Accelerating engineering for the physical world

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

OpenAI는 Astra·Codex·ChatGPT로 물리적 제품의 설계·시뮬레이션·제조 준비를 가속하는 초기 성과를 제시했으며, 실제 산업 적용에는 제조 제약 반영과 엔지니어의 검증이 여전히 필요하다고 밝혔다.

📌 핵심 요약

• OpenAI는 2026년 11월 3일 기계·전기 공학과 전체 시스템 설계에서 모델 활용 성과를 공개했다. 기계 설계, 전자장치, 소프트웨어, 제조 요구사항을 연결해 엔지니어의 아이디어 탐색과 설계 개선 시간을 늘리는 것이 목표다.
• 팀원 2명이 Astra를 활용해 부업 프로젝트로 일주일 미만에 Codex와 대화하는 시험용 기기를 설계했고, 위탁 제조업체는 한 달 미만에 소량의 시제품을 제작했다. 다만 제조 준비에는 여러 차례 검토와 수정이 필요했으며, Astra는 생산 한계·공차·조립 세부사항을 일관되게 반영하지 못했다.
• OpenAI 하드웨어·인프라 팀은 Codex와 ChatGPT를 CAD 모델 작성·수정, 제조 도면, 시뮬레이션, 설계 검토에 사용한다. 하드웨어 팀의 토큰 기준 모델 사용량은 2월 이후 23배로 증가했으며, 건축·엔지니어링·건설 및 BIM 업무에서도 전문가가 결과를 검토·검증한다.
• 3D 부품·조립체 재구성과 회로기판 연결 식별을 평가하는 BenchCAD 2.0에서 새로운 내부 모델은 평균 0.875점을 기록해 최고 추론 설정의 GPT‑6 Astra가 기록한 0.594점을 웃돌았다. OpenAI는 이를 전문 업무의 반복 개선 속도 향상 가능성을 보여주는 초기 근거로 보며, 설계 외의 엔지니어링 생애주기까지 입증한 결과로 제시하지는 않았다.
• Chip Ganassi Racing(CGR)과는 3D 스캔을 편집 가능한 CAD 모델과 2D 제조 도면으로 전환하는 작업을 시험하고, Mazda와는 공기역학·충돌 안전 엔지니어링에서 차량 설계를 개발·평가하는 연구를 시작했다. CGR 엔지니어는 정확성과 제조 가능성을 검토하며, Mazda 협업은 스타일링·비용을 고려한 성능 개선을 탐색하는 단계로 추가 결과는 향후 수개월 내 공개할 예정이다.

🧩 주요 포인트

1. 기기 설계의 빠른 진행과 제조 준비의 반복 수정 → 설계 생성 속도 향상이 생산 한계·공차·조립 요구사항 충족을 자동으로 보장하지는 않음.
2. BenchCAD 2.0 점수 상승과 내부 활용 확대 → 역량 개선의 초기 신호이며, 실제 산업 업무의 효과와 신뢰성은 별도 검증이 필요함.
3. CGR의 스캔 기반 설계 복원과 Mazda의 차량 설계 탐색 → 기존 자료 활용과 여러 설계 제약의 조율로 적용 범위가 확장되지만 엔지니어 검토가 핵심으로 남음.

🧠 상세 정리

1. 물리적 제품 개발 전반으로 확장되는 모델 활용

OpenAI는 2026년 11월 3일 공개한 연구 발표에서 모델이 물리적 제품의 설계·시뮬레이션·제작을 지원하는 진전을 소개했다. 적용 범위는 기계·전기 공학과 전체 시스템 설계이며, 내부 팀에서는 이미 새로운 아이디어를 시험하고 반복 개선하는 데 활용하고 있다. 이 과정에는 전문 도구를 사용해 기계 설계, 전자장치, 소프트웨어, 제조 요구사항을 함께 다루는 작업이 필요하다. OpenAI는 도면 준비와 시뮬레이션 설정부터 분야 간 변경 조율까지 모델이 지원하도록 학습시키고 있으며, 엔지니어가 아이디어 탐색과 설계 개선에 더 많은 시간을 쓰게 하는 것을 목표로 제시했다. 산업 현장의 전문 업무에서도 개선의 초기 증거가 관찰되고 있다고 설명했지만, 효과가 큰 업무와 추가 개선이 필요한 지점을 협력사와 함께 파악하는 단계라고 밝혔다.

