AI 開始能做出可製造電路板，但驗收仍比生成更重要
AI 開始能做出可製造電路板，但驗收仍比生成更重要
事件事實
EEBench 的最新文章把 AI 電路設計從展示案例拉回可量化的測試：模型需要理解元件、連線、電氣約束，還要能在 KiCad 或宣告式硬體工具中反覆修改、模擬與檢查。OpenAI 的 GPT-6 Astra 發布材料展示了從原理圖到 PCB 佈局的流程；EEBench 的公開摘要則顯示，Astra 在其榜單以 69.3 分領先，並記錄了 Claude 協助製作 VGA 電路、以約 6 美元打樣，及透過 KiCad MCP Server 產生並透過 DRC 的案例。
研究判讀
EEBench 與 OpenAI 的原始材料分別提供基準方法和產品示範；GoKawiil 的獨立整理指出，EEBench 使用 atopile 這類宣告式程式碼，讓代理能直接操作元件、連線與約束，而不是隻在 GUI 裡拖曳線路。這些證據支援「AI 已能在低至中等複雜度硬體任務中產生可用草稿」，但不能解讀為可一鍵設計手機或高可靠度產品。透過 DRC 只代表幾何與部分規則成立，並不等於熱、訊號完整性、EMC、可製造性和長期可靠度都合格。
對硬體團隊的影響
AI 最適合先承擔可重複、可測試的設計迴圈：產生初稿、執行模擬、讀取失敗訊息、提出修正，再交由工程師審核。團隊應把原理圖、BOM、約束、模擬結果和製造回饋放進版本控制，建立與人工基線相同的驗收門檻。第一批樣板仍需做實測，包括電源、時序、溫升和介面容錯；若模型輸出不能解釋元件選擇或追溯變更原因，就不應直接進入量產。