OpenAI 公布 GPT-6 Astra 物理工程测试项目

OpenAI于2026年11月3日公布了一组物理产品工程项目，包括一台由Astra设计的测试设备、与Chip Ganassi Racing扩大的工程合作，以及与马自达的新车辆设计研究合作。

这些能力涵盖机械与电气工程以及端到端系统设计，从准备图纸、搭建仿真到协调跨学科的变更。目标是让工程师有更多时间探索想法、改进设计，同时将跨专业工具的工作连接起来。

该设备实验测试了GPT-6 Astra的多模态和计算机使用能力，让模型设计一台用于与Codex对话的设备，团队成员没有直接编辑设计输出。Astra定义了功能需求，开发了外壳和内部组件支撑结构，选定了电气元件并设计了印刷电路板，包括元件布局和连接。它还设计了用户界面，并生成了将设备连接到Codex所需的固件和软件集成。

在早前的一次Astra演示中，该模型在KiCad中放置元件并布线铜连接，将电子原理图转换为印刷电路板布局。

两名团队成员以副业形式与Astra一起在不到一周内设计了这台测试设备。随后一家代工厂在不到一个月内生产了一小批原型。

量产准备仍需多轮评审和迭代。Astra未能始终考虑制造商的生产约束、公差或装配要求。这些不足正被用于确定未来模型需要改进的地方，从而在生成完整设计与为生产准备该设计之间划出区分。

内部采用与BenchCAD 2.0

在机器人技术和计算基础设施工作中，OpenAI的硬件和基础设施团队使用Codex和ChatGPT进行计算机辅助设计建模与修改、制造图纸、仿真设置和设计评审。OpenAI报告称，其硬件团队按token计的模型使用量自2月以来增长了23倍。该数字追踪的是模型消耗量，而非直接衡量工程产出或节省的时间。

BenchCAD 2.0提供了对设计能力的独立评估，要求模型重建3D零件和装配体并确定电路板连接。OpenAI报告称，一个更新的内部模型平均得分为0.875，而GPT-6 Astra在最高推理设置下为0.594，并将这一提升作为AI模型可能加速专业迭代的早期证据，同时指出设计只是工程生命周期的一部分。

这在基准性能与量产准备之间留下了明显差距：评估涵盖与设计相关的任务，而设备实验则表明制造要求仍可能需要进一步评审。

OpenAI正与一小群行业合作者测试这些能力，他们的工程师会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可以支持哪些任务，以及为实现安全、可靠的部署必须改进什么。

在Chip Ganassi Racing，扩大的合作测试了将现有零件的3D扫描转换为可编辑CAD模型和2D制造图纸的工作流程，尤其是在原始设计文件不可用时。CGR工程师检查生成的模型和图纸的准确性和可制造性，并就哪些地方可以减少人工工作、哪些地方模型需要改进提供反馈。

在第一年，Chip Ganassi Racing的合作集中于解读来自赛车传感器、比赛和维修站团队表现的数据。新的工作流程在此前数据工作的基础上增加了物理零件工程和原型制作。

与马自达的合作将OpenAI的研究团队和前沿部署工程团队与马自达的空气动力学和碰撞安全工程师配对。这些团队正在使用气流和结构行为仿真来开发和评估车辆设计，同时兼顾造型和成本。在空气动力学工作中，GPT-6 Astra生成替代的鼻锥形状，运行气流仿真并优化有前景的设计，以努力降低阻力。

马自达首席工程师Akihiro Nakata表示，模拟数十种变体有助于工程师理解哪些特征对空气动力学重要，以及设计师在哪些方面有探索空间。OpenAI计划分享该研究的进一步进展和结果。

OpenAI还邀请参与设计、仿真、制造和生产领域的工程公司和软件供应商，为未来合作提出高价值用途和工具方案。这些项目的核心问题是，更好的设计输出能否贯穿生产约束和工程评审——这些阶段仍然决定生成的设计能否成为可制造的产品。