GPT-6 "Astra" lleva el vibe coding al hardware: así diseña PCBs completas en KiCad

A comienzos de 2025 se popularizó el término "vibe coding", acuñado por el cofundador de OpenAI Andrej Karpathy, para describir cómo los modelos de lenguaje permitían programar software describiendo en inglés llano lo que se quería construir. Hasta ahora, las mejoras de los modelos se habían concentrado en razonamiento con texto, reconocimiento de imágenes y uso del ordenador en un sentido genérico. El lanzamiento de GPT-6 "Astra" por parte de OpenAI añade una nueva dimensión a esa capacidad de "uso del ordenador": el manejo directo de herramientas de diseño asistido por ordenador (CAD), y en concreto del software usado para diseñar placas de circuito impreso (PCB), la base física de prácticamente toda la electrónica moderna.

La diferencia respecto al vibe coding tradicional es relevante: en el software, el modelo genera texto que luego se convierte en código ejecutable. Con Astra operando sobre un programa de diseño de PCB, el modelo ya no se limita a producir una descripción o un fichero: interactúa directamente con la misma herramienta que usaría un ingeniero humano, colocando componentes y trazando las pistas de conexión dentro del propio entorno CAD. A esta nueva práctica se la empieza a denominar "Vibe CAD Engineering": describir una placa, sus componentes, sus restricciones y su propósito, y dejar que un agente de IA haga el trabajo de diseño dentro del software correspondiente.

Tras el lanzamiento, la comunidad en la red social X puso a prueba rápidamente estas capacidades, con resultados que, según los propios usuarios que los compartieron, superaron lo que la propia OpenAI había mostrado en su demostración oficial. Uno de los ejemplos con más repercusión fue el de un usuario que, en aproximadamente media hora, logró que una versión del modelo (identificada como "Astra-Medium") diseñara un wearable Bluetooth con inteligencia artificial integrada: incluía dos micrófonos para "beamforming" (formación de haz de sonido), una unidad de medición inercial (IMU), un LED y un botón. Para lograrlo, el modelo se apoyó en un conjunto de habilidades agénticas llamado KiStack, diseñado específicamente para que un modelo de lenguaje pueda operar el software libre de diseño de PCB KiCad, junto con una herramienta derivada llamada T3CAD.

Otro caso documentado fue el de un usuario que pidió a Astra diseñar, de principio a fin, la PCB de un dron FPV (first-person view). Partiendo de una placa de referencia ya existente, el modelo rehizo por completo la colocación de componentes y el trazado de pistas, generando un diseño descrito como considerablemente más limpio que el original. Lo llamativo de este caso es que no quedó en una simulación: el diseño se envió a fabricación real (usando la herramienta EasyEDA), se completó el montaje de componentes de superficie (SMT) y el propio usuario compartió fotografías de la placa física ya terminada, a la espera de las pruebas finales de encendido y de su integración con el software de control de vuelo PX4.

Un tercer ejemplo citado es el de una placa de seis capas, diseñada y enrutada enteramente por Astra, que también fue enviada a un contratista de fabricación y superó la revisión previa a la producción. La persona que compartió este caso en X lo enmarcó con entusiasmo como una señal de que la era de la inteligencia artificial general (AGI) se acerca, un comentario que refleja más el entusiasmo de la comunidad que un hecho verificado, pero que ilustra el impacto que están teniendo estas demostraciones.

La propia OpenAI, en la página de producto de GPT-6 "Astra", muestra un ejemplo propio en el que el modelo realiza el diseño de una placa dentro de KiCad: toma la lista de componentes, lee las especificaciones de disposición, coloca cada pieza en su lugar, optimiza la disposición general y enruta las conexiones necesarias para producir un diseño funcional, de forma similar a como lo haría un ingeniero humano. Tras ese proceso, sigue siendo necesario que un ingeniero ejecute las comprobaciones pertinentes para confirmar que el diseño funciona correctamente antes de pasar a fabricación.

Para entender por qué esto supone un salto respecto a las herramientas CAD tradicionales conviene explicar cómo funcionan hoy. El software de diseño de PCB habitual ya incluye funciones de colocación y enrutado automático, pero se basan en algoritmos matemáticos predefinidos que tratan la placa como un lienzo con varias capas de interconexión. Como esos algoritmos carecen de una comprensión real del mundo físico tridimensional, con frecuencia producen resultados subóptimos, poco adecuados para la fabricación. Aquí es donde entra la diferencia de fondo: un modelo como Astra combina su capacidad de razonar sobre componentes y su colocación con la destreza para manejar directamente las herramientas de software, logrando un flujo de trabajo mucho más parecido al de una persona.

