摘要：一位AI CAD创业者用OpenAI Codex在三小时内完成了3D模型生成、装配BOM清单和零件采购链接的全流程。这不是概念演示，而是AI正在重写硬件设计工作流的真实信号。
5月1日，一条推文在硬件工程师和AI开发者圈子里快速传播。
Cadybara创始人Alex Liu发了一段40秒的演示视频，配文只有一句话：“Three hours in Codex. All in one: 3D model generation, assembly BOM, and gives you link where to source them. Kinda crazy!”
翻译过来就是：用OpenAI Codex花了三小时，一口气完成了3D模型生成、装配物料清单（BOM）、以及零件采购链接。有点疯狂。
这条推文的互动数据很能说明问题：600多个赞，600多个收藏，近50次转发，3.7万次浏览。在一个通常只有几百互动的垂直领域，这个数字意味着它触动了很多人的神经。
三小时做了什么？
让我们拆解一下这个演示到底展示了什么。
传统的硬件产品开发流程，从概念到可采购的BOM，通常需要经历这些步骤：
- 概念设计：工程师在脑中或草图上构思产品结构
- 3D建模：打开SolidWorks、Fusion 360或FreeCAD，一个零件一个零件地画
- 装配设计：把零件组装在一起，检查干涉、配合关系
- BOM生成：列出所有零件的规格、材料、数量
- 供应商匹配：去McMaster-Carr、Misumi、淘宝或1688上逐个搜索标准件和外购件
这个流程，一个熟练的机械工程师做一个中等复杂度的产品，通常需要几天到几周。
而Alex Liu用Codex，三小时走完了全程。
Cadybara是谁？
Alex Liu创办的Cadybara（cadybara.com）是一家AI CAD初创公司，获得了Founders Inc.的投资，定位是"Personal manufacturing, at home"——让普通人用自然语言描述需求，就能生成可3D打印的精确模型。
Cadybara的核心理念很简单：你不需要学CAD软件，不需要理解约束求解器，不需要看教程。你只需要用日常语言描述你想要什么——“一个不会把螺丝从石膏板里拽出来的衣帽钩”，“一个像鹅卵石堆叠的花瓶”——AI就能生成水密几何体、精确公差、参数化可编辑的3D模型。
但这次演示的意义远超Cadybara本身。它展示的不是一个特定产品的能力，而是一个更大的趋势：AI编码智能体正在从软件领域溢出，开始重写硬件设计的工作流。
为什么是Codex？
OpenAI的Codex在2026年4月底刚刚完成重大升级，加入了计算机使用、应用内浏览、图像生成、记忆和插件系统。它不再只是一个"写代码的AI"，而是一个能操作多种工具、在多个环境间切换的通用工程智能体。
Alex Liu的演示说明了一个关键事实：当你把一个足够强的编码智能体放进CAD领域，它不只是"帮你画图"。它能理解工程意图，调用建模库生成几何体，分析装配关系生成BOM，甚至连接供应商数据库找到采购链接。
这和Claude Code在软件工程领域的逻辑完全一致：AI不是停留在聊天窗口里回答问题，而是钻进了实际的生产工具链，端到端地完成任务。
硬件设计的"Claude Code时刻"
如果说Claude Code是软件工程的AI转折点，那么这类演示可能预示着硬件设计的类似转折。
软件工程之所以最先被AI大规模渗透，是因为代码天然结构化、结果可测试、错误可回滚。但仔细想想，CAD建模其实也具备类似特征：
- 结构化：3D模型本质上是参数化的几何描述，可以用代码（CadQuery、OpenSCAD、STEP格式）精确表达
- 可验证：模型是否水密、是否可打印、装配是否干涉，都有明确的数学判据
- 可迭代：参数化设计天然支持快速修改和版本管理
换句话说，CAD建模可能是继软件开发之后，AI最容易"攻破"的第二个工程领域。
从"画图工具"到"设计智能体"
传统CAD软件的交互范式是：工程师操作菜单、点击按钮、拖拽约束、手动建模。这个范式已经统治了30年，从AutoCAD到SolidWorks到Fusion 360，本质上没有变过。
AI正在催生一种全新的范式：描述意图，生成结果。
这不是简单的"语音输入替代鼠标点击"。它意味着设计过程的根本重构：
- 工程师不再需要把设计意图翻译成软件操作序列
- AI可以同时考虑功能需求、制造约束、材料特性、成本因素
- 从概念到可制造方案的路径被极大压缩
Alex Liu的演示中最让人印象深刻的不是3D模型本身——市面上已经有不少AI生成3D模型的工具。真正的突破在于全链路打通：模型生成→装配分析→BOM清单→采购链接，一气呵成。
这意味着AI不只是在某个环节提效，而是在重新定义整个工作流。
对制造业意味着什么？
如果这类能力在未来一两年内成熟并普及，对制造业的影响将是深远的。
第一，设计门槛大幅降低。 以前，从"我有一个产品想法"到"我有一套可制造的图纸"，中间隔着几年的CAD培训和工程经验。AI可能把这个门槛降低一个数量级。
第二，迭代速度指数级提升。 当设计-验证-修改的循环从几天缩短到几小时甚至几分钟，产品开发的节奏会完全改变。快速原型不再是大公司的专利。
第三，供应链智能化。 BOM自动生成并关联采购链接，意味着从设计到采购的信息断层被消除。未来的AI设计工具可能直接对接供应商API，实时报价、自动下单。
第四，个人制造成为现实。 Cadybara的定位——“personal manufacturing, at home”——不再是营销口号。当任何人都能用自然语言描述需求、AI生成模型、3D打印机制造实物，"个人制造"就真的到来了。
冷静看待：还有多远？
当然，一个40秒的演示视频不能代表一切。我们需要冷静看待几个问题：
精度和可靠性。 演示中的模型复杂度如何？公差是否满足实际制造要求？AI生成的BOM是否准确？这些在短视频中无法完全验证。
复杂度天花板。 一个简单的消费品和一台工业设备的设计复杂度相差几个数量级。AI目前能处理的复杂度上限在哪里，还需要更多实践验证。
工程判断力。 好的机械设计不只是"画出形状"，还涉及应力分析、热管理、可装配性、可维护性等大量隐性知识。AI在这些方面的能力还在早期。
行业接受度。 制造业是一个极度保守的行业，对精度和可靠性的要求远高于软件行业。从"演示很酷"到"工厂愿意用"，中间还有很长的路。
真正的信号
但即便考虑这些限制，Alex Liu的演示仍然是一个重要信号。
它说明：AI编码智能体的能力边界正在快速扩张。今天它能写代码、明天它能画CAD、后天它可能能做电路设计、仿真分析、工艺规划。
更重要的是，它验证了一个判断：AI商业化的下一个爆发点，很可能就在硬件设计和制造领域。
原因和Claude Code在软件领域爆发的逻辑一样：这是一个高频、刚需、昂贵、可验证的工作环节。一个机械工程师的年薪几十万，一套正版CAD软件的许可费几万到几十万，一次产品设计迭代的时间成本可能是几周。如果AI能把这些成本砍掉一半，企业会毫不犹豫地付费。
三小时，从想法到可采购的BOM。这不是未来，这是现在正在发生的事。
下一个问题是：谁能把这个能力做到工业级可靠，谁就可能成为硬件设计领域的Anthropic。