בתחילת ספטמבר 2026 הציגה OpenAI, בהשקת המודל GPT-6 Astra, קליפ שבו המודל מבצע פריסת PCB ב-KiCad. במקביל פורסם EEBench, מדד שבוחן סוכני AI במשימות של תכנון מעגלים. שתי ההצגות נקראות לעיתים כאילו הן עונות על אותה שאלה: האם AI כבר מתכנן לוחות שעובדים. בפועל הן בוחנות דברים שונים. המאמר מפרט מה נטען, מה נבדק ומה עדיין חסר.
מה OpenAI הראתה בפועל
לפי הכיתוב בעמוד ההשקה של OpenAI, הקליפ הוא הקלטה מקוצרת של 15 שניות שבה GPT-6 Astra מבצע פריסת PCB ב-KiCad והופך סכמה חשמלית ללוח שניתן לייצור, באמצעות מיקום רכיבים וניתוב נחושת. לפי Quilter, חברה שמפתחת כלי מתחרה לניתוב אוטומטי, הקליפ מקצר ריצה של כשלוש דקות, ו-OpenAI לא פרסמה מדד ייעודי ל-PCB. הכיתוב מתחיל מסכמה קיימת, כלומר הטענה נוגעת לפריסה (מיקום וניתוב) ולא לתכנון המעגל או לבחירת הרכיבים.
מי ניתב בפועל
Hubert Hu, ראש הטכנולוגיה ב-NextPCB, ביצע שני ניסויים על אותו לוח עם מיקום רכיבים קבוע. בניסוי הראשון Astra לא הוגבל, ותוך כ-12 דקות הופק לוח מנותב. היסטוריית הביצוע הראתה שהמודל ייצא את הלוח מ-KiCad בפורמט DSN, העביר אותו ל-Freerouting וייבא את התוצאה בפורמט SES. כלומר Freerouting חישב את הניתוב ו-Astra תיאם את התהליך. בניסוי השני נאסר על המודל להשתמש בכלים חיצוניים, והוא נדרש לעבוד ב-KiCad בעכבר ובמקלדת. לאחר שעה הופסקה הריצה, ו-Astra השלים שלושה קטעי מסלול קצרים בלבד.
NextPCB מדגישה ששתי ריצות על לוח אחד אינן מדד, ושהתוצאה אינה מלמדת איך ההדגמה של OpenAI נבנתה. גם JLCPCB, שבחנה את Astra בפרויקט מגבר ב-KiCad, מציינת שימוש ב-Freerouting מקומי להשלמת רשתות בזרם נמוך, וכי הפריסה המנותבת בפרויקט נלקחה ממשימה קודמת ושימשה ללא שינוי. שתי החברות מייצרות לוחות, ולכן יש להן עניין מסחרי בתחום.
מה EEBench בודק
EEBench נבנה ומומן על ידי atopile, חברה שמוכרת כלי תכנון מבוססי קוד. הגרסה הנוכחית כוללת 13 משימות מקוריות שלא פורסמו. הסוכנים מגישים תכנון בקוד של atopile ולא פועלים בממשק גרפי, והתכנון נבדק בסימולציה, בלי שופטים אנושיים ובלי מודל שפה כשופט. הציון משלב 65% ביצועים טכניים ו-35% יעילות עלות מול רשימת רכיבים ייחוס, וקרדיט עלות ניתן רק לתכנון שעובד. לפי Newsroom, פריסת הלוח, הייצור וההרצה הפיזית מחוץ להיקף, ולכן ציון אינו אחוז הלוחות שעובדים.
בתוצאות של 1 בספטמבר, שפורסמו בבלוג של EEBench, קיבל Claude Opus 5 ציון 61.6%, Grok 4.6 קיבל 57.1% ו-Claude Fable 5.1 קיבל 56.4%. GPT-5.5 קיבל 42.3% ו-GPT-5.6 Sol קיבל 39.4%. בבלוג נכתב שעדיין אין תוצאה ל-GPT-6 Astra. הבלוג של EEBench עדיין מציין שאין בו תוצאה ל-GPT-6 Astra, אך בלוח התוצאות המעודכן של EEBench מופיע Astra עם ציון 69.3% ±10.7. הפער נובע מכך שהבלוג משקף תוצאות מוקדמות יותר ואילו לוח התוצאות עודכן לאחר מכן. Newsroom מציין שלא הריץ את המדד ולא שחזר את התוצאות.
למה אי אפשר לחבר בין השניים
הקליפ של OpenAI עוסק בפריסה, ו-EEBench עוסק בנכונות המעגל בסימולציה. ציון ב-EEBench אינו מוכיח יכולת פריסה, והקליפ אינו מוכיח שהמעגל עובד. גם בפרויקט של JLCPCB, אפס הפרות ב-ERC וב-DRC נמדדו רק לפי הכללים שהופעלו: חמש קטגוריות DRC וארבע קטגוריות ERC הושמטו, והלוח לא יוצר ולא נמדד. Hackaday מסכם שלוח לייצור נדרש להתמודד עם מקרי קצה, לעבור אימות של כמה מהנדסים עצמאיים ולעבור בדיקות מחמירות לפני ריצת ייצור.
מה כדאי לבדוק כשקוראים הדגמה כזו
- מי פתר את הבעיה: המודל, או כלי חיצוני שהמודל הפעיל, כמו Freerouting.
- מה נבדק: אילו כללי ERC ו-DRC הופעלו ואילו קטגוריות הושמטו.
- מה נמדד בפועל: אם הלוח יוצר, הורכב והופעל.
- מה המדד בודק: אם הוא בוחן את מה שנטען, ומי מימן אותו.
לסיכום
הנתונים שפורסמו עד כה מראים ש-AI מסוגל להפעיל כלי EDA קיימים ולתאם ביניהם, וש-EEBench מספק אינדיקציה לנכונות מעגלים בסימולציה. הם אינם מראים ש-AI מנתב לבדו לוחות מורכבים, או שהלוחות שהופקו עובדים בחומרה. עד שיפורסם ניסוי חוזר על לוח שיוצר ונבדק, ההדגמות הן נקודת פתיחה ולא הוכחה.