当サイトではアフィリエイト広告を利用しています。
2026年11月3日、OpenAIはGPT-6 AstraやCodex、ChatGPTを物理製品の設計・シミュレーション・製造準備へ使う取り組みを公開しました。
象徴的なのが、Codexと会話するための小型端末をAstraで設計した検証です。2人のチームメンバーがサイドプロジェクトとして1週間未満で設計し、委託製造業者が1か月未満で少量の試作品を製造しました。
この事例では、AIが外観、機械設計、プリント基板、UI、ファームウェア、ソフトウェア連携まで複数領域をまたぎ、一つの製品として設計を進めています。
同時に、製造準備では人のレビュー・判断を挟みながら、設計の反復が複数回必要でした。Astraは製造業者の生産制約、公差、組み立てに必要な細部を一貫して反映できなかったためです。
この記事では、GPT-6 Astraが物理製品開発のどこを速めたのか、製造準備でどこに人の確認が残ったのかを、OpenAIの公開事例とBenchCAD 2.0の評価から整理します。
OpenAIが示したのは設計から試作までをつなぐAI
OpenAIの検証では、Astraを使って端末の機能要件から筐体、PCB、UI、ファームウェア、Codexとの連携ソフトウェアまで設計しました。
設計データへ人が直接編集を加えない条件で進めた点も、この検証の特徴です。機械・電気・ソフトウェアの変更をまたいで、一つの製品へまとめられるかを試しています。
設計を担当したのは2人のチームメンバーで、作業期間は1週間未満でした。その後、委託製造業者が1か月未満で少量の試作品を製造しています。
「1週間未満」はテスト端末の設計期間です。製造可能な状態へ仕上げるまでには、その後のレビューと反復が必要でした。
GPT-6 Astra自体のPC操作、料金、ChatGPTやAPIへの提供状況は、正式発表時の記事で確認できます。

Astraが担当した4つの設計領域
端末開発でAstraが担当した内容は、大きく4つに分けられます。
- 外観・プロダクトデザイン:端末全体の見た目や形状を設計
- 機械設計:外装と、内部部品を固定する構造を設計
- 電気設計:電子部品を選び、筐体へ収まるようPCBの配置と接続を設計
- UI・ファームウェア・ソフトウェア:ユーザーインターフェースと、Codexへ接続するためのファームウェアやソフトウェア連携を作成
物理製品では、一つの変更が別の領域へ波及します。筐体を薄くすれば基板配置が変わり、部品配置が変われば配線や放熱、組み立て条件にも影響します。
今回の事例で見えるAstraの価値は、個別作業の自動化に加えて、複数領域をまたぐ変更を一つの設計として進められる点です。

速くなったのは最初の設計案を形にするまで
物理製品開発では、アイデアを出した後に多くの変換作業があります。
要求を整理し、3D形状を作り、電子部品を選び、基板へ配置し、UIとファームウェアを用意し、製造業者へ渡せる資料へ変換する。領域ごとに別のツールと専門知識が必要です。
Astraの検証では、この連続した作業を短期間で進めました。OpenAIの社内ハードウェアチームでも、CodexとChatGPTを次の作業に使っています。
- CADモデルの作成と修正
- 3D設計から製造用2D図面への変換
- シミュレーションの準備
- ECAD環境を使った電気設計
- 複数部門にまたがる設計条件の整理
- 設計レビュー
- 建築・設備設計での反復作業や不整合の抽出
OpenAIによると、ハードウェアチームのモデル利用量は2026年2月以降、トークン基準で23倍に増えています。
23倍が示すのは、社内ハードウェアチームにおけるモデル利用量の増加です。製品開発期間の短縮率は別途評価が必要です。
製造準備では公差・生産制約・組立条件の確認が必要だった
設計を短期間で進めた後、委託製造業者へ渡す段階で人のレビューが必要になりました。
OpenAIが挙げている課題は、次の3点です。
- 製造業者が持つ生産上の制約
- 部品や加工に必要な公差
- 実際の組み立てに必要な細部
CAD上で形が成立していても、製造設備で加工できるか、指定した寸法差で部品が組み付くか、工具や手順を含めて組み立てられるかは別の確認が必要です。
このため、製造準備では人のレビュー・判断を経ながら、設計の反復が複数回行われました。
今回の公開事例を工程で見ると、AIは初期設計から試作候補を作る速度を上げています。製造へ渡す前の検証では、エンジニアと製造業者が実際の生産条件へ照らして確認する役割を持っています。

