筐体・基板・ソフトを設計した試作と、社内のCAD・図面・解析での利用を紹介しました。マツダとは空力と衝突安全の研究で協力し、製造要件の見落としや人の確認も明記しています。 設計案の生成と量産可能性の検証を分けます。社内ベンチマークの改善を、製造品質や車両開発の効果へそのまま読み替えないことが焦点です。 図面と回路、ソフトを横断する試作 OpenAIは11月3日、物理的な製品の設計や解析を支援するモデルの進展を公開しました。Astraを使った試験では、Codexと会話する機器の要件、筐体、基板、ソフトの接続を設計しています。2人の担当者が別業務と並行し、1週間未満で試験用の設計を進めました。受託メーカーは1か月未満で少量の試作品を製作しています。ただし、製造の準備には複数回の確認と手直しが必要でした。生産設備の制約、公差、組立の詳細をモデルが常に考慮できたわけではありません。設計の生成と製造に必要な調整を区別して報告しています。 社内の工学作業と自動車の研究へ展開 社内では、CADモデルの作成や修正、製造図面、シミュレーション、設計レビューにCodexとChatGPTを使っています。対象はロボティクスと計算基盤にまたがります。外部ではChip Ganassi Racingとの協力を広げ、3次元スキャンから編集可能なCADと製造図面を作る流れを試しています。元の設計ファイルがない部品を扱う用途です。さらにマツダとの新たな研究協力では、空力と衝突安全の技術者と車両設計を検討します。気流や構造の解析を使い、外観とコストを考慮しながら性能改善を探ります。影響対象は設計者だけでなく、解析、製造、部門間の調整を担う技術者と見られます。成果の確認は協力先の技術者が担います。 能力の得点と製品としての検証を分ける OpenAIはBenchCAD 2.0を用い、部品や組立の再構成、基板上の接続の認識を評価しています。新しい内部モデルの平均得点は0.875で、最高の推論設定のGPT-6 Astraは0.594でした。これは設計を含む一部の工学課題の測定であり、製品開発全体の品質を示すものではありません。導入側では、生成された形状が要件や製造条件に合うかを確認する工程が論点になります。解析の設定や前提を残し、図面と実物の整合を検証する必要もあると見られます。作業の速度向上だけでなく、確認と修正に要する時間を含めて評価することが考えられます。今回の試作でも、人による製造前の判断は残っています。部門ごとに確認する条件を共有することも論点です。 今後の成果と協力範囲を見極める マツダとの研究については、今後数か月で進展と結果を共有するとしています。今回の記事には、量産車で確定した性能改善や削減費用は示されていません。OpenAIは工学企業やソフトウェア事業者などの協力先も募っています。次の判断点は、どの道具と課題で再現性のある成果が得られるかです。実験的な設計能力を、自社の承認工程や品質確認へどう組み込めるかを検討する必要があると見られます。公開事例と自社の適用条件の差を確認する段階が残ります。