这次不是写代码，是做一个实物

OpenAI 让 GPT-6 从功能需求开始，设计一台用户能用来和 Codex 对话的设备。分工包括：外观与参考风格、外壳和内部支撑结构、电气器件选型与 PCB 布局布线、UI/UX，以及连接 Codex 的固件和软件集成。两名团队成员把它当副业，不到一周完成设计；合同制造商在一个月内做出小批量原型。

这句话里最重要的是「原型」两个字。OpenAI 没有说这台设备已经量产，也没有公布售价或上市时间。它更像一次能力边界测试：模型能不能把机械、电子、软件和制造要求放在同一张桌上讨论。

模型做对了什么，没做对什么

官方承认，设备要达到可制造状态，仍需多轮评审和迭代。Astra 不能稳定考虑制造商的生产限制、公差和装配所需的细节。这些缺口被 OpenAI 用来定义下一代模型该补的能力，而不是被包装成「已经能 autonomous 造硬件」。

这其实符合硬件行业的常识：设计一个能跑的原型，和设计一个能以稳定良率生产的产品，中间隔着 DFM（可制造性设计）、器件降额、热设计、EMC、认证和供应链。模型可以加速前面的探索，后面的验证仍要人做。

内部 usage 说明了什么

OpenAI 说，自 2 月以来硬件与基础设施团队使用模型的 token 量增长了 23 倍。Codex 和 ChatGPT 被用来改 CAD 模型、出制造图纸、搭仿真、做设计评审。几位工程师的引语集中在「从想法到可加工零件更快」「跨 ECAD 环境执行」「把协调发现变成可行动的问题」。

23 倍是个很大的数字，但它是 token 用量，不是产出或利润。它只能说明这些团队把更多工作搬进了模型，不能直接证明设计质量提升。真正该看的是返工率、评审周期和原型一次通过率。

对工程团队的含义

  • 模型最擅长的不是「从零发明」，而是把已有约束、器件手册、历史图纸和评审意见串起来，快速给出第一版。
  • 约束写得越结构化，产出越可用：器件库、尺寸链、公差、接口定义、测试标准，最好都以文件形式放进上下文。
  • 验证仍是瓶颈：仿真、样机、认证和产线调试不会因为模型会画图就消失，反而会因为第一版变多而更忙。
  • 安全件、承力件、医疗和车规产品不适合直接让模型定稿，必须有资质工程师签字。

可落地的试点

选一个低风险、可测量的子系统，比如测试夹具、非承力外壳或线束整理件。让模型读现有图纸、器件规格和装配说明，产出 3 个方案；由工程师选一个做样，记录设计时间、评审意见数、返工轮次和装配耗时。跑 3 个迭代后再判断是否扩大范围。

一句话：AI 把硬件的第一版变便宜了，但把「第一版能不能造」的问题留给了人。