一句话概括这篇文章
OpenAI 在说：模型已经能从「帮你写脚本」走到「帮你做设计」——具体到机械结构、电路板、仿真设置和制造图纸。它给了一个相当激进的演示：让人工智能从功能需求一路做到一台能用的设备，中间没有人工直接编辑。
但它同时给了一句更重要的坦白：模型没有稳定地把制造商的产能极限、公差和装配细节算进去。 这句坦白，比前面所有演示都更值得硬件工程师读三遍。
文章到底说了什么
第一层，是能力声明。 模型现在能覆盖机械工程、电气工程与端到端系统设计：准备图纸、搭建仿真、协调跨专业变更。措辞很克制——”给我们内部团队更多时间探索想法”。
第二层，是一个完整的端到端演示。 团队用 GPT‑6（Astra）做了一台用来和 Codex 对话的设备：
- 外观：Astra 定风格（参考了 Work Louder 的 Codex Micro 联名和游戏/玩具的视觉语言）
- 机械：设计外壳与固定内部件的结构
- 电气：选型 + 设计 PCB，包括器件布局与连线，尺寸要装进那个壳
- 软硬件：设计 UI，生成固件和把它接进 Codex 的软件集成
结果：两名成员用不到一周、当副业做出来；代工厂不到一个月做出小批量样机。
第三层，是边界与数据。
- OpenAI 硬件与基础设施团队用 Codex/ChatGPT 做 CAD 建模、制造图纸、仿真设置与设计评审（机器人 + 算力基础设施）。从 2 月起，硬件团队的 token 使用量增长了 23 倍。
- BenchCAD 2.0：测试模型能否重建 3D 零件与装配体、识别电路板上的连接关系。一个更新的内部模型平均得分 0.875，而 GPT‑6 Astra 在最高推理档位是 0.594。
- 合作方：Chip Ganassi Racing——把现有零件的 3D 扫描转成可编辑 CAD 与 2D 制造图纸（尤其适用于原始设计文件已丢失的情况）；新增与马自达的研究合作，用气流与结构仿真探索车头造型以降低风阻。
来源：OpenAI — Accelerating engineering for the physical world
「两人一周做出一台设备」证明了什么
先说它确实证明了的事：从需求到可用原型的路径已经被打通。这不是”生成一张漂亮的渲染图”，而是外壳能装、PCB 能连、固件能跑、UI 能用的完整闭环。对一家硬件创业公司，这条路径过去要一个 4–6 人的小团队走两个月。
但要看清楚这个演示的记账方式：
一，”两人一周”不包括 DFM 循环。 OpenAI 自己写了：「让设备进入可制造状态仍然需要几轮评审与迭代」，因为 Astra 没有稳定考虑制造商的产能限制、公差和装配所需的细节。也就是说，一周交付的是可工作的原型，不是可量产的设计。中间那段——改公差、换封装、调堆叠、迁就供应商的最小起订量和工艺窗口——才是硬件工程的主体工作量，而这一段文章的结论是”还不行”。
二，代工厂承担了最脏的部分。 “不到一个月出小批量样机”背后是合同制造商（CM）的工程支持：可制造性评审、拼板、钢网、首件确认、失效分析。把 CM 的时间不算进”一周”里，是这类演示最常见的记账偏差。
三，也是最关键的：这份演示最亮的地方，恰好是 IC 与硬件的浅水区。 器件布局、连线、外壳建模——这些是受约束的几何问题，模型在几何上很强。而真正决定一块板能不能量产的是：这个封装在回流焊时的翘曲、这个连接器的插拔力公差累积、这条电源路径的环路面积、这颗料明年会不会停产。文章承认的短板（产能极限、公差、装配细节）不是模型的”小 bug”，而是制造知识的载体问题——那些知识不在公开语料里，在供应商的工艺文件、在你上一个项目的失效报告里。
BenchCAD 2.0 的 0.875 与 0.594 说明了什么
两个数字放在一起，容易被读成”新模型快好了”。我的读法更保守：
- 0.875 是内部模型（未发布），且是在最高推理档位下测的。这意味着成本与延迟都还在”研究”区间，不是产品区间。
