AI 可以寫程式，也開始參與外殼、電路板與實體工程設計。OpenAI 11 月 3 日公布，兩名團隊成員以業餘專案形式，搭配 GPT-6 Astra，在不到一週內設計出可與 Codex 對話的測試裝置；代工廠再於不到一個月內製作小批原型。台北時間 11 月 4 日，INSIDE 亦報導了這項進展。
這裡的時間要分清楚：不到一週指設計階段，不是從想法一路到可販售商品。官方也明白指出，進入製造前仍需要多輪審查與修改，模型未能一致考慮生產限制、公差與組裝細節。
外殼、電路與軟體，開始放進同一個迭代流程
這次測試涵蓋功能需求、外殼、印刷電路板與軟體整合。它的意義在於跨領域設計可以互相接續，但一份看似完整的設計，仍需對照零件能否取得、尺寸是否相容，以及製造方法能不能實現。
例如，電路板在三維模型裡放得進外殼，不表示螺絲固定、插頭空間與實際組裝順序都已處理好。這是一般工程驗收需要思考的問題，不是替該測試裝置另外查出的缺陷。官方承認的製造落差，也提醒外界不要把漂亮模型與量產準備畫上等號。
Mazda 與賽車隊的合作，仍在探索與驗證
OpenAI 同時介紹與 Mazda、Chip Ganassi Racing（CGR）的工程合作，包括設計、掃描資料、CAD 與模擬相關流程。這些是合作方正在測試的用途，並非所有工程工作已交由模型自主完成，也不代表測試裝置已成為上市產品。
對製造業與小型硬體團隊，編輯部建議先選可明確比對的環節導入，例如整理設計需求、產生候選方案或協助準備圖面。接著留下輸入條件、修改內容與驗收結果，讓工程師能找到模型出錯的位置，而非只有一張最後的成果圖。
模擬也應保留材料、邊界條件與計算假設。若模型幫忙設定了分析，還要確認條件是否符合真實情況；運算有結果，不等於實物就會符合預期。不同測試版本與評分指標也不能直接互相比成「效率增加幾倍」。
這次案例讓 AI 在實體工程上的能力更具體，但最能借鏡的仍是設計與驗收如何接起來。當模型替團隊多做幾種方案，節省下來的時間能否轉成更充分的量測、組裝與製造審查，才是從展示走向實際應用的重要一步。
