OpenAI测试Astra在实体工程领域的能力：从设备到车辆

OpenAI于2026年11月3日公布了一系列实体产品工程项目，其中包括一台由Astra设计的测试设备、与Chip Ganassi Racing扩大的工程合作，以及与Mazda开展的一项全新车辆设计研究合作。

这些能力涵盖机械工程、电气工程和端到端系统设计，从准备图纸、设置仿真，到协调不同专业领域之间的改动。目标是让工程师有更多时间探索创意、改进设计，同时通过专业工具的互联协作开展工作。

端到端设备实验

这项设备实验通过让模型设计一台可用于与Codex对话的设备，测试了GPT-6 Astra的多模态能力和计算机操作能力；团队成员没有直接编辑设计输出。Astra确定了功能需求，设计了外壳和内部组件支架，挑选了电气元件，并设计了印刷电路板，包括元件布局和连接方式。它还设计了用户界面，并生成了连接设备与Codex所需的固件和软件集成。

在此前一次Astra演示中，该模型在KiCad中放置元件并布设铜连接线，将电子原理图转换成印刷电路板布局。

两名团队成员把这项工作作为副项目，在不到一周的时间里与Astra共同设计了测试设备。随后，一家合同制造商在不到一个月内生产出一小批原型。

要达到可投入制造的要求，仍需经过多轮审查和迭代。Astra并未始终考虑到制造商的生产限制、公差或装配要求。团队正利用这些不足确定未来模型需要改进之处，从而厘清生成完整设计与为生产做好设计准备之间的区别。

内部应用与BenchCAD 2.0

在机器人和计算基础设施相关工作中，OpenAI的硬件与基础设施团队使用Codex和ChatGPT进行计算机辅助设计建模和修改、制造图纸绘制、仿真设置及设计审查。OpenAI称，自2月以来，其硬件团队对模型的使用量（以令牌数计）已增至原来的23倍。这一数字反映的是模型消耗量，并非对工程产出或节省时间的直接衡量。

BenchCAD 2.0通过要求模型重建3D零件和组件，并判定电路板连接方式，对设计能力进行独立评估。OpenAI称，一款较新的内部模型平均得分为0.875，而GPT-6 Astra在最高推理设置下的得分为0.594。OpenAI将这一提升视为AI模型可能加快专业迭代的初步证据，同时指出设计只是工程生命周期的一部分。

这表明基准测试表现与生产就绪程度之间仍存在明显差距：评估涵盖的是与设计有关的任务，而设备实验则显示，制造要求仍可能需要进一步审查。

Chip Ganassi Racing与Mazda的工程审查

OpenAI正与一小批行业合作方测试这些能力，由合作方的工程师审查模型输出的准确性和实用性。他们的评估旨在确定模型能够辅助哪些任务，以及要实现安全、可靠的部署，还需要改进哪些方面。

在Chip Ganassi Racing，扩大的合作正在测试一套工作流程：将现有零件的3D扫描数据转换为可编辑的CAD模型和2D制造图纸，尤其适用于无法获取原始设计文件的情况。CGR工程师会检查生成的模型和图纸是否准确、是否适合制造，并反馈哪些环节可以减少人工工作，以及模型还需要改进之处。

Chip Ganassi Racing合作的第一年主要聚焦于解读来自汽车传感器、赛事和维修区团队表现的数据。新的工作流程在此前的数据工作基础上，增加了实体零件工程设计和原型制作。

Mazda的合作由OpenAI的研究团队和前沿部署工程团队与Mazda的空气动力学及碰撞安全工程师共同开展。双方正利用气流和结构行为仿真来开发和评估车辆设计，同时考虑造型和成本因素。在空气动力学工作中，GPT-6 Astra会生成不同的车头形状，运行气流仿真，并改进有希望的设计，以期降低空气阻力。

Mazda首席工程师Akihiro Nakata表示，模拟数十种变化方案有助于工程师了解哪些特征会影响空气动力学表现，以及设计师有哪些空间可以探索。OpenAI计划分享这项研究的后续进展和结果。

OpenAI还邀请参与设计、仿真、制造和生产的工程公司及软件供应商，提出适用于未来合作的高价值应用和工具。这些项目共同关注的核心问题是：更优的设计成果能否经受住生产限制和工程审核的考验——这两个环节仍决定着生成的设计能否成为可制造的产品。