OpenAI تسرّع تصميم الأجهزة: تجميع نموذج أولي في أقل من شهر

يتلقى المهندس مسحًا ثلاثي الأبعاد لقطعة ما، لكن نموذج CAD الأصلي غير متاح. عادةً ما يبدأ بعد ذلك العمل اليدوي: إعادة بناء الشكل الهندسي، وإعداد الرسم، والتحقق من الأبعاد، وتجهيز النموذج للإنتاج. وتقول OpenAI إن Codex وGPT-6 Astra يستطيعان بالفعل تولي جزء كبير من هذه السلسلة، بدءًا من إنشاء نماذج CAD ولوحات الدوائر المطبوعة، وصولًا إلى إعداد عمليات المحاكاة والعثور على الاختلافات بين المستندات.

لا تكمن القيمة العملية هنا في العبارة الجذابة «الذكاء الاصطناعي يصمم العتاد»، بل في تقليص الوقت الفاصل بين الفكرة وأول نموذج أولي مادي. ففي تجربة أجرتها OpenAI، طوّر موظفان، في أقل من أسبوع وكعمل جانبي، جهازًا للتفاعل مع Codex. وساعد Astra في تحديد المظهر، وتصميم الهيكل والمثبتات الداخلية، واختيار المكونات الإلكترونية، وتخطيط لوحة الدوائر المطبوعة، وإنشاء الواجهة، وكتابة البرمجيات الثابتة. وأنتج مُصنّع متعاقد دفعة صغيرة من النماذج الأولية في أقل من شهر.

كيف يبدو ذلك في العمل الفعلي

لنتخيل فريقًا يصنع وحدة تحكم مكتبية. يحدد المهندس الأبعاد وقائمة المكونات ومواضع الموصلات ومتطلبات التبريد. ينشئ النموذج هيكلًا أوليًا، ويضع اللوحة والمثبتات، ويعد الرسومات الهندسية، ثم يعدّل العناصر المرتبطة بعد تلقي الملاحظات؛ فينقل منفذًا مثلًا ويوفر مساحة للكابل.

في السابق، كان كل تغيير من هذا النوع قد يتطلب تعديلات في عدة أدوات في الوقت نفسه. ويحاول سيناريو الوكيل الحفاظ على الروابط بين الميكانيكا والإلكترونيات والبرمجيات. ويكون ذلك مفيدًا خصوصًا عندما توجد عمليات متكررة كثيرة، مثل تحويل نموذج ثلاثي الأبعاد إلى مجموعة من الرسومات ثنائية الأبعاد، أو إعداد محاكاة قياسية، أو مطابقة المواصفات، أو تسجيل التعارضات المكتشفة في مشروع BIM.

تقول OpenAI إن استهلاك فرق العتاد لديها للرموز ازداد 23 مرة منذ فبراير. ويشير ذلك إلى وجود طلب داخل الشركة، لكنه لا يثبت توفير الوقت أو المال؛ إذ لا يتضمن المنشور مقارنة مضبوطة للمدة والتكلفة وعدد الأخطاء قبل التطبيق وبعده.

أين لا يزال النموذج يخطئ

اضطر الفريق إلى مراجعة النموذج الأولي عدة مرات. فلم يراعِ Astra دائمًا قيود الشركة المصنّعة المعنية، وتفاوتات القطع، والمعلومات اللازمة للتجميع. وبعبارة أخرى، كان النموذج قادرًا على إنشاء تصميم مقنع هندسيًا، لكنه لم يكن صالحًا بعد للإرسال إلى آلة تشغيل أو خط إنتاج من دون مراجعة.

يمثل ذلك حدًا مهمًا. فالخطأ في واجهة ويب يُصلح عادةً بتحديث، بينما يتحول الخطأ في لوحة أو هيكل أو عنصر إنشائي إلى دفعة مهدرة أو تأخير في التسليم، وأحيانًا إلى خطر على السلامة. لذلك يظل المهندس مسؤولًا عن التحقق من المواد والأحمال والخلوصات وقابلية التصنيع والامتثال للمعايير.

في اختبار BenchCAD 2.0، حقق نموذج OpenAI الداخلي الجديد نتيجة 87.5%، في حين سجل GPT-6 Astra عند أقصى مستوى للاستدلال 59.4%. ويختبر التقييم إعادة بناء القطع والتجميعات ثلاثية الأبعاد، إلى جانب التعرف على التوصيلات في لوحات الدوائر. والفارق ملحوظ، لكن ينبغي حاليًا التعامل مع نتائج النموذج الداخلي والاختبار نفسه على أنها بيانات مقدمة من المطوّر، لا إثباتًا مستقلًا على الجاهزية للاستخدام الصناعي.

ما الذي يمكن للفرق فعله الآن

لا ينبغي البدء بوعد «أتمتة القسم بأكمله». اختاروا عملية واحدة قابلة للقياس، مثل إعداد الرسومات، أو إعادة بناء نموذج CAD من مسح، أو إعداد محاكاة، أو البحث عن أوجه عدم التطابق بين النموذج والمواصفات. سجلوا الوقت الأساسي وعدد مرات الإعادة وتكلفة التصحيحات، ثم قارنوها بالعملية التي يشارك فيها النموذج.

يجب أن تخضع جميع مخرجات الوكيل لمراجعة هندسية قبل التصنيع. ومن المفيد أيضًا تزويد النموذج بقواعد منشأة الإنتاج المحددة، مثل الحدود الدنيا للسماكة، والمواد المتاحة، والتفاوتات، وقيود المعدات، ومتطلبات التجميع. وكلما كانت هذه الحدود أدق، انخفض احتمال الحصول على تصميم مثير للإعجاب لكنه غير قابل للتصنيع.

الخلاصة الأساسية هي أن الذكاء الاصطناعي يتحول بالفعل إلى طبقة عمل فوق أدوات CAD وECAD وBIM وبرامج المحاكاة. فهو يسرّع إعداد البدائل والتحويلات الروتينية، لكن قرار إطلاق تصنيع منتج مادي يجب أن يظل حاليًا بيد المهندس، لأنه مسؤول ليس عن صورة مقنعة، بل عن قطعة تخرج فعليًا من خط الإنتاج.