Una parte central de ese flujo es la verificación de reglas de diseño (Design Rule Check o DRC), un motor presente en prácticamente todo software CAD de PCB moderno que examina la disposición, la colocación de componentes y las propiedades eléctricas y físicas de la placa; por ejemplo, si un componente tiene sentido eléctrico en su posición o si capas distintas podrían solaparse y causar problemas. Tradicionalmente, estas comprobaciones señalan errores al final del proceso, que un ingeniero corrige manualmente antes de enviar el diseño a fabricación. Pero el DRC es solo una parte de la validación de una PCB: un diseño puede superar sus reglas básicas y aun así necesitar validación adicional de integridad de señal, comportamiento térmico, entrega de energía, disponibilidad de componentes, compatibilidad electromagnética y funcionamiento en condiciones reales. Es en este punto donde cambia el papel del ingeniero: en lugar de desaparecer, su función se desplaza hacia definir qué debe lograr el producto y comprobar si el diseño final cumple realmente esos requisitos, mientras la IA asume cada vez más la ejecución dentro del propio entorno CAD.

Para un agente de IA, este marco de reglas explícitas constituye un terreno especialmente favorable: en teoría, podría colocar y enrutar componentes, ejecutar el DRC, leer los resultados y corregir lo que falle, repitiendo ese ciclo de forma prácticamente indefinida hasta obtener un diseño perfecto. En la práctica, ese bucle está limitado por la disponibilidad de cómputo y se detiene cuando se alcanza el objetivo marcado en la instrucción original del usuario, no de forma indefinida. Según se explica, OpenAI ha optimizado Astra mediante llamadas a herramientas y razonamiento interno precisamente para que rinda bien en tareas con muchas reglas que seguir, como es el caso del diseño de PCB.

Esa optimización se apoya en entornos de aprendizaje por refuerzo (RL) dedicados, en los que el uso agéntico del modelo recibe recompensas cuando completa tareas correctamente y penalizaciones cuando se desvía. Este tipo de entrenamiento se ha vuelto tan relevante que los laboratorios dedican hoy una cantidad de cómputo considerable únicamente a esta fase posterior al preentrenamiento y al ajuste fino, con el objetivo de encauzar la inteligencia del modelo hacia la aplicación correcta de sus capacidades en un abanico amplio de tareas. Como referencia pública de esta tendencia se cita el caso de los modelos MiMo-V2.6-Pro-RL y MiMo-V2.6-Flash-RL de Xiaomi, cuyo entrenamiento mostró que escalar entornos de RL en tiempo real exige mucho cómputo, pero produce mejoras de rendimiento significativas en los benchmarks habituales. Si una compañía como Xiaomi hace esto público, resulta razonable suponer que laboratorios como OpenAI han realizado optimizaciones de RL de escala considerablemente mayor en sus propios modelos, aunque la proporción exacta de cómputo dedicada a preentrenamiento, entrenamiento intermedio y post-entrenamiento en los grandes laboratorios no se conoce y solo puede estimarse.

De cara al futuro, es previsible que los modelos sigan ampliando sus entornos de RL para acercar el uso del ordenador a un nivel prácticamente perfecto, lo que podría convertir tareas como el diseño de PCB en algo casi tan trivial como hoy lo es el vibe coding de una aplicación. Eso sí, seguirá existiendo un requisito previo: para describir bien una placa en inglés llano hace falta cierto conocimiento de ingeniería de hardware y de cómo se especifica un producto electrónico. Crear una PCB sencilla para un accesorio Bluetooth o un dron FPV es solo una parte de la historia; la prueba de fondo será si estos sistemas logran escalar desde placas relativamente simples hasta productos mucho más complejos, como placas base, tarjetas de GPU, hardware de red o placas aceleradoras para servidores de IA, que en el mundo real cuentan con un número muy elevado de capas, decenas de miles de componentes y requisitos exigentes de entrega de energía. Solo si los modelos de IA llegan a ser viables en esos escenarios de nivel de producción cabría esperar una adopción comercial más amplia de esta tecnología; por ahora, su alcance real es permitir que quien ya practica el vibe coding de software se convierta también en un "vibe hardware engineer", siempre que sepa describir con precisión, en lenguaje natural, qué es lo que quiere construir.