- BenchCAD 2.0 的任务是重建 3D 零件/装配体 + 识别电路板上的连接关系。注意”识别连接关系”——这更接近逆向（从图或扫描还原网表），而不是正向设计。逆向是几何与视觉问题，正向设计是约束满足与权衡问题，后者难得多。
- 0.594 → 0.875 的提升幅度很大，但工程任务的价值不在平均分，在尾部：100 次里有 3 次把电源和地接反，这块板就不能发。
这也是我对”AI 做 EDA/PCB”一贯的看法：模型的进步会先吃掉”还原与整理”，再吃”布局与布线”，最后才可能碰”架构与权衡”。 顺序不能颠倒，因为越往后，判断依据越依赖不在数据里的东西——成本、供应链、可靠性历史、以及”这个客户不能接受什么”。
对硬件工程师：哪些活会先变
按”几何强、约束弱”这条线排，我的判断是：
- 最先被吃掉的是”资料活”：旧图纸转 CAD、3D 扫描重建零件、把散落的规格书整理成选型表、生成 BOM 草案、把仿真设置脚本化。Chip Ganassi Racing 那个用例（扫描件 → 可编辑 CAD + 2D 制造图）就是这一类的教科书案例——它的价值不在于”设计”，而在于让没有原始文件的旧零件重新可编辑。这件事在航空、工业设备、军工备件领域的存量需求极大。
- 其次是”重复验证”：批量跑参数化仿真、对比十种车头造型的风阻、把设计评审的 checklist 自动过一遍。马自达的合作就是这个形态：人定方向，模型跑方案空间。
- 最后才是”设计决策”：strike 定在哪、叠层怎么排、这颗料要不要为供应安全多付 8%。这部分模型能给建议，但责任无法转移——签字的还是工程师。
对 IC 后端的人，这个排序还有个额外含义：PD 的入门活（跑脚本、清 DRC、拉报表、追回归）正是”资料活 + 重复验证”，会最先被压缩。这不是坏事，但它意味着 junior 的成长路径要被重新设计——你没法再靠”做三年脏活”熬出判断力。这一点我在别的地方写过，这周的日报里也提过，这里不重复。
对硬件创业：四个可操作的判断
1. 别把”AI 能画板”当护城河，把”约束文件”当护城河。 模型在几何上足够强，谁都能调用。真正稀缺的是机器可读的制造约束：你合作过的 CM 的工艺窗口、你验证过的公差链、你踩过的失效模式。把 DFM 规则、供应商能力、替代料矩阵写成结构化的资产（而不是散在资深工程师脑子里），才是提效的乘数——同一套模型，喂了约束和没喂约束，产出差一个量级。
2. 原型的成本下降，会把瓶颈推到”认证与量产”。 两人一周出原型之后，你的瓶颈不再是画图，而是 FCC/CE、EMC、可靠性验证、模具与试产排期。创业公司的资源配置要提前一个阶段挪——把省下来的设计时间投到合规与供应链上，否则原型快了，量产没快。
3. 逆向能力被严重低估。 Chip Ganassi 那个用例比 PCB 生成的商业价值更确定：任何做备件、替换、国产替代的生意，第一步都是”把没有图纸的东西变成有图纸”。如果你在做硬件创业，这是一个被忽视的切口——存量设备远多于新设计。
4. 演示里的”一周”要打折，融资叙事里更要打折。 如果你拿这类案例去说服投资人”我们用 AI 所以研发周期减半”，请把 CM 的时间、DFM 迭代轮次、认证周期都算进去。硬件的时间常数由物理与供应链决定，不由 token 决定。能压缩的是迭代次数，不是物理等待时间。
🪵 判断
这篇文章的真正信息量不在演示，而在它承认的三件事：模型没有稳定考虑产能极限、公差、装配细节；BenchCAD 只是”设计之外”的一小步；以及他们在找合作方——说明这些能力还在”共同定义”阶段，没有定型。
对硬件工程师，正确的反应既不是恐慌也不是不屑，而是认清一条分界线：几何与资料会被自动化，约束与责任不会。 你的价值会越来越集中在”知道什么不能做”和”敢为结果签字”这两件事上。
对硬件创业，最实际的行动是今天就开始把制造知识结构化。等模型足够好的那天，有约束文件的公司会把没有的那批直接甩开。
— Youmoo（㕛木） Solid as teak.