一句话看懂：开发者 GoFly 用 Codex 中的 GPT-6 Astra 在 KiCad 里从零设计了一款 F405 六层 FPV 无人机飞控 PCB，AI 独立完成原理图、布局、走线、检查与生产文件导出，全程耗时 3 小时 13 分。这块板子能否稳定工作尚未上板验证，但“用自然语言描述需求到拿到可打样文件”的闭环已经跑通，值得关注。
事件核心：发生了什么
开发者 @GoGoFly23 于 2026 年 9 月 5 日在 X 平台公开了一段完整的 AI 辅助硬件设计记录。在 Codex 环境中，GPT-6 Astra 直接操作开源 EDA 工具 KiCad，完成了 FPV 无人机飞控 PCB 的全流程设计：从电路原理图绘制、PCB 布局、元器件摆放到走线，均由模型逐步操作完成。
设计完成后，GPT-6 Astra 自行运行了 ERC（电气规则检查）与 DRC（设计规则检查），并根据检查结果修改了电路和布局。最终产物是一块 F405 六层飞控板，模型直接导出了 Gerber 文件、钻孔文件、BOM（物料清单）、贴装坐标文件及 STEP 3D 模型，用户可直接打开查看完整板卡效果。
据发布者记录，本次任务是“高”思考强度，总耗时 3 小时 13 分 56 秒，消耗约 5190 万 token。目前该 PCB 尚未打样，实际电气性能与稳定性仍需实物上板测试验证。
为什么重要
这次实验的价值不在于“画了一块板子”，而在于它将大模型的执行边界从纯数字世界（代码、文本）延伸到了需要物理验证的硬件设计环节。传统 PCB 设计高度依赖工程师的经验积累，包括元器件选型、叠层阻抗设计、电源完整性布局等，这些往往难以用简单的自然语言指令概括。
GPT-6 Astra 在无人逐步干预的情况下，不仅完成了图形化的布线操作，还能自主运行规则检查并修正错误，这表明模型已经具备一定的工程闭环能力。若该流程稳定复现，硬件设计门槛将被显著拉低，甚至可能改变中小团队从“想法验证”到“打样试产”的决策成本。
值得注意的是，近 5200 万 token 的消耗量对应的推理算力成本与时间成本仍然不低，这也为当前“高智能通用 Agent 是否适合商业化落地”提供了现实的算力参考样本。
对用户/开发者/创作者的影响
对独立硬件开发者和无人机 DIY 爱好者来说，这类能力意味着 PCB 设计的起步门槛大幅降低。过去从零学习 KiCad、理解 F405 芯片参考设计、做六层板叠层与阻抗控制，往往需要数周甚至数月的积累；现在借助 Codex 类的 Agent，在有明确需求描述时，可以在数小时内拿到一份结构完整的工程文件。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对工程师而言，AI 短期看更像一位“提效助手”：它能快速生成初版布局、跑完 ERC/DRC，省去大量重复的界面操作与规则检查时间，但最终的上板调试、信号完整性验证和射频调优仍需人工介入。目前公开信息也显示，该设计尚未通过物理测试，实际工作的稳定性存疑，因此不应把它视作“取代硬件工程师”的信号。
对 AI 应用开发者来说，这是一个典型的 Agent 工具调用案例：模型需要跨应用操作 GUI、理解工程文件格式，并持续执行长周期任务。它验证了大模型与专业工程软件深度耦合的可能性，也为后续更复杂的“软件+硬件”协同 Agent 提供了场景参考。
值得关注的后续
一是实物验证结果。这块板子打样后能否正常完成飞控电机驱动、传感器数据读取及稳定飞行，是目前最直接的判断依据——毕竟画图正确不等于上电稳定。
二是成本曲线。超过 5000 万 token 的单次任务量在当前定价体系下并不便宜，观察后续模型版本是否能将该类任务压缩至百万 token 以内，将决定其能否从小众实验走向普及。
三是 KiCad 生态的适配程度。此次操作发生在开源 EDA 工具中，若主流商业 EDA 软件（如 Altium Designer、Cadence）开发商也开放类似 Agent 接口，硬件设计自动化的竞争格局可能会被重新书写。
来源：@GoGoFly23
