在2023年11月3日，OpenAI发布了一篇技术博文，引发关注的同时，网络上也流传出一些图像，展示了AI生成的物理场景。例如，一只鹈鹕骑着自行车，以及一小杯液体溅起的形状。发布这些结果的用户声称这是GPT-6.2 Astra的灰度测试结果，尽管具体细节尚待OpenAI进一步证实。

首先，需要明确的是，这些图像和视频的真实性尚未得到确认。其发布者为获得灰度测试权限的个人，而OpenAI并未对此进行官方背书。一些观察者对这些图像进行了放大分析，试图寻找破绽，怀疑其可能是通过游戏录屏而得到的视觉效果。尽管这些图像展现出与以往AI生成作品显著不同的质量，但这种可视化并不等同于AI对物理世界的真正理解。

其次，关于GPT-6 Astra的技术实力，OpenAI在其博文中提到，两名工程师在不到一周的时间内，利用该模型成功设计出一款便携式AI设备的所有组件，包括外壳、内部机械零件、PCB电路板及固件软件，且在此过程中并未手动干预模型生成的设计。而实际测试这款设备的并不是传闻中的GPT-6.2。 头号玩家官网

此外，值得关注的是在BenchCAD 2.0基准测试中，OpenAI利用一个未公开名称的内部模型与GPT-6 Astra的数据进行比较。在最高推理算力下，GPT-6 Astra的得分为0.594，而该内部模型则高达0.875。这一差距突出展示了在解析真实三维机械结构及其组装关系方面，AI模型的当前能力局限。尽管提升幅度显著（28.1%及47.3%），但仍处于物理理解的入门阶段。

然而，值得注意的是，OpenAI在博文中提到，GPT-6 Astra尚未能够在生产过程中有效地将设计转化为可制造的实体。人工审查和迭代仍然是不可或缺的步骤。尽管模型能够识别零件的形状和对应关系，但对生产过程中各类物理因素的理解仍显不足，这些因素通常是在工厂环境中获得的，而非数据训练中可获得。

王兴兴所代表的宇树科技在此领域的见解尤为重要。其在多个场合提到，在接下来的技术迭代中，针对物理AI的突破将面临的最大挑战是“最后几毫米”。这指的是模型输出与实际机器人操作之间的精细调控尚未达成一致。在未来，若机器人能在不熟悉的场景中以80%的效率执行任务，或许将标志着物理AI的一次重大突破。 头号玩家官网

综上所述，当前的AI技术已能够较好地理解工程语言和进行图纸的还原与方案生成，这一进步相较于过往关注于文本和代码的软任务而言具有更为重要的意义。尽管如此，AI仍未完全融入生产实际中，将其成功应用于工业环境所需的加工技术、公差控制及装配细节等数据，需要通过真正的生产线获取，以提升数据的实用性。

最后，OpenAI提到其硬件团队在短短几个月内所消耗的Token数量增长了23%。这一数据反映出，尽管当前技术进步显著，但AI在物理世界的应用与理解上，仍面临诸多亟待解决的挑战。未来的研究应当聚焦于如何在AI模型的构建与数据获取之间建立更高效的连接机制，以充分实现其潜在能力。