Όταν το OpenAI αποκάλυψε το GPT-6 Astra αυτή την εβδομάδα, ένα demo τράβηξε την προσοχή ενός κοινού που σπάνια ακούγεται κατά την παρουσίαση μοντέλων στα σύνορα: ηλεκτρολόγοι μηχανικοί. Η δημοσίευση παρουσίασε το μοντέλο που σχεδίαζε μια πλακέτα κυκλώματος στο KiCad, το εργαλείο σχεδιασμού ηλεκτρονικών ανοιχτού κώδικα. Αλλά μια μικρή ομάδα μηχανικών έθεσε μια πιο δύσκολη ερώτηση - όχι εάν τα μοντέλα τεχνητής νοημοσύνης μπορούν να λειτουργήσουν λογισμικό ηλεκτρονικών, αλλά εάν τα κυκλώματα που παράγουν λειτουργούν πραγματικά.
Η απάντησή τους έφτασε στις 4 Σεπτεμβρίου με τη μορφή του EEBench, ενός νέου δημόσιου σημείου αναφοράς που βαθμολογεί τα κυκλώματα που έχουν σχεδιαστεί με AI χρησιμοποιώντας ντετερμινιστικές προσομοιώσεις SPICE και όχι ανθρώπινη κρίση. Τα πρώτα αποτελέσματα υποδεικνύουν ότι τα τρέχοντα μοντέλα γνωρίζουν πολύ περισσότερα για τα ηλεκτρονικά από ό,τι δείχνει συνήθως η παραγωγή τους, αλλά εξακολουθούν να αποτυγχάνουν στο είδος της συμπεριφοράς των εξαρτημάτων στον πραγματικό κόσμο που προκαλεί και τους ανθρώπινους μηχανικούς. For more context on this story, see our ongoing AI trends.
Γιατί ο σχεδιασμός κυκλωμάτων χρειαζόταν το δικό του σημείο αναφοράς
Η ομάδα του EEBench, η οποία δημοσιεύει το σημείο αναφοράς στο eebench.org, λέει ότι η εμπειρία της δείχνει ότι τα τρέχοντα μοντέλα έχουν απορροφήσει σχολικά βιβλία, φύλλα δεδομένων, σημειώσεις εφαρμογών και τεράστιες ποσότητες κώδικα. Το σημείο συμφόρησης είναι η διεπαφή. Όταν ένας πράκτορας χειρίζεται ένα γραφικό εργαλείο CAD όπως το KiCad, ξοδεύει μεγάλο μέρος της προσπάθειάς του κάνοντας κλικ στα μενού και παρακολουθώντας ό,τι εμφανίζεται στην οθόνη, καταναλώνοντας το παράθυρο περιβάλλοντος με συντεταγμένες και κατάσταση εφαρμογής αντί για ηλεκτρικό συλλογισμό.
Η EEBench ακολουθεί μια διαφορετική προσέγγιση. Τα κυκλώματα στο σημείο αναφοράς είναι γραμμένα σε atopile, μια γλώσσα που περιγράφει τα ηλεκτρονικά ως δηλωτικό κώδικα, επομένως ο πράκτορας λειτουργεί απευθείας σε εξαρτήματα, συνδέσεις και περιορισμούς. Το μοντέλο μπορεί να τροποποιήσει ένα σχέδιο, να το δημιουργήσει, να εκτελέσει μια προσομοίωση και να επιθεωρήσει αστοχίες χωρίς να εγκαταλείψει το έργο. Σύμφωνα με την ομάδα, αυτό λειτουργεί πολύ καλύτερα από το να ζητάμε από ένα μοντέλο να σχεδιάσει γραμμές σε ένα GUI - και επιτρέπει στο σημείο αναφοράς να δοκιμάσει τις γνώσεις ηλεκτρονικών και όχι τις δεξιότητες χρήσης υπολογιστή.
Πραγματικά ανταλλακτικά, πραγματικές αποτυχίες
Μια δημόσια εργασία αντλείται από έναν μετρητή ενέργειας κατοικιών. Όταν η τροφοδοσία των 5 βολτ εξαφανιστεί, το κύκλωμα πρέπει να κρατήσει τον επεξεργαστή ζωντανό για άλλα 20 χιλιοστά του δευτερολέπτου, ώστε να μπορεί να εξοικονομήσει συσσωρευμένες μετρήσεις, με την προστατευμένη ράγα να παραμένει πάνω από το όριο διακοπής λειτουργίας 3,0 βολτ του επεξεργαστή όλη την ώρα.
