GPT-6设计出实体宠物TamaGPT：不到一周完成原型，量产仍需人工把关

紫色外壳、带屏幕和实体按键，旁边还挂着一颗小草莓——这台长得像电子宠物的设备，用户可以拿起来直接跟 Codex 语音对话。

它真正的看点，是设计过程本身。

两名 OpenAI 员工利用业余时间，把外壳结构、电路板、用户界面和固件设计全部交给 GPT-6 Astra，不到一周就完成了原型设计。之后，合同制造商用不到一个月的时间生产出一小批样品。

这个实验也并非一路顺畅。设计进入实际制造环节时，团队还是经历了几轮审查和修改。AI 能把数字设计做出来，却没能始终顾及生产限制、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。模型能写多少代码、能完成多复杂的推理，这些都不是这次的重点；更受关注的是另一个问题：当 AI 开始设计真实产品，它离制造业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/

美学方面，Astra 参考了 OpenAI 此前与 Work Louder 的合作，也借用了游戏和玩具的设计语言。

Tamagotchi

加拿大的 Work Louder 是一家以外设见长的厂商，模块化机械按键设备是它的招牌。2026 年 7 月，双方联名推出 Codex Micro 键盘，定价 230 美元，12 小时内卖光。这款键盘本质上是 Codex 工作流的物理快捷入口，能实时显示各 AI 智能体的 RGB 状态，也能映射常用操作。

那也是 OpenAI 第一款对外销售的实体硬件产品。

和已经上市的 Codex Micro 不同，TamaGPT 不是面向消费者的成熟产品，而是一个用来测试 AI 工程能力的实验原型。

对硬件开发来说，外观设计只是起点。外壳得给电路板留出空间，元器件排列要满足尺寸和连接要求，屏幕、按键和固件也得协同工作。一个环节动了，其他部分可能跟着受影响。

这次 Astra 承担的是机械设计、电气设计和软件集成三个环节。

机械设计管外壳造型和内部支撑结构，让所有元件待在正确的位置；电气设计负责挑选全部元器件并完成 PCB 布局，包括元件放置和电路连接，确保能装进外壳；固件则把设备和 Codex 连起来，打通语音输入到代码生成的完整链路。

前文提到，设计在数字层面完成后，送去生产时却卡住了。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」，原型经过几轮审查和修改才准备就绪。

也就是说，AI 已经能把零件「画」出来，但还没完全学会把零件「装」进去。

赛车的扫描件

2026 年 2 月以来，OpenAI 内部硬件与基础设施团队使用 Codex 的 token 量涨了 23 倍。Codex 已经不再是「偶尔用一下的辅助工具」，而成了这个团队的默认工作流。

OpenAI 自家的硬件和基础设施团队，日常就用 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」。以往准备一张制造图纸，工程师得在 CAD 软件里花时间做标注和尺寸换算，如今这些步骤可以交给 Codex，工程师负责审查和修改。

性能衡量方面，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 0.594。

最高推理档的分数虽然还低于内部新模型，但已经足以在日常 CAD 重建和电路关系识别中大幅减少人工重复劳动。

行业层面，同时参加 IndyCar 和 WEC 赛事的车队 Chip Ganassi Racing 早在 2025 年 2 月就在圣彼得堡与 OpenAI 签署战略合作，最初的目标是赛道数据分析和前台运营。

到 2026 年赛季，OpenAI 进一步成为两站主赞助商，合作也延伸到工程端：把零件的 3D 扫描转成可编辑的 CAD 模型和 2D 制造图纸，尤其适合原始设计文件已经不存在的情况。

CGR 的 R\&D 工程师 Matthew Ortman 这样描述自己使用该工作流的感受：「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 赛车身上装了 200 多个传感器，跑一场比赛下来，每小时能攒出大约 10 亿个数据点。这样的场景，给 AI 在工程端落地提供了足够充分的验证条件，出错要付多大代价，也变得一目了然。

马自达风洞里那台车鼻子

SEMI 旗下 ESD Alliance 的数据显示，2026 年第一季度，全球电子系统设计行业收入约 57.5 亿美元，同比涨了 12.7%。

EDA 厂商同样在把 AI 往更复杂的设计流程里塞。2026 年 3 月，西门子拿出 Fuse EDA AI Agent，想让智能体来协调半导体、3D IC 和 PCB 设计里的多项任务。

各家工具在数字层面的本事都在猛涨，可「可制造性核查」这道关，仍然由人来把。

OpenAI 的研究团队拉上马自达的气动和碰撞安全工程师，靠模拟气流与结构行为去摸索新车型设计，想在造型和成本之间找平衡，把性能提上去。双方的合作框架已经从「用 AI 生成设计」走到了「用 AI 评估设计」：Astra 会仿真数十个变体，帮工程师弄明白哪些特征对气动性能真起作用，哪些地方设计师可以放开手脚。

IBM 与赛车底盘制造商 Dallara 的合作也是类似路子，赛车气动仿真从数小时被压到 10 秒以内。工程师和设计师之间的对话方式，也跟着一点点变了。

马自达首席工程师 Nakata Akihiro 表示，设计师常会追问：一旦找到改善气流的造型，是不是非得做成这样？他解释说，借助 Astra 对数十个变体进行模拟，团队得以看清哪些特征真正影响气动性能，哪些地方则留给设计师自由发挥。

Hardware by AI

过去聊 AI 和硬件，我们关心的大多是怎么把大模型塞进手机、眼镜、机器人、汽车。拿 GPT-6 魔改 Kindle，手搓 Claude Code 拓麻歌子，给各种电子设备安上 AI 大脑，让原本只会照固定指令干活的硬件变机灵。

眼下，几个更有意思的方向正在冒头。

OpenAI 和 Anthropic 走的是两条路。前者让 AI 不再只是硬件产品里的一个功能，而开始参与到设计、开发、测试乃至制造硬件里去。后者让 AI 能读懂、操作并协调真实世界里的硬件。

上个月，Anthropic 放出一项研究预览，名字叫 Model Hardware Standard (MHS) 模型硬件标准。

Claude 能借 MHS 系统操作摄像头，把每次移液过程拍下来。照片交给计算机视觉算法处理，用来找出移液错误，比如气泡和泡沫。一旦发现出错，Claude 就能介入。

顺着 OpenAI 的探索往下想，未来或许会长出一种全新的开发模式：人定下产品目标，AI 扛下大量工程设计、仿真、代码实现和迭代，实体制造和真实测试给出反馈，AI 再接着改设计。

我更愿意叫它 Agentic Hardware Engineering。它也许会像 Vibe Coding 改写软件开发那样，慢慢改变电子产品、机器人、工业设备，甚至汽车和芯片的研发方式。

真正该留意的，未必只有 OpenAI 和 Anthropic。

长期看更值钱的机会，可能落在那些手里攥着专业工程工具、制造流程和真实测试数据的企业身上。

通用大模型能帮着动脑子，但要交出真实可靠的工程成果，还缺不了元器件数据库、CAD/EDA 内核、工艺规则、仿真模型、测试设备和制造反馈。

等 AI 能设计电路、机械结构、固件，还能接上工厂，未来硬件公司的核心壁垒，很可能就是 AI 能调用的那些制造和实验数据。