はじめに
OpenAIは2026年11月3日、AIによる物理製品の設計支援について最新の取り組みを公表しました。GPT-6 Astraでデバイスを設計した実験、社内での活用、マツダとの研究協力などが含まれます。製造業や設計業務に関わる方に向けて、要点を整理して解説します。
参考記事
- タイトル: Accelerating engineering for the physical world
- 発行元: OpenAI
- 発行日: 2026年11月3日
- URL: https://openai.com/index/accelerating-engineering-for-the-physical-world
要点
- OpenAIは、機械設計・電気設計・システム設計にまたがり、AIが物理製品の開発を支える取り組みを公表した。
- GPT-6 Astraに人が直接編集しない形でデバイスを設計させる実験を行い、試作機は1か月未満で製造された。量産準備には複数回のレビューが必要であった。
- OpenAIのハードウェアチームのモデル利用量（トークン数）は、2月以降で23倍に増えた。
- BenchCAD 2.0で、新しい社内モデルは平均0.875を記録し、最高推論設定のGPT-6 Astra（0.594）を上回った。
- Chip Ganassi Racingとの協力を拡大し、マツダとは車両設計の研究協力を新たに始めた。
詳細解説
発表の概要：ものづくりの設計をAIが支える
OpenAIによると、同社のモデルは物理製品の設計、シミュレーション、製造を支援する能力を高めています。対象は機械設計と電気設計、そして製品全体のシステム設計です。社内チームでは、アイデアの検証や設計の反復がすでに速くなっています。
物理製品の開発では、機械設計、電子回路、ソフトウェア、製造要件を専用ツールでまとめる必要があります。OpenAIは、この作業を支援できるようモデルを訓練しています。例として挙げられているのは次の作業です。
- 図面の準備
- シミュレーションの設定
- 分野をまたぐ設計変更の調整
狙いは、エンジニアがアイデアの探索や設計改善に使える時間を増やすことです。この1年でフロンティアモデル（最先端の大規模モデル）の能力が上がり、業界の実務でも改善の初期兆候が出ているとしています。
今回の発表は、新製品や料金の発表ではありません。成果の共有と、業界の協力者募集が中心です。設計ツールは分野ごとに分かれていることが多く、データの受け渡しや整合性の確認に手間がかかります。AIがその「つなぎ」の作業を担える範囲が、今回の主題と言えます。
Astraでデバイスを設計した実験
OpenAIは、GPT-6 Astra（以下Astra）の性能を試す実験を行いました。対象はマルチモーダルとコンピューター操作（computer use）の性能です。人が設計データを直接編集せずに、デバイスを作れるかを確かめるものです。作ったのは、ユーザーがCodexと会話するためのデバイスです。
マルチモーダルは、テキストに加えて画像や図面なども扱える性質です。コンピューター操作は、AIが画面を読み取り、クリックや入力を行う機能です。設計ソフトのような専門ツールをAIが扱えるかが、実験の焦点とみられます。
機能要件の定義から、筐体、プリント基板（PCB）、ソフトウェア連携の設計までをGPT-6で行いました。Astraが担った作業は次の4つです。
- デザイン：デバイスの外観を設計しました。Work Louderとの最近のコラボレーションや、ゲーム・玩具の資料を参考にしています。
- 機械設計：筐体と、部品を所定の位置に固定する内部構造を設計しました。
- 電気設計：電子部品を選び、PCBを設計しました。部品配置と配線を含め、筐体に収まるよう設計しています。
- UI/UXとソフトウェア：ユーザーインターフェースを設計しました。Codexと接続するためのファームウェアとソフトウェア連携も生成しています。
このデバイスは、2人のチームメンバーが本業の傍らのプロジェクトとして、1週間未満で設計しました。その後、製造委託先が少量の試作機を1か月未満で製造しています。
PCBは、電子部品を載せて配線するための板です。ファームウェアは、機器を内部で制御する組み込みソフトです。通常、外観・筐体・基板・ソフトは担当者もツールも分かれます。それを一続きで扱った点が、この実験の特徴です。
実験で見えた課題：製造条件への対応