2. Astra의 기기 설계 실험과 제조 단계의 한계

OpenAI는 Astra의 멀티모달·컴퓨터 사용 역량을 시험하기 위해 사람이 직접 수정하지 않고 기기를 만들 수 있는지 살펴봤으며, GPT‑6로 사용자가 Codex와 대화할 기기의 기능 요구사항과 외장·회로기판·소프트웨어 연동을 설계했다. Astra는 Work Louder 협업과 게임·장난감에서 외형의 참고 요소를 얻고, 외장과 내부 고정 구조를 설계했으며, 부품 선정과 배치·연결을 포함한 PCB 설계도 수행했다. 사용자 인터페이스와 펌웨어, Codex 연결에 필요한 소프트웨어 연동도 작업 범위에 포함됐다. 팀원 2명은 이 시험용 기기를 부업 프로젝트로 일주일 미만에 설계했고, 위탁 제조업체는 한 달 미만에 소량의 시제품을 제작했다. 그러나 제조 준비에는 여러 차례 검토와 수정이 필요했으며, Astra가 제조업체의 생산 한계·공차·조립 세부사항을 일관되게 고려하지 못한 점은 향후 모델의 개선 과제로 남았다.

3. 내부 하드웨어·인프라 업무에서의 활용 확대

OpenAI의 하드웨어·인프라 팀은 로보틱스와 컴퓨팅 인프라 분야에서 Codex와 ChatGPT로 CAD 모델을 작성·수정하고 제조 도면, 시뮬레이션, 설계 검토를 준비한다. 하드웨어 팀의 모델 사용량은 토큰 기준으로 2월 이후 23배 늘었지만, 이 수치는 생산성 향상률이 아니라 사용 규모의 변화를 나타낸다. Grace Lam은 CAD 반복 작업, 3D 설계의 생산용 2D 도면 전환, 시뮬레이션과 유한요소해석(FEA) 설정에 필요한 수작업이 줄었다고 설명했다. Qiong Wang은 여러 분야의 설계 제약 정리, 시스템 아키텍처 탐색, ECAD 환경 작업과 설계 검토에 활용하며, 향후 기판 개념 설계부터 Gerber 출력까지 지원하는 하드웨어 전문가 팀으로 발전할 가능성을 언급했다. Jackie Lee는 AEC와 BIM에서 반복 모델링, 도면·시방서 간 불일치 탐지, 변경 조율 결과의 실행 가능한 문제 정리에 Codex를 활용하기 시작했다고 밝혔다. 이 업무에서도 건축가·엔지니어·BIM 전문가가 결과를 검토하고 검증하며, 확보한 시간을 설계 대안과 시공 가능성 평가에 사용한다.

4. BenchCAD 2.0 성과와 실제 업무 검증의 구분

OpenAI는 코딩 능력과 엔지니어링 지식을 함께 요구하는 과제를 통해 새로운 모델의 진전도 측정하고 있다. BenchCAD 2.0은 모델이 3D 부품과 조립체를 재구성하고 회로기판의 연결을 식별할 수 있는지 평가한다. 새로운 내부 모델의 평균 점수는 0.875였으며, 비교 대상인 최고 추론 설정의 GPT‑6 Astra는 0.594를 기록했다. OpenAI는 이러한 역량 향상을 전문 업무에서 반복 개선 속도에 긍정적인 영향을 줄 수 있다는 초기 근거로 해석했다. 다만 엔지니어링 생애주기에는 설계 이외에도 많은 요소가 있으므로 이 평가만으로 전체 과정의 성과를 판단할 수는 없다는 한계를 함께 제시했다. 실제 적용 가능성을 확인하기 위해 소수의 산업 협력사와 현장 문제를 시험하고 있으며, 협력사 엔지니어가 출력의 정확성과 실용성을 검토해 현재 지원 가능한 업무와 안전하고 신뢰할 수 있는 사용을 위한 개선점을 파악한다.

