OpenAI переносит ИИ из цифровых рабочих процессов в реальное инженерное проектирование

3 ноября 2026 года компания OpenAI заявила, что ее новейшие модели могут помочь инженерам в проектировании, моделировании и подготовке физических продуктов в области механики, электротехники и программного обеспечения. В анонсе описывалась внутренняя работа с аппаратным обеспечением, экспериментальное устройство, созданное менее чем за неделю, и новые доказательства того, что ИИ-агенты начинают справляться с инженерными задачами, которые ранее были прерогативой специалистов.
- OpenAI сообщила, что два сотрудника спроектировали тестовое устройство менее чем за неделю, а производитель изготовил прототипы менее чем за месяц.
- 3 ноября Google Cloud выпустила 29 открытых инженерных задач для своего бенчмарка Physical-Engineering’s Last Exam.
- OpenAI сообщила о внутреннем показателе модели 0,875 по сравнению с 0,594 у GPT-6 Astra при ее максимальных настройках рассуждения.
Что объявила OpenAI?
OpenAI описала стремление применять свои модели в инженерной работе, результатом которой является физический объект, а не просто цифровой текст или код. Компания заявила, что команды по разработке аппаратного обеспечения и инфраструктуры используют ChatGPT и Codex для пересмотра проектов в системах автоматизированного проектирования (CAD), подготовки производственных чертежей, настройки симуляций и анализа изменений в различных дисциплинах.
Анонс был опубликован на сайте OpenAI 3 ноября 2026 года и обновлен на следующий день. OpenAI отметила, что работа охватывает машиностроение, электротехнику, интеграцию программного обеспечения и сквозное проектирование систем.
- Инженеры могут просить модели готовить чертежи и настройки для моделирования.
- Модели могут помогать координировать механические, электрические и производственные требования.
- OpenAI заявила, что в течение последнего года ее внутренние команды использовали эти системы для ускорения тестирования и итераций.
Компания позиционирует технологию как инженерного помощника, а не замену физической проверке. Проекты по-прежнему требуют проверки, тестирования и производственного контроля перед внедрением.
Как быстро ИИ может помочь в создании устройства?
В качестве примера OpenAI представила небольшой тестовый проект под названием Astra. Два члена команды спроектировали устройство менее чем за неделю, работая над ним как над побочным проектом, а затем отправили проект контрактному производителю. OpenAI сообщила, что производитель изготовил небольшую партию прототипов менее чем за месяц.
Этот результат важен, поскольку разработка аппаратного обеспечения обычно охватывает несколько рабочих процессов. Проект может требовать корпуса, печатной платы, встроенного ПО, чертежей и производственных инструкций. OpenAI заявила, что ее модели помогли связать эти задачи воедино, вместо того чтобы рассматривать каждую из них как изолированный запрос.
- Для устройства потребовались механическое проектирование и электроника.
- OpenAI отметила, что интеграция программного обеспечения была частью процесса разработки.
- Партия прототипов была получена от стороннего контрактного производителя, а не только в виде цифровой симуляции.
OpenAI не опубликовала полную спецификацию материалов, стоимость производства, уровень брака или независимый аудит устройства. Таким образом, отчет компании демонстрирует скорее возможности рабочего процесса, чем полную степень коммерческой готовности.
Как измерялась эффективность инженерных работ?
OpenAI заявила, что новая внутренняя модель достигла среднего балла 0,875 в инженерной оценке. Компания сравнила этот результат с показателем 0,594 у GPT-6 Astra при использовании ее самых высоких настроек рассуждения. Эти цифры указывают на прогресс в собственном наборе задач компании, но они не доказывают, что модели могут самостоятельно одобрять критически важные для безопасности проекты.
Оценка представлена наряду с практическими примерами работы в CAD, производственными чертежами и подготовкой симуляций. Эти задачи проверяют не только генерацию текста. Они требуют от модели соблюдения ограничений, координации изменений и выдачи результатов, которые инженеры могут проверить с помощью специализированных инструментов.
- Новая модель OpenAI: средний балл 0,875.
- GPT-6 Astra при максимальных настройках рассуждения: 0,594.
