OpenAi加速推动物理世界工程发展
稻草财经 视角 · 独立逻辑线拆解
1. 能力范围：从图纸、仿真到跨学科变更协调
事实：这些能力涵盖机械工程、电气工程和端到端系统设计，目前已帮助我们的内部团队测试想法并加快迭代。
2. Astra端到端设备设计测试：一周设计、一月出原型，但制造约束仍是短板
事实：两名团队成员将其作为副业项目，使用Astra在不到一周内设计出了这款测试设备。；Astra未能始终将制造商的生产限制、公差或装配所需的细节考虑周全。
3. 内部硬件团队：token用量自2月以来增长23倍
事实：自2月以来，我们硬件团队的模型使用量（以token数量衡量）增长了23倍。
4. 能力衡量：BenchCAD 2.0上内部模型0.875分，高于GPT-6 Astra的0.594分
事实：一款较新的内部模型平均得分为0.875，而GPT-6 Astra在最高推理设置下的得分为0.594。
5. 行业协作：CGR将3D扫描转为CAD，马自达探索空气动力学与碰撞安全
事实：我们正在拓展与Chip Ganassi Racing（CGR）的合作，探索OpenAI模型如何加速工程设计和原型制作。；我们还宣布与马自达开展一项新的研究合作。
核心逻辑
OpenAI展示AI模型在设计、仿真与制造文档环节可加快迭代：内部硬件团队token用量自2月以来增长23倍，BenchCAD 2.0上内部模型平均得分0.88（0.875），高于GPT-6 Astra最高推理设置下的0.594。但该结论的成立条件是仍需人工审核：Astra未能始终考虑制造商的生产限制、公差与装配细节，设备投产前仍需多轮审核迭代。
主要风险
- 制造约束处理不足：Astra未能始终考虑制造商的生产限制、公差或装配所需细节，设备投产前仍需多轮人工审核和迭代。
- 能力证据仍属早期：OpenAI自述工程生命周期包含设计之外的许多其他环节，BenchCAD 2.0上的改进只是AI对专业工作流迭代速度产生积极影响的早期证据。
- 行业落地尚需验证：OpenAI与合作伙伴仍在了解模型能在哪些方面发挥最大作用、哪些需要改进，工程师需审核模型输出的准确性与实用性才能实现安全可靠应用。
展开完整深度解读（报告综述·更多利好与风险）
报告综述
OpenAI于2026年11月3日发布研究博文《加速面向物理世界的工程设计》，介绍其模型在机械工程、电气工程和端到端系统设计中的能力：支持准备图纸、设置仿真、协调跨学科变更。内部测试中，两名团队成员以Astra为副业项目在不到一周内完成一款可与Codex对话的设备设计，合同制造商不到一个月做出小批量原型；OpenAI硬件与基础设施团队的模型使用量（按token计）自2026年2月以来增长23倍，10月1日至22日硬件团队Codex日均使用量中位数为每位员工212M tokens。外部合作方面，OpenAI拓展与Chip Ganassi Racing的合作，将零件3D扫描转为可编辑CAD模型与2D制造图纸，并宣布与马自达开展空气动力学与碰撞安全方向的新研究合作。