ChatGPT помог спроектировать контроллер для вендингового автомата с 32 соками

На Habr вышел показательный пост о том, как ChatGPT использовали не для текста или кода, а для первичной проработки железа — контроллера вендингового автомата с соками. Автор не показывает готовое устройство, но сама переписка хорошо демонстрирует, как LLM может вести инженерное интервью и собирать ТЗ по шагам.

Как формировали ТЗ

Автор начал с прямого запроса: можно ли разработать схему и гербер-файлы контроллера для вендингового аппарата по продаже соков. В ответ ChatGPT не стал сразу “рисовать плату”, а сначала запросил базовые вводные: способы оплаты, число каналов дозировки, требования к охлаждению, тип пользовательского интерфейса, формат связи с сервером и предпочтения по вычислительной платформе. Для аппаратной задачи это важный момент: модель повела себя не как генератор случайных решений, а как инженер на этапе сбора требований.

После уточнений картина стала конкретнее. Устройство должно принимать NFC-карты, смешивать напитки из 32 соков, наливать стандартный стакан, работать с охлаждением, иметь сенсорный экран и отправлять телеметрию в облачную систему через сокеты. Дальше пользователь задал уже не абстрактный, а вполне предметный вектор: разделить силовую плату и плату интерфейса, использовать Orange Pi, 10-дюймовый TFT, PN532 и LTE-связь для работы с Linux-сервером.

Что предложила модель

На основе этих требований ChatGPT разложил систему на модули и предложил предварительную архитектуру. В переписке фигурируют не только общие идеи, но и вполне прикладные блоки, которые действительно нужны такому устройству. отдельная силовая плата для управления исполнительными механизмами и питанием плата пользовательского интерфейса на базе Orange Pi NFC-модуль PN532 для приёма карт 10-дюймовый TFT-дисплей для сценариев выбора напитка * LTE-модем и обмен с сервером через сокеты Отдельно модель предложила варианты по управлению выдачей жидкости и охлаждением.

Сначала речь шла о шаговых моторах, соленоидных клапанах и даже о вариантах вроде Raspberry Pi, STM32 и ESP32 в разных ролях. Для охлаждения ChatGPT упомянул либо элементы Пельтье с вентиляторами, либо компрессорную систему — то есть не свёл всё к одному шаблонному решению. Полезно и то, что модель продолжала задавать вопросы вместо того, чтобы притворяться, будто все параметры уже известны.

Она уточняла, нужен ли контроль уровня сока, какой стек связи с сервером удобнее, будет ли несколько типов стаканов и какие драйверы стоит выбрать. Именно на таких деталях часто ломаются слишком оптимистичные AI-демо.

Как менялась схема

По ходу диалога автор пересмотрел одну из ключевых частей: вместо шаговых моторов попросил использовать мини-перистальтические насосы с AliExpress, потому что так дешевле. ChatGPT согласился с таким компромиссом и сразу обозначил ограничение: такие насосы проще в управлении и дешевле, но обычно уступают по точности дозировки.

«Перистальтические насосы проще в управлении и дешевле, хотя у них чуть ниже точность дозировки».

После этого модель предложила логичную последовательность работ: сначала спроектировать силовую плату, потом заняться разводкой и гербер-файлами. Автор подтвердил этот порядок. В опубликованном фрагменте нет самих схем, PCB и производственных файлов. То есть речь пока не о полностью готовом контроллере, а о раннем этапе инженерной проработки, где ChatGPT помогает упаковать идею в структуру системы и превратить расплывчатый запрос в более формальное ТЗ. Именно поэтому пост интересен не как доказательство того, что LLM уже заменяет разработчиков электроники, а как пример другого сценария. Модель выступает в роли собеседника, который помогает не забыть критичные блоки системы, структурирует выбор компонентов и быстро перебирает архитектурные варианты до старта реального проектирования.

Что это значит

Такие кейсы показывают, что ChatGPT уже полезен в hardware-задачах как инструмент предварительного дизайна и сбора требований. Но ценность возникает не там, где модель “сама всё сделала”, а там, где человек использует её для ускорения первых инженерных итераций и проверяет каждое решение до производства.