. Dans tous ces projets, la question centrale est de savoir si des résultats de conception de meilleure qualité peuvent tenir compte des contraintes de production et résister à l’examen technique, deux étapes qui déterminent encore si une conception générée peut devenir un produit fabriquable.