5. CGR과의 협업: 3D 스캔에서 제조 도면까지

OpenAI는 Chip Ganassi Racing(CGR)과의 협업을 확대해 모델이 엔지니어링과 시제품 개발을 어떻게 가속할 수 있는지 탐색하고 있다. CGR 연구개발 팀과 시험하는 작업은 기존 부품의 3D 스캔을 편집 가능한 CAD 모델과 2D 제조 도면으로 바꾸는 과정이다. 원래 설계 파일을 구할 수 없는 상황에서 특히 유용한 활용 방식으로 소개됐다. CGR 엔지니어는 생성된 모델과 도면의 정확성 및 제조 가능성을 검토하며, 그 피드백은 수작업을 줄일 수 있는 부분과 추가 개선이 필요한 부분을 구분하는 데 쓰인다. CGR의 연구개발 엔지니어 Matthew Ortman은 원시 스캔 데이터를 솔리드 형상으로 전환하는 데 모델이 유용했다고 평가했다. 그는 CAD에서 Codex와 직접 작업하면서 피드백을 바로 반영하고 수동 수정도 할 수 있어, 작업이 더 빨라지고 직접 개입이 줄어들고 있다고 설명했다.

6. Mazda의 설계 탐색과 향후 산업 협력

OpenAI는 Mazda와 새로운 연구 협업을 발표했으며, 연구팀과 Forward Deployed Engineering 팀이 Mazda의 공기역학·충돌 안전 엔지니어들과 차량 설계 개발 및 평가를 탐색하고 있다. 이 작업은 공기 흐름과 구조적 거동의 시뮬레이션을 사용해 스타일링과 비용을 고려하면서 성능을 개선할 가능성을 살핀다. GPT‑6 Astra는 새로운 차량 전면부 형상을 모델링하고 공기 흐름을 시뮬레이션한 뒤 유망한 설계를 다듬는 방식으로 공기저항 감소 방안의 탐색을 지원한다. Mazda의 수석 엔지니어 Akihiro Nakata는 수십 가지 변형을 탐색·시뮬레이션하면 공기역학에 중요한 특징과 디자이너가 자유롭게 탐색할 수 있는 영역을 이해하는 데 도움이 된다고 설명했다. 그는 협업의 가치를 단순한 자동화와 개발 기간 단축을 넘어 Mazda 고유의 디자인과 공기역학 성능을 함께 추구하는 데서 찾았다. 구체적인 추가 진행 상황과 결과는 향후 수개월 내 공개할 예정이며, OpenAI는 기계·전기·전기기계 설계와 메카트로닉스 등에서 가치가 큰 활용 사례와 소프트웨어 도구를 발굴할 협력사를 모집하고 있다.

🧾 핵심 주장 / 시사점

• 기기 설계와 제조 준비 사이에서 드러난 차이는 모델의 설계 생성 능력뿐 아니라 생산 한계·공차·조립 조건을 반영하는 능력이 실제 활용의 관건임을 보여준다.
• 토큰 사용량 23배 증가와 BenchCAD 2.0 점수 향상은 각각 활용 확대와 평가 과제의 역량 개선을 나타내므로, 실제 개발 기간이나 생산성 개선의 크기와 구분해 해석할 필요가 있다.
• CGR과 Mazda 사례는 설계 자료의 복원부터 여러 대안의 시뮬레이션까지 활용 가능성을 보여주지만, 현재 성과는 엔지니어의 검토와 피드백을 포함한 작업 방식에서 나온 초기 결과다.

✅ 액션 아이템

• Astra의 기기 설계 결과를 제조에 연결할 때 생산 한계·공차·조립 요구사항 반영 여부 검토.
• BenchCAD 2.0의 0.875점과 0.594점 차이가 실제 산업 업무의 반복 개선 속도와 신뢰성 향상으로 이어지는지 검증.
• CGR의 CAD·2D 제조 도면 정확성과 제조 가능성, Mazda의 스타일링·비용을 고려한 성능 개선 결과 확인.

❓ 열린 질문

• Astra가 생산 한계·공차·조립 요구사항을 더 일관되게 반영하려면 어떤 개선이 필요한가?
• BenchCAD 2.0의 0.875점은 실제 산업 업무에서 어느 정도의 반복 개선 속도 향상으로 이어지는가?
• Mazda 협업에서 스타일링·비용을 함께 고려한 성능 개선은 어떤 결과로 확인될 것인가?