Τα περισσότερα μοντέλα, αναφέρει η ομάδα, καταλήγουν αμέσως στο σωστό βασικό συμπέρασμα: προσθέστε έναν πυκνωτή. Το σημείο αναφοράς το κάνει πιο δύσκολο από ό,τι ακούγεται. Ένας πραγματικός κεραμικός πυκνωτής μπορεί να αποδίδει πολύ μικρότερη από τη διαφημιζόμενη χωρητικότητά του μόλις εφαρμοστεί τάση σε αυτόν, τα εξαρτήματα έχουν ανοχές και η επιπλέον χωρητικότητα προσθέτει κόστος, καταλαμβάνει χώρο και επιβραδύνει την επαναφόρτιση της ράγας όταν επιστρέφει η ισχύς.
Οι βαθμολογητές έπιασαν μια υποβολή που δείχνει το χάσμα μεταξύ των απαντήσεων στα σχολικά βιβλία και του εξοπλισμού εργασίας. Ένα σχέδιο προσδιορίζει ονομαστικά 22 microfarads — μια τιμή που φαίνεται επαρκής στο χαρτί. Αλλά στα 4,7 βολτ προκατάληψης, ο βαθμολογητής μέτρησε μόνο 11,4 μικροφαράντ πραγματικής χωρητικότητας, πολύ κάτω από την απαίτηση των 545 μικροφαράντ της εργασίας. Ο πηγαίος κώδικας δημιουργήθηκε με επιτυχία. Το κύκλωμα και πάλι απέτυχε: η προσομοίωση έδειξε ότι η προστατευμένη σιδηροτροχιά πέφτει κάτω από την απαίτηση των 3 βολτ μετά από μόλις 0,85 χιλιοστά του δευτερολέπτου, που δεν πλησιάζει τα απαιτούμενα 20.
Οι πιο δύσκολες εργασίες προωθούν περαιτέρω. Μια αναλογική αντιστοίχιση απαιτεί τη σύνθεση ενός χαμηλοπερατού φίλτρου πολλαπλής ανάδρασης γύρω από έναν ενισχυτή op-amp, την επίλυση των αναλογιών αντίστασης και πυκνωτή για τους απαιτούμενους πόλους και διατήρηση του κέρδους, της συχνότητας αποκοπής και του Q εντός ορίων, ακόμη και όταν κάθε στοιχείο ωθείται στις γωνίες ανοχής στη χειρότερη περίπτωση.
Πώς λειτουργεί η βαθμολόγηση
Οι έλεγχοι EEBench είναι απολύτως ντετερμινιστικοί. Η πλεξούδα δημιουργεί την υποβληθείσα σχεδίαση, κατασκευάζει το γράφημα κυκλώματος και τον λογαριασμό των υλικών και εκτελεί ένα σύνολο προσομοιώσεων SPICE και ελέγχων σχεδίασης, με κάθε απαίτηση να παράγει μια μέτρηση σε σχέση με ένα αριθμητικό όριο. Οι εργασίες μετρούν το κέρδος, τα κατώφλια, τον κυματισμό, την παροδική απόκριση και τη συμπεριφορά σε γωνίες ανοχής εξαρτημάτων. Η τεχνική βαθμολογία συνδυάζεται με ένα μέτρο κόστους-αποτελεσματικότητας έναντι ενός λογαριασμού αναφοράς υλικών — αν και το κόστος βοηθάει μόνο όταν το κύκλωμα λειτουργεί.
Η ομάδα συγκρίνει τη ρύθμιση με την παροχή σε έναν παράγοντα κωδικοποίησης ενός μεταγλωττιστή και μιας σειράς δοκιμών, εκτός από τις δοκιμές που μετρούν τις τάσεις και τη συμπεριφορά των εξαρτημάτων. Όλες οι εργασίες στην έκδοση 1 χρησιμοποιούν πραγματικά εξαρτήματα κατασκευαστή, με προδιαγραφές που εξάγονται από φύλλα δεδομένων και μεταφέρονται στα μοντέλα προσομοίωσης, αναγκάζοντας τον πράκτορα να βρει συνδυασμούς που υπάρχουν, μπορούν να παραγγελθούν και σε λογικές τιμές.
