这是一台看起来像电子宠物的紫色设备，有屏幕、有实体按键，旁边还挂着一颗小草莓。用户可以拿起它，直接用语音和 Codex 对话。
真正特别的地方在于它是怎么被设计出来的。
两名 OpenAI 员工在工作之余，把外壳结构、电路板、用户界面和固件设计交给了 GPT-6 Astra。不到一周，他们就完成了原型设计。随后，合同制造商在不到一个月的时间里生产出了一小批样品。
不过，这个实验并非完全顺利。在设计进入实际制造环节时，团队仍然经历了几轮审查和修改。AI 能够完成数字设计，却没有始终考虑生产限制、公差和装配细节。
11 月 3 日，OpenAI 发布了一份关于 AI 辅助实体工程的进展报告。相比模型能生成多少代码、完成多复杂的推理任务，这次更值得关注的问题是：当 AI 开始设计真实的产品，它距离制造业所要求的精度和可靠性，还有多远？
报告指路👉：https://openai.com/index/accelerating-engineering-for-the-physical-world/
在美学上，Astra 参考了 OpenAI 此前与 Work Louder 的合作，以及游戏和玩具的设计语言。
Tamagotchi
Work Louder 是加拿大一家外设厂商，以模块化机械按键设备著称。2026 年 7 月，双方联名推出 Codex Micro 键盘，售价 230 美元，12 小时内售罄。Codex Micro 本质上是 Codex 工作流的物理快捷入口，可以实时显示各 AI 智能体的 RGB 状态，映射常用操作。
那也是 OpenAI 对外销售的第一款实体硬件产品。
与已经上市的 Codex Micro 不同，TamaGPT 并不是一款面向消费者的成熟产品，而是用来测试 AI 工程能力的实验原型。
对于硬件开发来说，完成一个外观设计只是开始。外壳需要为电路板留出空间，元器件的排列要满足尺寸和连接要求，屏幕、按键和固件也必须能够协同工作。一个环节的调整可能影响其他部分。
此次，Astra 承担了机械设计、电气设计和软件集成三个环节。
机械设计负责外壳造型和内部支撑结构，让所有元件待在正确的位置；电气设计挑选了所有元器件，完成了 PCB 布局，包括元件放置和电路连接，使其能够装入外壳；固件则负责把设备和 Codex 连接起来，实现语音输入到代码生成的完整链路。
正如前文所说，设计在数字层面完成之后，送去生产时却遇到了麻烦。Astra「未能始终如一地考虑制造商的生产限制、公差要求和装配细节」，原型经历了几轮审查和修改才准备好。
AI 已经能把零件「画」出来，但还没完全学好把零件「装」进去。
赛车的扫描件
自 2026 年 2 月以来，OpenAI 内部硬件与基础设施团队使用 Codex 的 token 量增长了 23 倍。这意味着 Codex 已经从「偶尔用一下的辅助工具」变成了硬件与基础设施团队的默认工作流。
OpenAI 自己的硬件和基础设施团队日常里用 Codex 和 ChatGPT 画和改 CAD 模型，准备加工图纸，设置仿真，评审设计，涉及机器人和算力基础设施两个方向。
前线部署工程师 Grace Lam 说，「从创意到工程零件的速度大幅提升，三维设计转为二维生产图的流程明显减少了人工」。准备一张制造图纸，原本需要工程师在 CAD 软件里花时间做标注和尺寸换算，这些步骤现在可以由 Codex 来完成，工程师负责审查和修改。
在性能衡量上，OpenAI 推出了 BenchCAD 2.0，测试内容是重建 3D 零件与组件、识别电路板连接关系。
内部新模型平均得分 0.875，GPT-6 Astra 最高推理档得分为 0.594。
虽然最高推理档的分数仍低于内部新模型，但已经足以在日常 CAD 重建和电路关系识别中显著减少人工重复劳动。
行业层面，在 IndyCar 和 WEC 赛事中都有参赛的车队 Chip Ganassi Racing，2025 年 2 月就与 OpenAI 在圣彼得堡签署了战略合作，起初的目标是赛道数据分析和前台运营。
