OpenAI har utviklet en fungerende maskinvareprototype på under én uke ved hjelp av GPT-6 og Astra. Enheten er laget for å koble brukere til Codex gjennom et eget fysisk grensesnitt.

Prototypen ble utviklet som et sideprosjekt av to ansatte i OpenAI. Arbeidet omfattet både utseendet, de interne komponentene, kretskortet, fastvaren og integrasjonene mot programvaren.

Utviklet flere deler av produktet

Prosjektet skulle teste om OpenAIs modeller kunne håndtere en hel maskinvareprosess uten direkte menneskelige redigeringer. GPT-6 bidro med å fastsette funksjonskravene og styre designprosessen, mens Astra utviklet kabinettet som huser de interne komponentene.

Astra valgte også elektriske komponenter og utformet det trykte kretskortet. Arbeidet omfattet plassering av komponentene og de elektriske forbindelsene, som måtte få plass inne i kabinettet.

På programvaresiden laget Astra brukergrensesnittet, genererte fastvaren og utviklet integrasjonene som kobler enheten til Codex.

En kontraktsprodusent laget deretter et lite parti prototyper på mindre enn én måned.

Produksjon krevde fortsatt ingeniørarbeid

Det viste seg likevel å være mer krevende å gjøre prototypen klar for produksjon. Astra hadde problemer med å ta hensyn til produksjonsbegrensninger og toleranser for komponentene. Ingeniørene måtte også håndtere krav til montering gjennom flere runder med gjennomgang.

OpenAI erkjenner at dette er områder som må forbedres. Eksperimentet viser dermed at modellene raskt kan lage de første designene, men at produksjon fortsatt krever ingeniøroppfølging og praktiske justeringer.

OpenAI sier prosjektet gir et tidlig innblikk i hvordan modellene kan gjøre profesjonell ingeniørutvikling raskere. Selskapets interne maskinvare- og infrastrukturt team bruker allerede Codex og ChatGPT til blant annet å lage CAD-modeller og tekniske produksjonstegninger.

23 ganger høyere bruk i maskinvareteamene

Modellene brukes også til å konfigurere simuleringer og evaluere design. OpenAI opplyser at bruken på tvers av maskinvareteamene økte 23 ganger mellom februar og oktober 2026. Selskapet måler økningen etter hvor mange tokens modellene bruker.

Grace Lam, fremoverplassert ingeniør i OpenAI, sier Codex har gjort veien fra idé til konstruerte komponenter raskere. Hun trekker særlig frem raskere CAD-revisjoner og muligheten til å konvertere 3D-design til produksjonsklare 2D-tegninger.

OpenAI følger også modellprestasjonene gjennom egne ingeniørtester. På BenchCAD 2.0 fikk selskapets nyere interne modell en gjennomsnittlig poengsum på 0,875, mens GPT-6 Astra oppnådde 0,594 ved høyeste innstilling for resonnering.

BenchCAD 2.0 vurderer blant annet hvor godt modellene rekonstruerer 3D-komponenter og identifiserer forbindelser på kretskort. OpenAI ser resultatene som tidlige tegn på at modellenes ingeniørferdigheter er i utvikling.

Tester teknologien med bilindustrien

OpenAI tester modellene sammen med industripartnere for å undersøke hvor nyttige de er i reelle ingeniørmiljøer. Det utvidede samarbeidet med Chip Ganassi Racing handler om CAD-utvikling og prototyping.

Forsknings- og utviklingsingeniører i motorsportsteamet undersøker hvordan 3D-skanninger kan gjøres om til redigerbare CAD-modeller. De lager også 2D-produksjonstegninger fra skannede komponenter. Metoden kan gjøre det mulig å gjenskape deler når de opprinnelige designfilene ikke er tilgjengelige.

OpenAI har også kunngjort et forskningssamarbeid med Mazda. Der undersøker partene hvordan modeller kan hjelpe bilingeniører med aerodynamikk og kollisjonssikkerhet.

Astra kan utforske ulike former på fronten av et kjøretøy og simulere luftstrømmen for å finne design som reduserer luftmotstanden. Mazda-ingeniører kan deretter vurdere forslagene opp mot krav til utforming og utviklingskostnader.

Akihiro Nakata, sjefingeniør i Mazda, sier samarbeidet gjør det lettere for designere å forstå hvilke egenskaper som påvirker aerodynamikken. Det gir dem også større frihet til å undersøke ulike kjøretøyformer.

OpenAI vil fortsette å teste egenskapene sammen med industripartnere. Det overordnede målet er å hjelpe ingeniører med å gå fra de første ideene til produkter som kan produseres, med mindre manuelt arbeid.