- Сравнение было представлено OpenAI как внутреннее измерение, а не как общеотраслевой стандарт.
Это различие имеет значение. Инженерные бенчмарки могут поощрять правильные ответы на определенные задачи, упуская при этом практические проблемы, такие как неоднозначные требования, доступность материалов, допуски, сертификация и непредвиденное поведение в реальных условиях.
Существует ли независимый бенчмарк для физической инженерии?
В тот же день, 3 ноября, Google Cloud анонсировала Physical-Engineering’s Last Exam, или PLE — бенчмарк и открытое соревнование для ИИ-агентов. Google Cloud заявила, что бенчмарк охватывает машиностроение, электротехнику, гражданское и структурное строительство.
Проект был разработан совместно с Mercor. Google Cloud выпустила 29 открытых задач, инструменты оценки и таблицу лидеров соревнования. Цель состоит в том, чтобы предоставить исследователям общий способ проверки того, могут ли ИИ-агенты выполнять работу, связанную с созданием материальной среды.
- PLE содержит 29 открытых задач.
- Бенчмарк охватывает четыре инженерные области: машиностроение, электротехнику, гражданское и структурное строительство.
- Google Cloud выпустила инструменты оценки вместе с задачами.
PLE может облегчить сравнение будущих достижений, хотя публичный бенчмарк не может охватить все требования регулируемой инженерной деятельности. Проверки безопасности, профессиональная ответственность и местные строительные нормы остаются за рамками многих автоматизированных тестов.
Какие отрасли могут первыми использовать эти системы?
OpenAI заявила, что ее команды по разработке оборудования и инфраструктуры уже используют Codex и ChatGPT в разработке продуктов. В отдельном резюме анонса в качестве отраслевых партнеров, тестирующих возможности на реальных инженерных задачах и прототипировании, были названы Chip Ganassi Racing и Mazda. Эти примеры указывают на отрасли, где моделирование, быстрая итерация и тесная связь механических и программных систем уже определяют процесс разработки.
Автомобилестроение может использовать модели для сравнения вариантов дизайна, подготовки документации или связи программного обеспечения автомобиля с физическими компонентами. Гоночным командам могут быть полезны более короткие циклы итераций, в то время как производители могут использовать ИИ для преобразования требований в чертежи и производственные инструкции.
- Автомобильные и гоночные команды могут тестировать проекты с помощью симуляции перед изготовлением.
- Компании по производству оборудования могут объединить рабочие процессы CAD, электроники и встроенного ПО.
- Производители могут использовать сгенерированные чертежи и инструкции в качестве отправных точек для проверки.
Инженеры-люди по-прежнему несут ответственность за проверку размеров, материалов, теплового поведения, электробезопасности и технологичности производства. Ускоренная подготовка черновика полезна только в том случае, если процесс проверки выявляет ошибки до начала производства.
Что дальше для ИИ в физическом мире?
Следующим испытанием станет воспроизводимость. Один прототип может показать возможность такого рабочего процесса, но промышленное внедрение требует надежных результатов для различных продуктов, поставщиков и ограничений. Это также требует четкой фиксации того, какие решения были приняты моделью, а какие — ответственным инженером.
Исследовательская деятельность выходит за рамки проектирования продуктов. Университет Дьюка описал физический ИИ как системы, которые воспринимают реальный мир и действуют в нем, в то время как его инженерный факультет подчеркнул проблемы, связанные с локальными вычислениями, адаптивностью и доверием. Обсуждение в университете появилось 2 ноября 2026 года, за день до анонсов OpenAI и Google.
- Модели должны работать с неполной или меняющейся физической информацией.
- Инженерам нужны системы, которые работают надежно при ограниченном облачном подключении.
- Бенчмарки должны измерять безопасность, физическую производительность и практическое использование инструментов, а не только письменные ответы.
Эксперимент OpenAI с устройством и публичный бенчмарк Google представляют два разных подхода. Один делает упор на рабочий инженерный процесс. Другой ищет единую шкалу измерения. Вместе они показывают направление развития отрасли: ИИ-системы, которые помогают превращать спецификации в протестированные объекты, в то время как самые сложные вопросы все еще остаются на границе между сгенерированными проектами и реальной ответственностью.


