GPT-6 Astra'nın KiCad demosu yapay zekâ devre tasarımını EEBench sınavına tabi tutuyor

OpenAI devre tasarımını lansman sayfasına taşıdı

OpenAI, GPT-6 Astra'nın KiCad'de bir devre kartı üzerinde çalıştığı bir demoyu lansman yazısının ana sayfasına yerleştirdi; EEBench benchmark'ının geliştirici ekibi bu konumu gerçekten heyecan verici buldu — elektronik, büyük bir model lansmanında nadiren bu kadar öne çıkarılıyor. Ancak "Yapay zekâ henüz devre kartı tasarlayabiliyor mu?" başlıklı bir yazıda belirttikleri gibi, demo bir süredir etrafında dolaştıkları bir soruyu da gündeme getiriyor: bir yapay zekânın ürettiği elektronik tasarımın gerçekten ne kadar iyi olduğunu nasıl ölçersiniz? Onların cevabı, tasarımları bir modelin CAD uygulamasını ne kadar ustalıkla kullandığına göre değil, simülasyon yoluyla değerlendiren bir benchmark.

GUI'ler agent'lar için yanlış arayüz

EEBench'e göre mevcut modeller, elektronik hakkında geleneksel araçlardaki çıktılarının öne sürdüğünden çok daha fazlasını biliyor; ders kitaplarını, datasheet'leri, uygulama notlarını ve büyük miktarda kodu özümsemiş durumdalar. Grafiksel bir CAD paketi kullanan bir agent, çabasının büyük kısmını menülerde tıklamakla ve ekranda ne olduğunu takip etmekle harcar; context'i koordinatlar ve uygulama durumu tarafından domine edilir.

EEBench bunun yerine devrenin declarative kod olarak ifade edildiği atopile üzerine inşa edilmiş. Agent parçaları, net'leri ve elektriksel kısıtlamaları doğrudan manipüle ediyor; tasarımı revize edebiliyor, derleyebiliyor, simüle edebiliyor ve hataları inceleyebiliyor — projeden çıkmadan. Ekip, bu yaklaşımın bir modelden GUI'de çizgi çizmesini istemekten çok daha iyi çalıştığını söylüyor ve bu, benchmark'ın odağını bilgisayar kullanımından elektroniğin kendisine kaydırıyor.

Nominal değerler versus gelen parçalar

Herkese açık görevlerden biri konut tipi bir enerji ölçere dayanıyor: 5 V besleme kesildiğinde devre, birikmiş okumayı kaydedebilmesi için işlemciyi 20 ms daha ayakta tutmalı ve korunan hattı bu süre boyunca işlemcinin 3.0 V brownout eşiğinin üzerinde tutmalı. EEBench'e göre çoğu model sezgisel olarak doğru ilk cevaba ulaşıyor — bir kapasitör ekle — ama gerçek bileşenler işleri karmaşıklaştırıyor. Seramik bir parça, üzerinde gerilim olduğu zaman duyurulan kapasitansından çok daha azını sağlayabiliyor; toleranslar sorun yaratıyor; ekstra kapasitans para demek, kart üzerinde yer kaplamak demek ve güç geri geldiğinde hattın yeniden şarjını yavaşlatmak demek. Nominal değerlerle geçen bir tasarım, gerçekte sevkedilen parçalarla başarısız olabilir.

Test düzeneği simülasyonda giriş gücünü kesiyor ve kesinti boyunca hattı, çalışma noktasındaki etkin kapasitansı, güç geri döndükten sonra toparlanmayı ve paket, dielektrik, gerilim derecesi ile maliyet kısıtlarını ölçüyor. Daha zor görevler daha da ileri gidiyor: bir agent, bir op-amp çevresinde çoklu geri beslemeli bir alçak geçiren filtre sentezlemek, gereken kutuplar için direnç ve kapasitör oranlarını çözmek ve her bileşen en kötü durum tolerans köşelerine itildiğinde kazancı, kesim frekansını ve Q'yı sınırlar içinde tutmak zorunda kalabiliyor. Tasarımlar gerçek üretici parçalarını kullanmalı; datasheet özellikleri SPICE modellerine taşındığı için agent elektriksel performansı, maliyeti ve tedariki aynı anda karşılamak zorunda.

Deterministik değerlendirme

Her EEBench kontrolü deterministik: düzenek gönderilen tasarımı derliyor, devre grafını ve malzeme listesini (bill of materials) oluşturuyor, SPICE simülasyonları ve tasarım kontrolleri çalıştırıyor ve her gereksinim bir limite karşı bir ölçüm üretiyor. Teknik puan, referans bir malzeme listesine karşı maliyet verimliliğiyle birleştiriliyor ve maliyet yalnızca devre çalıştığı anda sayılıyor. Ekip bunu, bir kodlama agent'ına compiler ve test paketi vermek gibi tanımlıyor; tek fark, testlerin gerilimleri ve bileşen davranışını ölçmesi. EEBench V1 yalnızca simülasyon yoluyla analog ve dijital tasarımı kapsıyor — layout, üretim ve kart bring-up henüz test edilmiyor, ancak ekip bunları eklemeyi planlıyor.

Liderlik tablosu ne gösteriyor

EEBench'in bildirdiği 1 Eylül sonuçları, Claude Opus 5'i EEBench V1'deki 13 görevde %61,6 ile birinci sıraya koyuyor; Grok 4.6 %57,1 ile ikinci, Claude Fable 5.1'in hemen önünde, o da %56,4. Claude Fable 5 %54,3 ve Claude Opus 4.8 Max %51,4 aldı. Şimdiye kadar test edilen OpenAI modelleri tabloda daha alt sıralarda, diye not düşüyor yazı. Ayrıca xAI, EEBench'i Grok 4.6 model kartında 3D modelleme ve parametrik CAD değerlendirmelerinin yanında "mühendislik hızlandırma" başlığı altına ekledi; yayımladığı koşuş, xhigh reasoning effort kullanılarak Grok 4.6'yı %60,0'a yerleştirdi — bu, EEBench'in kendi 1 Eylül sonucundan daha yüksek bir rakam.

Neden önemli

Bir frontier laboratuvarının lansman sayfası için KiCad devre kartı demosu seçmesi, donanım tasarımının yapay zekâ için yalnızca kod değil, bir vitrin yeteneği haline geldiğine işaret ediyor. Ama demolar ölçüm değildir. EEBench, "elektronik tasarlayabilir mi?" sorusunu denetlenebilir bir soruya dönüştürüyor ve bugünkü dürüst cevap kısmi: en iyi model, simülasyon yoluyla tasarım ve doğrulamayla sınırlı bir benchmark'ta yaklaşık %60. Yaklaşımı inandırıcı yapan iki şey var — gerçek mühendisliği tanımlayan denge akıl yürütmesini (toleranslar, maliyet, gerçek parça siparişi) zorunlu kılıyor ve bir frontier laboratuvarı artık bunu bir model kartında anıyor. Kalan boşluk da en az bunun kadar anlamlı: layout, üretim ve bring-up test edilmiyor ve EEBench'in kendi deyişiyle, bir yapay zekâdan tek bir prompt ile komple bir telefon üretmesini istemek hâlâ biraz uzakta.