GPT-6 Astra Thiết Kế PCB: AI Tăng Tốc Hay Thay Thế Kỹ Sư?

Một video ngắn về GPT-6 Astra thao tác PCB trong KiCad đủ để làm cộng đồng hardware chú ý. AI nhận một mạch điện tử, đặt linh kiện, kéo đường mạch và cho ra một bo mạch nhìn khá hoàn chỉnh. Câu hỏi tự nhiên là: nếu AI đã làm được phần khó nhìn thấy ngay trên màn hình, kỹ sư PCB còn cần làm gì?

Theo mình, câu trả lời hiện tại khá rõ: AI sẽ tăng tốc công việc thiết kế PCB, nhưng chưa thay thế kỹ sư chịu trách nhiệm về việc board chạy đúng và được sản xuất.

GPT-6 Astra thực sự đã làm được gì?

OpenAI giới thiệu GPT-6 Astra như một model có khả năng computer use và professional work. Trong phần demo electrical engineering, model thao tác trực tiếp trên công cụ thiết kế mạch, trong đó có KiCad. API model cũng liệt kê computer use, file search, code interpreter và hosted shell là các khả năng được hỗ trợ (OpenAI, model documentation).

Điều đáng chú ý không chỉ là model “biết KiCad”. Nó có thể nhìn trạng thái phần mềm, thực hiện nhiều thao tác liên tiếp và biến một yêu cầu kỹ thuật thành artifact có thể mở tiếp trong toolchain. Với các công việc lặp lại như đặt linh kiện theo constraint, nối net, sửa một số lỗi hình học hoặc tạo output, đây là hướng tích hợp rất đáng quan tâm.

Nhưng demo vẫn là demo. Một đoạn video cho thấy model có thể hoàn thành một workflow trong điều kiện đã được chuẩn bị, không tự động chứng minh rằng mọi loại PCB đều có thể gửi thẳng đi sản xuất.

Con số EEBench nên đọc như thế nào?

EEBench là benchmark về electrical engineering do team Atopile xây dựng. Leaderboard hiện hiển thị GPT-6 Astra ở mức 69,3 ± 10,7%, với chi phí trung bình khoảng 0,83 USD/task và thời gian khoảng 1 phút 46 giây. Đây là một kết quả đáng chú ý, nhưng nó là điểm số trên một bộ task cụ thể, không phải tỷ lệ “PCB chạy đúng ngoài đời”.

Mình cũng sẽ ghi rõ ngày kiểm tra khi trích dẫn con số này. Bài blog EEBench ban đầu từng nói họ chưa có kết quả Astra, trong khi leaderboard sau đó đã cập nhật kết quả. Benchmark thay đổi theo thời điểm, harness và task set; đừng biến một dòng trên leaderboard thành lời hứa production.

EEBench còn có một điểm đáng học: họ chạy các bài toán trong môi trường declarative của Atopile, nơi agent có thể sửa design, build, chạy simulation và xem lỗi. Đây là một hướng khác với việc chỉ để AI “click chuột” trong GUI KiCad. Atopile trên GitHub mô tả toolchain thiết kế mạch bằng code, có validation và sinh layout tương thích với KiCad; EEBench methodology cũng công khai giới hạn và provenance của benchmark.

AI có thể tạo ra một layout đáng xem, nhưng việc đối chiếu schematic, datasheet và constraint vẫn cần người hiểu hệ thống.

Route xong chưa có nghĩa là board chạy đúng

Một layout có thể trông rất đẹp mà vẫn sai ở những lớp quan trọng:

• footprint không khớp package thật hoặc pin numbering bị nhầm;
• decoupling đặt xa chân nguồn, return path xấu;
• nguồn, dòng peak và nhiệt không phù hợp;
• USB, crystal, RF hoặc differential pair bị route sai constraint;
• connector và lỗ bắt vít không khớp với enclosure;
• BOM có linh kiện đã hết hàng hoặc package không thể lắp;
• ERC/DRC sạch nhưng schematic lại diễn tả sai ý đồ của hệ thống.

ERC kiểm tra một phần quy tắc điện trong schematic. DRC kiểm tra nhiều quy tắc hình học và layout. Cả hai đều cần thiết, nhưng không phải là bằng chứng đầy đủ cho signal integrity, power integrity, EMC, nhiệt, cơ khí hay firmware bring-up.

Placement và routing chỉ là hai bước ở giữa một chuỗi validation dài hơn.

Những phần AI có thể tăng tốc tốt

Mình nghĩ AI sẽ tạo giá trị rõ nhất ở các việc có input và output khá cụ thể:

1. Chuyển requirement đã rõ thành block schematic hoặc template mạch quen thuộc.
2. Tìm linh kiện thay thế, đối chiếu parametric constraints và tạo BOM nháp.
3. Tạo symbol, footprint, net label, test point hoặc file cấu hình.
4. Đặt linh kiện và route các mạch ít nhạy cảm sau khi constraint đã được định nghĩa.
5. Chạy ERC/DRC, gom lỗi, tạo report và đề xuất thay đổi.
6. Sinh Gerber, drill, pick-and-place, BOM và tài liệu release.

Ở đây, AI giống một kỹ sư junior cực nhanh ở phần thao tác. Bạn giao input càng rõ — layer stackup, trace width, clearance, keepout, placement constraint, preferred part và rule — output càng dễ review hơn.

