11 月 3 日，OpenAI 发布《Accelerating engineering for the physical world（加速物理世界的工程开发）》，集中展示了模型在设计、仿真与制造实体产品上的进展：机械工程、电气工程与端到端系统设计。这些能力已经在帮助其内部团队验证构想、加快迭代，并开始进入外部企业的真实工程流程——包括与赛车队的合作扩展，以及首次与马自达建立研究合作。
文章的落点很明确：工程师需要把机械设计、电子、软件与制造要求用专业工具统合起来，OpenAI 正在训练模型承担这部分工作——从出图、搭仿真，到协调跨专业的变更。
用 Astra 造一台设备：没有人类直接改稿
OpenAI 做了一个端到端测试：不用人类直接修改，看能否造出一台设备。做法是用 GPT‑6 定义功能需求，再让模型设计外壳、印刷电路板（PCB）与软件集成，最终得到一台「用户可以直接和 Codex 对话」的设备。
四块工作全部由 Astra 完成：
- 美学与设计：外观借鉴此前与 Work Louder 的合作成果，并从游戏与玩具中取灵感。
- 机械设计：设计外壳，以及固定各零部件的内部结构。
- 电气设计：选定电子元器件，设计能塞进外壳的 PCB，包括元件布局与连接。
- UI/UX 与软件：设计用户界面，并生成把设备接上 Codex 所需的固件与软件集成。
结果是：两名团队成员把它当业余项目，借助 Astra 在不到一周内完成设计，一家代工厂在不到一个月内做出了小批量原型机。
但 OpenAI 也没有回避短板：要让设备达到可投产状态，仍需多轮评审与迭代。Astra 并非总能考虑到制造商的生产限制、公差，或装配所需的细节。这些缺口正是他们判断下一代模型该补什么的地方。
内部硬件团队：把 Codex 当 CAD 同事
OpenAI 的硬件与基础设施团队现在用 Codex 和 ChatGPT 创建与修改计算机辅助设计（CAD）模型、绘制制造图纸、搭建仿真、评审设计，覆盖机器人到计算基础设施。文章给出的数字是：自 2 月以来，各硬件团队按 token 计的模型用量已增至原来的 23 倍；页面还配了一张「各硬件团队每日 Codex 用量中位数」的图表，从 2 月到 10 月 1—22 日一路抬升。
三位内部工程师的说法被放在正文里：
- 前线部署工程师 Grace Lam：「Codex 大幅加快了我们从构想到完成零件工程设计的进程。我们在 CAD 中的各项迭代更快了，能将三维设计转化为可直接用于生产的二维图纸，并以少得多的手动操作完成仿真和有限元分析（FEA）的设置。」
- 技术团队成员 Qiong Wang 描述系统硬件设计场景：用 Codex 和 ChatGPT 梳理跨职能的设计约束、探索系统架构、在不同 ECAD 环境里执行任务并做设计评审；她认为这类模型还有潜力覆盖「从电路板构想到 Gerber 文件输出」的全流程。
- 基础设施团队成员 Jackie Lee 则从建筑、工程与施工（AEC）与建筑信息模型（BIM）角度举例：重复建模、核对图纸与规格、协调跨专业变更最耗时间，团队正用 Codex 自动处理常规任务、标记不一致之处，并把协调问题整理成可执行事项，再由建筑师与 BIM 专业人员审核验证。
BenchCAD 2.0：0.875 与 0.594
为衡量「编程 + 工程知识」这类任务上的进展，OpenAI 用 BenchCAD 2.0 测试模型能否重建三维零件与装配体、识别电路板中的连接。
| 模型 | BenchCAD 2.0 平均分 |
|---|---|
| 较新的内部模型 | 0.875 |
| GPT‑6 Astra（最高推理设置） | 0.594 |
OpenAI 的口径比较克制：工程全生命周期远不止设计，这只能算「初步证据」，说明模型有能力加快专业工作流中的迭代速度。
对外合作：赛车零部件与马自达风阻
对外，OpenAI 正在与一小批行业合作者把能力放到真实工程问题上，由对方的工程师审核输出的准确性与实用性。
- Chip Ganassi Racing（CGR）：扩大既有合作，测试把现有零件的三维扫描数据转成可编辑 CAD 模型与二维制造图纸的工作流——在原始设计文件已经拿不到时尤其有用。CGR 工程师会审核模型与图纸的准确性和可制造性。其研发工程师 Matthew Ortman 的反馈是：流程更快、需要亲手微调的地方更少，「我给模型的反馈能直接落实」。
- 马自达：一项新的研究合作。OpenAI 的研究团队与前线部署工程团队，正与马自达的空气动力学与碰撞安全工程师合作，探索模型如何帮助开发与评估新车设计；工作方式是通过气流与结构响应的仿真，在兼顾造型与成本的前提下提升性能。GPT‑6 Astra 的角色是为新的车头造型建模、模拟气流、优化最有前景的方案，帮助探索降低风阻的路径。
马自达首席工程师 Akihiro Nakata 用一句内部对话点出了价值所在：「『一定要做成这个样子吗？』每当我们找到一种能改善气流的造型时，设计师常常会这样问。」他说，通过探索数十种变体并做仿真，Codex 中的 Astra 帮助团队理解哪些特征对空气动力学真正关键、哪些地方还留给设计师发挥——所以合作的价值不只是自动化与缩短周期，而是让马自达的造型语言与气动性能不必互相妥协。更多进展将在未来几个月公布。
招募合作者
文末，OpenAI 公开征集合作：如果你从事复杂实体产品的设计、仿真、制造或生产，或是相关软件供应商，他们希望围绕你实际使用的工具与问题一起推进，并以此指导前沿模型的训练方向。
核心总结
- OpenAI 用 Astra 做了一次端到端验证：由 GPT‑6 定义需求，模型完成外观、外壳、PCB、固件与界面，两名工程师以业余项目在不到一周内完成设计，代工厂不到一个月出小批量原型。
- 缺口同样明确：模型尚未稳定考虑生产限制、公差与装配细节，投产仍需多轮人工评审。
- 内部硬件团队自 2 月以来按 token 计的模型用量增长 23 倍，用途覆盖 CAD 建模、制造图纸、仿真与设计评审。
- BenchCAD 2.0 上，较新的内部模型平均 0.875，GPT‑6 Astra 最高推理设置 0.594。
- 对外合作两条线：CGR 做「三维扫描 → 可编辑 CAD / 二维图纸」，马自达做空气动力学与碰撞安全仿真；两者都由企业工程师把关输出。
原文：Accelerating engineering for the physical world（OpenAI，2026 年 11 月 3 日）