一方で、量産に向けた準備には複数回のレビューと修正が必要でした。Astraは、次の点を一貫して考慮できていませんでした。
- 製造委託先の生産上の制約
- 公差（寸法のばらつきとして許容される範囲）
- 組み立てに必要な細部の情報
OpenAIは、こうした不足を今後のモデルが改善すべき点の特定に生かしています。
設計データとして形になっても、そのまま工場で作れるとは限りません。設備や加工精度に合わせる検討は、製造現場の知見に頼る部分が大きい工程です。AIに設計を任せる場合も、製造側の条件を明示し、人が確認する流れは当面必要とみられます。
OpenAI社内のハードウェアチームでの活用
OpenAIのハードウェア・インフラチームは、CodexとChatGPTを次の作業に使っています。
- CAD（コンピューター支援設計）モデルの作成と修正
- 製造用図面の準備
- シミュレーションの設定
- 設計レビュー
対象はロボティクスと計算インフラの両方です。2月以降、ハードウェアチーム全体のモデル利用量は、トークン数で23倍に増えました。トークンは、AIが処理するテキストの単位です。
社内エンジニア3人のコメントも紹介されています。
- Grace Lam氏（Forward Deployed Engineer）：アイデアから設計部品までの移行が大きく速くなったとしています。CADの反復、3Dデータから製造に使える2D図面への変換、シミュレーションやFEAの設定で、手作業が大幅に減ったそうです。
- Qiong Wang氏（Member of Technical Staff）：部門横断の設計制約の整理、システム構成の検討、ECAD環境での作業、設計レビューに使っています。CodexとChatGPTは、昼夜を問わず頼れる設計・プロジェクト管理の相棒だとしています。将来は、基板を構想からGerber出力まで担う専門家チームに育つ可能性があるといいます。
- Jackie Lee氏（Member of Infrastructure Staff）：AECやBIMの分野で、定型作業の自動化に使い始めています。図面と仕様書の不整合を指摘させ、調整の結果を具体的な課題に落とし込みます。結果は建築家やエンジニア、BIM担当者が確認・検証しています。
用語を補足します。Forward Deployed Engineerは、利用現場に入り込んで導入を支える技術職です。FEA（有限要素解析）は、形状を細かな要素に分け、強度や変形を計算する手法です。ECADは電子回路・基板向けのCADで、Gerberは基板製造に使うデータ形式です。AECは建築・エンジニアリング・建設の総称です。BIMは、建物の3Dモデルに部材などの属性情報を持たせる手法です。
3人の用途は、いずれも人による確認を前提にしています。AIが定型作業や照合を担い、最終判断は人が行う分担です。ただし、これはOpenAI社内での使い方で、同じ環境が一般に提供されたわけではありません。
BenchCAD 2.0で測る設計タスクの進歩
OpenAIは、コーディングとエンジニアリングの知識を組み合わせるタスクで、新しいモデルの進歩を測っています。その評価がBenchCAD 2.0です。次の2点ができるかを試します。
- 3Dの部品と組立品を再構成できるか
- 回路基板上の接続を特定できるか
OpenAIによると、新しい社内モデルは平均スコア0.875を記録しました。最高の推論設定で動かしたGPT-6 Astraは0.594でした。推論設定は、モデルが回答前にどれだけ考えるかを調整する設定です。
OpenAIは、設計は製品開発の工程の一部にすぎないとしています。そのうえで、この分野の向上を、実務の反復を速められる初期の証拠と位置づけています。
採点方法の詳細や、社内モデルの公開時期は公表されていません。0.875が実務でどの水準にあたるかは、この数値だけでは判断できません。現時点では、モデル改善の方向を示す指標として見るのが良さそうです。
業界パートナーとの検証：Chip Ganassi Racing
OpenAIは、少数の業界協力者と実際の設計課題で能力を検証しています。協力先のエンジニアが、出力の正確さと実用性をレビューします。現時点で支援できる作業と、安全で信頼できる利用に向けた改善点を把握するためです。
レーシングチームのChip Ganassi Racing（CGR）とは、協力を拡大しました。CGRの研究開発チームと、エンジニアリングと試作の高速化を探っています。試しているのは、既存部品の3Dスキャンを次の2つに変換するワークフローです。
