OpenAI 的模型画出整台设备，卡在工厂的公差上

模型能自己做出一台硬件了吗？答案是：从想法画到样机，模型已经能做；从样机走到量产线的那一段，它还接不住。

OpenAI 11 月 3 日在官方博客 Accelerating engineering for the physical world 里讲了一件具体的事：两名员工把它当副业，用 GPT-6 Astra 一周内设计出一台能和 Codex 对话的小设备，代工厂不到一个月造出一小批样机。

同一篇博客也写了，量产准备要几轮审查和迭代。我们的判断是，这份发布证明的是第一版设计变便宜了，证明不了硬件开发变快了。

一周设计、一个月样机、几轮返工

按 OpenAI 博客的说法，这件事分四段：

• 2 月起：OpenAI 硬件与基础设施团队用 Codex 和 ChatGPT 画三维模型、出生产图纸、搭仿真、审设计，按 token 计的用量到发布时涨了 23 倍。
• 第 1 周：两名员工让模型定功能需求，再由 Astra 设计外观、外壳和内部支架，选电子元件、排电路板，写界面和固件。测试的目标是人不直接改设计文件。
• 不到一个月：一家代工厂按设计造出一小批样机。
• 之后几轮：Astra 没有始终把代工厂的生产限制、公差和装配细节算进去，量产准备靠多轮审查补上。

Interesting Engineering 的报道复述了同样的时间点，并写明 23 倍是 2 月到 10 月之间的增长。它没有给出独立核实，所有数字都出自 OpenAI 自己。

23 倍和 0.875 量的都是画图那一半

23 倍是 token 用量，量的是工程师用了多少，不是省了多少工时，也不是多少零件进了产线。

博客里另一个数也一样：OpenAI 自建的工程考卷 BenchCAD 2.0 考的是重建三维零件和装配体、认出电路板连接，内部新模型平均 0.875 分，Astra 最高推理档 0.594 分。

这两项考的仍是设计，没有一题考某家工厂能不能做出来。

有人会说，第一版设计本来就吃掉工程师大量时间，一周出设计、一个月拿到样机已经是实打实的提速。这一点我们接受：从想法到手里有样机，这段路确实短了。

我们不接受的是把它读成模型能自己造硬件。OpenAI 自己写的卡点是公差和装配，这正是一台设备能不能稳定量产的关口。

OpenAI 的合作方安排也说明了这一点。赛车队 Chip Ganassi Racing 用模型把旧零件的三维扫描转成可编辑模型和生产图纸，每份都由车队工程师核对精度和可制造性。

马自达请模型生成车头形状、跑气流仿真，成果要等「未来几个月」才公布。博客最后在招募工程公司和工具厂商一起定训练方向，这是分析推断：它缺的正是工厂那一侧的约束数据。

能不能量产，签字的还是人

回到那台小设备。外壳、电路板、固件都出自模型，一个月就摆上了桌；让它能上量产线，靠的是之后几轮审查，补的正是代工厂的生产限制、公差和装配要求。模型已经拿下了画图，硬件最难的那一半还没有交出去。谁先把工厂的规矩喂进模型，谁才真正缩短了硬件开发；在那之前，量产单上签字的仍是工程师。