到了 2026 年赛季，OpenAI 进一步成为两站主赞助商，合作也深入到了工程端：将零件的 3D 扫描转为可编辑 CAD 模型和 2D 制造图纸，特别适用于原始设计文件已经不存在的场景。
CGR 的 R\&D 工程师 Matthew Ortman 描述自己使用这个工作流的感受时说，「模型给出的反馈可以直接落地，手动微调可以直接在里面完成，整个过程变得更顺畅、更少干预」。
CGR 的赛车上装有超过 200 个传感器，单次比赛每小时产生约 10 亿个数据点。如此，让 AI 在工程端的应用有了极其充分的验证场景，也让错误的代价变得清晰可见。
马自达风洞里的车鼻子
根据 SEMI 旗下 ESD Alliance 发布的数据，2026 年第一季度，全球电子系统设计行业收入达到约 57.5 亿美元，同比增长 12.7%。
与此同时，EDA 厂商也在将 AI 引入更复杂的设计工作流。2026 年 3 月，西门子推出 Fuse EDA AI Agent，尝试将半导体、3D IC 和 PCB 设计中的多项任务交由智能体协调执行。
各家工具在数字层面的能力都在快速提升，但「可制造性核查」依然是人在把关。
OpenAI 的研究团队与马自达的气动和碰撞安全工程师合作，通过模拟气流与结构行为来探索新车型设计，目标是在兼顾造型和成本的前提下提升性能。这个合作的框架已经从「用 AI 生成设计」延伸到了「用 AI 评估设计」：Astra 通过仿真数十个变体，帮助工程师理解哪些特征对气动性能真正重要，哪里是设计师可以自由发挥的空间。
类似地，IBM 与赛车底盘制造商 Dallara 合作，把赛车的气动仿真时间从数小时压缩到 10 秒以内。这逐渐改变了工程师和设计师之间的对话方式。
马自达首席工程师 Nakata Akihiro 说，「当我们找到一个改善气流的形状，设计师总会问：它必须长这个样子吗？通过模拟数十个变体，Astra 帮助我们理解哪些特征对气动性能真正重要，哪里是设计师可以自由发挥的空间。」
Hardware by AI
一直以来，我们讨论 AI 与硬件，主要关心的是：如何把大模型装进手机、眼镜、机器人、汽车。用 GPT-6 魔改 Kindle，手搓 Claude Code 拓麻歌子，给各种电子设备装上 AI 大脑，让原本只会执行固定指令的硬件变得更聪明。
现在，几个更有意思的方向正在出现。
OpenAI 和 Anthropic 正在从不同方向探索。
前者让 AI 不只是硬件产品中的一个功能，使其开始成为设计、开发、测试乃至制造硬件的参与者。后者让 AI 能够理解、操作和协调真实世界中的硬件。
上个月，Anthropic 发布了一项名为 Model Hardware Standard (MHS) 模型硬件标准的研究预览。
Claude 可以使用 MHS 系统操作摄像头，拍摄每次移液过程的照片。这些照片由计算机视觉算法处理，以识别移液错误，例如气泡和泡沫。一旦检测到错误，Claude 就可以进行干预。
而顺着 OpenAI 的探索，未来可能出现一种全新的开发模式：人类定义产品目标，AI 负责大量工程设计、仿真、代码实现和迭代工作，实体制造与真实测试产生反馈，再由 AI 持续修改设计。
我更愿意把它称为 Agentic Hardware Engineering。它可能会像 Vibe Coding 改变软件开发一样，逐步改变电子产品、机器人、工业设备，甚至汽车和芯片的研发方式。
值得关注的，未必只是 OpenAI 和 Anthropic。
更具长期价值的机会，可能出现在掌握专业工程工具、制造流程以及真实测试数据的企业。
因为通用大模型可以帮助思考，但真实可靠的工程交付，还需要元器件数据库、CAD/EDA 内核、工艺规则、仿真模型、测试设备和制造反馈。
当 AI 能够设计电路、机械结构、固件并连接工厂时，未来硬件公司的核心壁垒很有可能是 AI 能够调用的制造和实验数据。
我们正在招募伙伴
📮 简历投递邮箱hr@ifanr.com
✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）
更多岗位信息请点击这里🔗