Có những việc chưa nên giao toàn quyền

Mình sẽ không để AI tự quyết định cuối cùng ở các vùng sau:

• chọn topology nguồn, compensation và giới hạn an toàn;
• xác nhận pinout, absolute maximum và điều kiện thermal của linh kiện;
• layout RF, antenna, high-speed interface và mixed-signal nhạy cảm;
• quyết định creepage/clearance cho điện áp cao;
• chốt enclosure, connector, cơ cấu lắp và khả năng service;
• ký release package gửi nhà máy.

Lý do không phải là AI “không thông minh”. Lý do là các quyết định này phụ thuộc vào context mà đôi khi không nằm trong schematic: vỏ thật, dây thật, người dùng thật, nhà máy thật, phiên bản linh kiện thật và những lỗi đã từng xảy ra ở revision trước.

Git open-source đang cho thấy hướng đi nào?

Nếu muốn tự thử AI trong EDA, mình sẽ bắt đầu từ các project có source và output kiểm tra được:

• Atopile: thiết kế mạch bằng code, module tái sử dụng, constraint và validation, sau đó làm việc với KiCad.
• kicad-mcp: MCP server cho agent thao tác schematic và PCB trong KiCad.
• kicad-mcp-server: hướng dẫn kết nối agent với KiCad qua IPC API.
• kicad-action: tự động ERC/DRC và tạo production files trong GitHub Actions.
• KiCadAI: toolkit tạo và kiểm tra project KiCad theo hướng có cấu trúc, có validation và pinmap checks.

Điểm mình thích ở các project này là chúng cho thấy AI không nên đứng một mình. Agent cần được nối với parser, compiler, simulator, DRC/ERC và CI để mỗi thay đổi có evidence đi kèm.

Quy trình thực tế hiệu quả nhất hiện nay vẫn là human-in-the-loop: AI làm phần lặp lại, kỹ sư giữ context và quyết định cuối.

Quy trình thực tế mình sẽ dùng

Nếu dùng GPT-6 Astra hoặc một agent EDA khác cho board thật, mình sẽ chia workflow thành các cổng sau:

1. Khóa yêu cầu trước khi mở KiCad

Ghi rõ input voltage, rail, current peak, interface, kích thước board, stackup, môi trường, target cost và linh kiện không được thay thế. Requirement mơ hồ thì AI chỉ làm cho sự mơ hồ đó trông chuyên nghiệp hơn.

2. Review schematic và footprint

Đối chiếu datasheet của chính mã linh kiện, pin 1, package, exposed pad, polarity, NC pin và recommended circuit. Đừng chỉ nhìn tên component trong thư viện.

3. Chạy ERC/DRC trong môi trường sạch

Chạy bằng KiCad hoặc CI, lưu report cùng commit. Nếu AI nói “đã kiểm tra”, hãy yêu cầu artifact: log, rule set, số lỗi trước/sau và file output.

4. Review layout theo nhóm rủi ro

Kiểm tra power path, return path, decoupling, crystal, USB, RF, high-speed pair, thermal copper, test point và mechanical keepout. Một lần review theo checklist sẽ đáng tin hơn việc zoom toàn board rồi nói “trông ổn”.

5. Làm prototype và bring-up

Cấp nguồn qua current limit, đo rail, reset, clock, bus và nhiệt. Test cả boot fail, mất nguồn, cắm ngược peripheral, reconnect và tải cực đại.

6. Chỉ sau đó mới release sản xuất

Chốt BOM availability, alternate part, fab capability, assembly direction, Gerber, drill, pick-and-place và revision. Người ký release phải biết chính xác mình đang ký cho điều gì.

Chỉ khi board thật được cấp nguồn, đo tín hiệu và chạy qua các tình huống lỗi, ta mới biết layout có hoạt động đúng hay không.

AI sẽ thay thế kỹ sư hay thay đổi công việc của kỹ sư?

Trong ngắn hạn, mình nghiêng về vế thứ hai. AI có thể lấy đi nhiều giờ thao tác lặp lại, nhưng lại làm phần review quan trọng hơn. Khi việc tạo ra một layout rẻ và nhanh hơn, giá trị chuyển sang:

• đặt requirement đúng;
• viết constraint có thể kiểm tra;
• phát hiện assumption nguy hiểm;
• đọc kết quả đo;
• hiểu trade-off giữa cost, size, yield, reliability và time-to-market.

Nói cách khác, kỹ sư không còn dành cả ngày để kéo từng đường mạch, nhưng phải giỏi hơn trong việc định nghĩa “đường mạch đúng” là gì và chứng minh nó đúng bằng cách nào.

Kết luận

GPT-6 Astra là tín hiệu rất rõ rằng AI agent đang tiến sâu vào toolchain EDA. Demo KiCad đáng chú ý, EEBench cho thấy năng lực đang cải thiện, còn các project như Atopile và kicad-mcp cho thấy một hệ sinh thái open-source đang hình thành.

Nhưng placement và routing chỉ là output hình học. Một PCB production-ready cần thêm tính đúng điện, tính đúng vật lý, khả năng sản xuất, test trên prototype và người chịu trách nhiệm sign-off.

Vì vậy, câu trả lời của mình là: AI sẽ tăng tốc thiết kế PCB rất mạnh. Còn thay thế kỹ sư? Chưa — và có lẽ vai trò kỹ sư sẽ chuyển từ người “vẽ board” thành người thiết kế constraint, kiểm chứng bằng bằng chứng và chịu trách nhiệm cho quyết định cuối.

Nguồn tham khảo

• OpenAI – GPT-6 Astra
• GPT-6 Astra model documentation
• EEBench leaderboard
• EEBench methodology
• Atopile trên GitHub
• KiCad documentation