OpenAI 在 2026 年 11 月 3 日发布了一篇研究笔记，标题是加速物理世界工程。它给出的结论比标题保守，也因此更有参考价值：强模型加上编码智能体，可以把一个硬件想法推进到合同制造商能开工的程度，但这不等于模型替代了工程师。
笔记里的例子是一台全程与 Codex 对话设计出来的设备。两名成员把它当作业余项目，用不到一周时间从想法做到外观、外壳、PCB 布局和固件。随后合同制造商在不到一个月内产出了小批样机。文中引用了 Grace Lam、Qiong Wang 和 Jackie Lee 的说法。
局限写得很直白。制造商产能、公差堆叠和装配细节，正是流程变薄的地方。模型可以建议一个壁厚，但它量不了模具。这个区别就是演示和量产产品之间的区别，原文没有回避。
有两个数字值得记住。OpenAI 硬件团队的 token 用量自 2026 年 2 月以来增长了 23 倍，这是这套工具从试验走向日常的最直接公开信号。另一个是在内部 CAD 基准 BenchCAD 2.0 上，新内部模型平均得分 0.875，而 GPT-5 Astra 在最高推理档位只有 0.594。进步很大，差距也还在。
笔记还提到与 Chip Ganassi Racing 扩大合作，把 3D 扫描件转成可编辑的 CAD 和二维制造图纸。这部分最不花哨，却最容易复制：价值在于把混乱的真实几何变成下游工具和人真能用的文件。
对小团队来说，可操作的结论是顺序问题。让模型做第一版方案、变体和文档，把人的时间花在公差、供应商和签字上。如果你想让智能体在自己机器上处理本地文件、跑重复步骤，可以从 下载 MOOGH 开始。
FAQ
设计里到底有多少是模型生成的
原文把外观、外壳、PCB 和固件描述为模型辅助完成。它没有声称模型做了结构仿真或验证安全余量，并且明确把公差和装配留给人。
token 增长这个数字为什么重要
一个硬件团队在约九个月里 token 用量涨了 23 倍，说明工具已经从偶尔试用变成日常工作流。这种采用数据比单次演示更难造假。
消费硬件之外还有用吗
Ganassi 的例子指向更广的场景。把现有零件逆向成可编辑 CAD 和干净的制造图纸，适用于赛车、工业设备，以及任何需要维护非自己原始设计硬件的团队。