GPT-6 Astra 真会 PCB 自动布线了？实测 说清一个关键误区

调用自动布线器，不等于成为自动布线器。

最近，OpenAI 发布 GPT-6 Astra，并在介绍 Computer Use（计算机操作）能力时，展示了一段在 KiCad 中进行 PCB 设计的演示：元件摆放、走线连铺铜，一块电路板逐渐成形。官方明确说明，这是一段 15 秒的浓缩回放，并不是任务的实际完成时间。

演示很震撼，但作为电子设计领域的从业者，我更关心另一个问题：

我们看到的，究竟是大模型通过视觉、鼠标和键盘“学会了布线”，还是它调用专业工具，完成了一套自动化流程？

两者都可以产生布线结果，但背后的技术含义，相差很远。

如果没有讲清楚这一区别，一段成功的演示，很容易被理解为：通用大模型已经轻松解决了 PCB 自动布线这个长期存在的工程难题。

为此，我用 Astra 做了两个实验，并记录了视频。

01｜第一次实验：约 12 分钟完成，但真正布线的是谁？

两次实验使用相同的环境，起点也是同一块板子：在 KiCad 中打开一个已经完成布局、但尚未布线的示例。

第一次，我直接要求 Astra 完成布线，不限制它使用什么方法。

约 12 分钟后，它给出了布线结果。

只看开始和结束的画面，这确实很像“AI 自己把 PCB 画好了”。但展开实际执行过程，核心流程是：

KiCad 导出 DSN → Freerouting 自动布线 → 将 SES 结果导回 KiCad。

DSN 是交给外部布线器的设计文件，SES 则用于把布线结果带回设计软件。这并不是大模型新创造的工作方式，而是一套已有的 KiCad 与外部自动布线器协作流程。

在这次实验中，Astra 的贡献主要是理解任务、组织步骤、调用工具，并把结果带回设计环境。

真正承担核心布线计算的，是 Freerouting。

这当然有价值。把原本需要人工操作的多个环节串起来，本身就是一种效率提升。但对这次结果，更准确的描述应该是：

Astra 自动组织了一次 PCB 布线流程，而不是证明它仅凭视觉和鼠标键盘，就独立掌握了 PCB 布线能力。

另外，这里所说的“完成”，指本次任务得到了布线结果，并不直接等同于完成了生产级设计验证。

02｜第二次实验：限制外部工具，一小时只完成三段短线

第二次，我保持相同的环境和初始板卡状态，只改变了提示词中的限制：

不允许调用外部工具，要求通过视觉与鼠标、键盘操作 KiCad 来完成布线。

结果与第一次明显不同。运行一小时后，我手动终止了任务。

此时，它只完成了 三段很短的走线，距离整板完成还很远。

这组对照让我更加确信：至少在我的这次测试中，能否调用专业布线工具，对任务结果有决定性的影响。

不过，实验的边界也必须说明白。这是同一块板子上的两次运行，第二次的限制通过提示词提出，并不是覆盖不同板卡、不同参数和多次重复运行的系统性评测。它不能证明纯图形界面操作永远无法完成布线，也不能证明 OpenAI 官方演示使用了与我相同的后台工具链。

我质疑的是演示容易造成的能力误读，而不是用自己的两次实验，替官方演示下一个未经验证的技术结论。

03｜会使用工业软件，不等于攻克了软件背后的算法

这里需要澄清一个概念：Computer Use 与工具调用，并不是非此即彼的关系。

OpenAI 的官方文档中，Computer Use 既可以通过结构化的鼠标、键盘动作实现，也可以通过代码执行，使用相关库操作界面。因此，不能把“展示了 Computer Use”直接等同于“整个任务完全没有使用代码或其他工具”。