- 編集可能なCADモデル
- 2Dの製造図面
元の設計ファイルが手元にない場合に、特に役立つ用途です。CGRのエンジニアは、モデルと図面の正確さと製造可能性を確認しています。そのフィードバックから、手作業を減らせる箇所と、改善が必要な箇所を洗い出しています。
CGRのR&DエンジニアであるMatthew Ortman氏は、生のスキャンデータから立体形状（ソリッドボディ）を作る作業で役立っているとコメントしています。CAD上でCodexと直接作業しているそうです。指示はそのまま反映され、手動の微調整もその場でできます。その結果、より速く、手のかからない工程になったといいます。
既存の部品から形状データや図面を起こす作業は、リバースエンジニアリングと呼ばれます。図面が残っていない古い部品の再製作は、規模を問わず製造現場で起こりがちな課題です。中小の製造業にも関わりやすい用途とみられます。
マツダとの新たな研究協力
OpenAIは、マツダとの新たな研究協力も発表しました。OpenAIの研究チームとForward Deployed Engineeringチームが、マツダの空力・衝突安全の技術者と協働します。新しい車両デザインの開発と評価に、モデルをどう生かせるかを探ります。
この取り組みでは、気流と構造挙動のシミュレーションを使います。デザイン性とコストを考慮しつつ、性能の改善を探ります。進捗と成果は、今後数か月のうちに共有される予定です。
空力の領域では、Astraが車両の空気抵抗を減らす方法の探索を支えています。流れは次のとおりです。
- 新しいノーズ（車体先端）形状をモデル化する
- 気流をシミュレーションする
- 有望な案を絞り込み、改良する
マツダのPrincipal EngineerであるAkihiro Nakata氏は、デザイナーとの関係に触れています。気流を改善する形状を見つけると、デザイナーから「その形でなければいけないのか」とよく聞かれるそうです。Codex上のAstraでは、数十の案を探索・シミュレーションできます。これにより、空力に効く特徴と、デザインに自由度が残る部分が見えてくるとしています。価値は作業の自動化や開発期間の短縮にとどまりません。マツダらしいデザインと空力性能を、どちらも妥協せずに両立させる助けになっているといいます。
空気の流れを計算するシミュレーションは計算量が多く、比較できる案の数が限られやすい分野です。AIが形状案の作成から評価までを回すことで、検討の幅を広げる狙いとみられます。
協力者の募集と、利用を考えるときの注意点
OpenAIは、業界パートナーや早期導入者と協力し、ハードウェアや製造でAIエージェントができることを広げてきました。初期成果は有望だとし、能力の向上と業界への安全な展開に向けて協力者を募っています。
募集しているのは、フロンティアモデルの訓練と開発に協力できる人や組織です。高価値な用途、ソフトウェアツール、将来の機会を一緒に特定する役割です。対象分野は次のとおりです。
- 機械工学
- 電気工学
- 電気機械設計
- メカトロニクス
- その他の関連分野
複雑な物理製品の設計や製造などに関わるエンジニア、エンジニアリング会社、ソフトウェアベンダーも対象です。応募はOpenAIの専用フォームで受け付けており、リンクは元記事から確認できます。
日本の個人や小規模事業者が今回の発表を受け止める際は、次の点を押さえておくと判断しやすくなります。
- 提供範囲：今回は研究成果と協力者募集の発表で、新機能の一般提供は含まれていません。日本での提供時期や料金も公表されていません。
- 今すぐ試せる範囲：社内ではCodexとChatGPTが使われています。図面と仕様書の照合や、設計レビューの観点整理は、既存の環境でも試しやすいとみられます。CADを直接操作させる手順は、発表では示されていません。
- 人による確認：Astraの実験でも、公差や製造条件の考慮に課題が残りました。AIの出力は、人が製造条件を確かめる前提で扱う必要があります。
- 情報の取り扱い：設計データは機密性の高い情報です。外部のAIサービスに渡す前に、社内規程や取引先との契約内容を確認してください。
まとめ
OpenAIは、Astraによるデバイス設計の実験と、社内での活用状況を示しました。CGRやマツダとの協力も進んでいます。試作までは短期間で進む一方、製造条件の考慮には人の確認が欠かせません。当面は図面確認や設計レビューの補助から取り入れるのが現実的と言えます。今後数か月のマツダとの成果公表にも注目です。
