OpenAI于11月3日发布博文，公布其在AI辅助实体产品研发方面的最新进展，展示GPT-6 Astra模型在机械结构、电路设计与软件固件协同开发中的应用能力，同时宣布与马自达展开研究合作，将模型用于汽车空气动力学设计与碰撞安全仿真评估。
据OpenAI披露，两名团队成员利用业余时间，在不到一周内借助Astra完成了一款可与Codex交互的测试设备设计。在该项目中，模型承担了外观设计、外壳结构、电子元件选型、电路板布局以及固件代码生成等多项工作，代工厂随后在不到一个月内完成了小批量原型机的制造。这一流程将传统硬件开发中设计、选型、打样之间的多轮往复压缩至数周量级，展示了生成式AI在跨学科工程协同中的潜在效率提升空间。
不过，OpenAI同时承认，从设计到制造仍存在明显门槛。模型未能始终充分考虑生产限制、尺寸公差及装配细节，投产准备仍需多轮人工审核与迭代。这意味着当前AI在硬件研发中的角色更接近高效率的初稿生成器与跨领域协作者，而非可直接替代工程师完成可制造性验证的端到端方案。硬件开发涉及材料特性、供应链约束与工艺窗口等大量隐性知识，这些环节的数字化程度和可验证性远低于纯软件代码，构成AI介入实体产品研发的主要瓶颈。
在汽车领域，OpenAI正与马自达的空气动力学及碰撞安全工程师合作，利用气流与结构仿真探索新车设计方案，在造型、性能与成本之间寻找更优平衡。汽车设计中的仿真评估通常需要大量计算资源与工程师经验判断，AI模型若能在设计早期快速生成并筛选方案，可缩短概念阶段的迭代周期。此外，OpenAI扩大了与Chip Ganassi Racing车队的合作，测试将零件三维扫描数据转换为可编辑CAD模型和二维制造图纸的能力，用于处理原始设计文件缺失的工程场景。该类需求在赛车、老旧设备维护及逆向工程中较为常见，此前主要依赖人工建模，耗时较长。
从行业视角看，此次披露延续了AI厂商将大模型能力从代码、文本生成向物理世界工程流程延伸的趋势。硬件设计与制造长期被视为AI渗透难度较高的领域，原因在于其数据闭环依赖仿真工具、CAD软件与产线反馈，且错误成本远高于软件迭代。OpenAI此次展示的案例规模有限，均为内部测试或研究合作项目，尚未形成可对外复用的产品化能力，但其指向的方向明确：将大模型作为跨机械、电子、软件的多域协同接口，压缩硬件原型的早期设计周期。
对马自达等传统车企而言，与AI厂商的研究合作更多处于探索阶段，距离量产流程集成尚有距离。仿真评估与CAD转换等环节的AI辅助若能得到验证，可能优先应用于概念设计与非关键零件的工程处理。OpenAI未披露相关合作的商业化时间表与具体部署规模，后续进展取决于模型在制造约束理解与工程精度方面的实际表现。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