Το πρώτο Leaderboard
Τα αποτελέσματα από την 1η Σεπτεμβρίου τοποθετούν το Claude Opus 5 στην κορυφή του EEBench V1 με 61,6% σε 13 εργασίες. Το Grok 4,6 ήρθε δεύτερο με 57,1%, λίγο μπροστά από τον Claude Fable 5,1 στο 56,4%. Το Claude Fable 5 σημείωσε 54,3% και το Claude Opus 4,8 Max 51,4%. Η ομάδα σημειώνει ότι πριν από λίγους μήνες δεν θα περίμενε τα μοντέλα να έχουν αυτή την καλή απόδοση.
Ένα αποτέλεσμα ευχαρίστησε ιδιαίτερα την ομάδα: η xAI συμπεριέλαβε το EEBench στην κάρτα μοντέλου Grok 4.6, σε μια ενότητα για την μηχανική επιτάχυνση παράλληλα με την τρισδιάστατη μοντελοποίηση και τις παραμετρικές αξιολογήσεις CAD. Η δημοσιευμένη πορεία της xAI σημείωσε Grok 4,6 στο 60,0% με μεγάλη συλλογιστική προσπάθεια. Σύμφωνα με τα υλικά εκτόξευσης του xAI, το μοντέλο έλαβε υψηλής ποιότητας δεδομένα μηχανικής και εκπαίδευση ενισχυτικής μάθησης σε περιβάλλοντα ειδικά για τον τομέα, συμπεριλαμβανομένου του σχεδιασμού με τη βοήθεια υπολογιστή.
Τα μοντέλα του OpenAI που δοκιμάστηκαν μέχρι στιγμής βρίσκονται πιο κάτω στον πίνακα: το GPT-5.5 σημείωσε 42,3% και το GPT-5.6 Sol 39,4%. Δεν υπάρχει ακόμη αποτέλεσμα GPT-6 Astra — ένα αξιοσημείωτο κενό δεδομένου ότι η επίδειξη KiCad του μοντέλου πυροδότησε την ανανεωμένη προσοχή. Το leaderboard, η μεθοδολογία και ο εξερευνητής δειγμάτων αποτελεσμάτων του σημείου αναφοράς είναι όλα δημόσια και τα εργαστήρια μπορούν να εκτελέσουν τα δικά τους μοντέλα.
Τι δεν μετράει — ακόμα
Το EEBench V1 καλύπτει αναλογικό και ψηφιακό σχεδιασμό μόνο μέσω προσομοίωσης. Δεν δοκιμάζει ακόμη εάν ένα μοντέλο μπορεί να τοποθετήσει μια φυσική πλακέτα, να την κατασκευάσει ή να εμφανίσει ένα τελικό προϊόν - στάδια όπου εμφανίζονται εντελώς νέοι τρόποι αστοχίας. Η ομάδα λέει ότι θέλει να προσθέσει αυτά τα στάδια αργότερα, αλλά εστίασε την έκδοση 1 στον βρόχο απαιτήσεων-σχεδιασμού-επαλήθευσης, επειδή εκεί μπορεί ήδη να βαθμολογηθεί αντικειμενικά η χρήσιμη εργασία μηχανικής.
Ωστόσο, το σημείο αναφοράς προσγειώνεται σε μια χαρακτηριστική στιγμή. Ένα συνοριακό εργαστήριο το αναφέρει τώρα σε μια κάρτα μοντέλου, τα επιδείξεις εκτόξευσης τοποθετούν τα ηλεκτρονικά στην πρώτη σελίδα και η κορυφαία βαθμολογία - 61,6% - δείχνει ότι τα μοντέλα είναι ουσιαστικά ικανά, ενώ δεν παραμένουν αξιόπιστα. Για τους ηλεκτρολόγους μηχανικούς που παρακολουθούν, το μήνυμα από τα πρώτα αποτελέσματα του EEBench μετριέται: Η τεχνητή νοημοσύνη μπορεί όλο και περισσότερο να σχεδιάζει κυκλώματα σε χαρτί. Το αν επιβιώνουν σε επαφή με πραγματικά εξαρτήματα είναι ακριβώς αυτό που υπάρχει για να μάθουμε αυτό το σημείο αναφοράς.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