BenchCAD 2.0はAIのCAD能力と製造可能性を別に考える材料になる
AIのハードウェア設計能力を見る指標として、OpenAIはBenchCAD 2.0も紹介しています。
BenchCAD 2.0は、実務に近いハードウェア設計タスクを対象にしたベンチマークです。100件の非公開Coreセットで、次のような課題を評価します。
- 寸法入り図面から3D部品を再構成する
- 複数部品と組立図からアセンブリを作る
- レンダリング画像から3D部品やアセンブリを復元する
- 実装済みPCBの画像から配線関係を復元する
BenchCAD側の公開結果では、GPT-6 Astraの最高設定は0.59でした。OpenAIは同じBenchCAD 2.0について、より新しい社内モデルが平均0.875、GPT-6 Astraが0.594だったと報告しています。
この差は、次世代モデルでCAD・ECAD能力がさらに伸びている可能性を示す材料です。
BenchCAD 2.0は形状、部品配置、回路接続などを評価し、製造可能性や実物の物理性能は採点対象外です。
製造業者の設備制約、公差、組み立て性はBenchCAD 2.0の評価範囲外で、別途検証が必要です。
OpenAIのテスト端末で製造準備のレビューが必要だった事実と、BenchCAD 2.0の評価範囲は同じ方向を示しています。AIが設計データを作る能力と、その設計が実際の製造工程を通るかどうかは、別の検証軸です。
OpenAI内部ではCAD・ECAD・シミュレーションまで広がっている
OpenAIのハードウェア・インフラチームでは、実験用端末に加え、ロボティクスや計算インフラを含む設計業務でCodexとChatGPTを使っています。
機械設計では、CADモデルの作成・修正、製造図面の準備、有限要素解析などのシミュレーション設定に利用しています。
システムハードウェアでは、複数部門の設計条件を整理し、システム構成を検討し、ECAD環境で作業し、設計レビューまで進めています。
建築・設備設計では、繰り返しのモデリング、図面と仕様書の確認、部門間の変更調整を自動化し、不整合をレビュー対象として提示する使い方が始まっています。
ここでも最終的な確認はエンジニア側に残っています。AIが作業量を減らし、設計候補や修正案を速く出すことで、人が構造、施工性、製造性を評価する時間へ振り分ける構成です。
Chip Ganassi RacingとMazdaでは実際の設計課題を検証している
OpenAIは社内利用に加えて、外部のエンジニアリング現場でも検証を進めています。
Chip Ganassi Racingとの取り組みでは、既存部品の3Dスキャンから編集可能なCADモデルと2D製造図面を作るワークフローを試しています。
元の設計データが残っていない部品では、スキャン形状を編集可能な設計データへ戻す作業に手間がかかります。AIがこの変換を支援し、CGRのエンジニアが精度と製造可能性を確認しています。
Mazdaとは新しい研究協力を開始しました。空力と衝突安全のエンジニアが、気流や構造挙動のシミュレーションを使いながら車両設計を検討しています。
空力では、Astra in Codexを使って車両前部の形状候補を作り、気流をシミュレーションし、抗力低減につながる候補を絞り込む流れが紹介されています。設計条件には空力性能、スタイリング、コストが含まれます。
発表時点では研究協力の段階で、量産車への採用や具体的な性能改善値は公表されていません。OpenAIは今後数か月で進捗や結果を共有するとしています。
物理製品開発でAIに任せやすい工程と人が持つ判断
今回の公開事例から、物理製品開発での役割分担は次のように整理できます。
| 工程 | AIが支援している内容 | 人が確認する内容 |
|---|---|---|
| 要求・構成検討 | 要求の整理、複数領域の制約整理、構成案の作成 | 製品として優先する条件、採用判断 |
| 機械設計 | CADモデル作成・修正、部品構造の設計 | 実際の加工条件、寸法、公差 |
| 電気設計 | 部品選定、PCB配置・配線、ECAD作業 | 電気的妥当性、製造・実装条件 |
| ソフトウェア | UI、ファームウェア、連携ソフトウェアの生成 | 要求との一致、実機での動作確認 |
| シミュレーション | 設定準備、候補設計の反復 | 前提条件、結果の妥当性、採用判断 |
| 製造準備 | 製造図面や設計データの作成 | 生産制約、公差、組立条件、製造可能性 |
AIへ渡す仕事の単位が「1枚の図面」から「複数領域をまたぐ設計タスク」へ広がるほど、人の役割は入力作業から評価・検証へ移ります。
設計ファイルの生成後には、製造設備、材料、部品ばらつき、組み立て手順といった現実の条件へ照らした確認が必要です。そこで設計の品質が確定します。
OpenAIの端末検証は、その境界を具体的に示した事例です。
今後の評価では「生成できるか」に加えて製造まで通るかを見る
AIによるものづくりを評価するとき、CAD形状の再現精度やPCBの配線精度は重要です。
その先では、次のような指標が実務上の価値を左右します。
- 製造レビューを経て設計反復が何回必要だったか
- 公差や組み立て条件を最初の設計へどこまで反映できたか
- 変更が機械・電気・ソフトウェアへ波及したときに整合を保てたか
- シミュレーション結果を設計変更へ正しく戻せたか
- エンジニアが確認すべき箇所をどれだけ絞れたか
- 試作から次の設計反復までの時間をどれだけ短縮できたか
OpenAI自身も、今回見つかった製造準備の不足を「将来モデルが改善すべき点」としています。
AIの物理設計能力は、図面生成の速度だけで測る段階から、設計・検証・製造準備を何往復で通過できるかを見る段階へ進みつつあります。
まとめ
GPT-6 Astraを使ったテスト端末では、2人のチームメンバーが1週間未満で設計を進め、委託製造業者が1か月未満で少量の試作品を製造しました。
Astraは外観、機械設計、PCB、UI、ファームウェア、ソフトウェア連携まで複数領域をまたいで設計しています。
製造準備では、生産制約、公差、組み立て条件について人のレビュー・判断を経ながら、設計の反復が複数回必要でした。
今回の事例から見えるのは、AIが物理製品開発で担える範囲が「設計案を作る」段階から、複数の専門領域をつないで試作へ進める段階まで広がっていることです。
次の焦点は、生成した設計を現実の製造条件へどこまで正確につなげられるかです。そこが改善すれば、エンジニアはCADや図面の反復作業に使う時間を減らし、設計判断と検証へより多くの時間を使えるようになります。