真正值得追问的，不是“它有没有用工具”，而是：

任务中最困难的那部分计算，究竟由谁完成？

甚至可以把问题再推进一步：

即便模型完全通过鼠标点击，在某个软件里按下“自动布线”按钮，规划线路的仍然可能是软件内部的布线引擎，而不是模型自己。

交互方式，不能替代对求解能力的解释。

我并不认为使用专业工具是“作弊”。恰恰相反，我认为这才是工业 AI 应该认真探索的方向。

问题在于，如果宣传让观众把“模型成功调用了求解器”，理解为“模型已经取代了求解器”，就把两类不同的进步混在了一起：

一种进步，是让专业工具更容易被使用。

另一种进步，是让专业问题本身得到更好的求解。

两者都重要，但不能混为一谈，更不能让前者掩盖后者的贡献。

04｜PCB 自动布线的难点，从来不只是“把线连上”

自动布线器早已存在。因此，不能简单地把这个领域描述成“几十年来，没有软件能自动布线”。真正值得持续攻克的，是如何在复杂板卡和严格约束下，稳定、高效地得到高质量结果。

PCB 布线不是在一张空白画布上，随意连接两个点。线宽、间距、差分对间距、长度匹配、过孔数量等，都可能成为必须满足的设计约束。KiCad 自身的布线与设计规则检查功能，就包含对这些问题的处理。

从计算复杂性看，与电路互连相关的经典直角斯坦纳树问题，其判定形式已被证明是 NP 完全问题，对应的最优化问题属于 NP-hard。这也是理解布线优化难度的一个经典例子。

但这里同样不能夸大：

NP-hard 不意味着实际问题无法求解，更不意味着 AI 不可能带来突破。

它提醒我们的是：完成一个示例，不等于已经获得了面向大量复杂设计的通用、高质量求解能力。

评价一次 PCB 自动布线，不能只看“最后画面上出现了多少根线”，还应该看任务规模、约束条件、连通情况、规则检查结果，以及后续需要多少人工修正。

“有了布线结果”和“工程上可以放心交付”，不是同一个结论。

05｜为什么我在意这件事？因为误读可能影响真正的研究

我写这篇文章，并不是为了给 AI 泼冷水。

我担心的是，当一段浓缩演示离开技术上下文，被传播到行业之外，它可能会变成另一句话：

“通用大模型已经能自动画 PCB 了，你们为什么还要研究自动布线？”

如果投资人或产业决策者只看到结果，没有看到背后的专业工具、领域数据和验证流程，从事这个领域的团队就可能面临一种错误的比较：

一边是经过压缩、突出成功结果的演示。另一边是必须面对复杂约束、失败案例、可靠性和交付要求的真实研发。

我的担忧是，这种比较会低估专业研究的价值，让本来就需要长期投入的方向，更难获得耐心和资源。

不能因为工具被 AI 成功调用，就误以为研发这些工具的工作已经不重要了。

恰恰相反，假如一次成功的工业 AI 工作流依赖专业求解器，那么它所证明的，也包括这些求解器的价值。

我们应该让真正承担底层工作的技术，以及持续改进它们的人，被看见。

06｜我相信 AGI，但 LLM 不是魔法

我是 AGI 的坚定拥护者，也相信电子设计的未来必然更加高效、更加自动化。

我期待大模型承担更多工作：理解需求、组织设计流程、协调工具、解释结果，甚至参与探索新的算法和设计方法。

但我期待的突破，不是把所有贡献都归结为“模型会点击鼠标了”。

我更期待看到的是：大模型与领域数据、几何算法、物理分析、拓扑规划、机器学习和专业工具真正结合，并通过可重复的实验，证明它们解决了哪些问题。

对于这类工业软件演示，我希望看到的不只是一个漂亮的结束画面，还有完整工具链、真实运行时间、设计约束和验证结果。

使用了专业工具，就明确说明工具的贡献。

完成的是流程自动化，就展示流程自动化的价值。

取得了新的求解突破，就用可复现的结果证明突破。

LLM 不是魔法。工业领域的进步，既需要更强的大模型，也需要持续深入的专业研究。

我们可以为 AI 的进步欢呼，但不应该因此低估那些让进步真正发生的工具、数据和研究者。

调用自动布线器，不等于成为自动布线器。

尊重这一区别，才是对工业 AI 更负责任的期待。