☰
AI 伺服器需求持續爆發，如何讓產線自動化程度再往前推，也成為供應鏈下一階段競賽焦點。據 NVIDIA 部落格文章揭露，旗下西雅圖機器人實驗室與 Isaac 工程團隊，正以 Grace Blackwell GB300 測試托盤為對象開發智慧機器人組裝技術，而身為 GB300 合約製造商之一的鴻海，也直接參與任務選定與產線效能標準制定，希望讓機器人真正達到可導入工廠的水準。
NVIDIA 指出，GB300 測試托盤主要用來確認運算模組出貨前的功能及效能，目前相關組裝仍高度仰賴熟練人員，而團隊依據 NVIDIA 營運團隊與鴻海建議，選出兩項最關鍵、也最難自動化的工作，包括匯流排（busbar）組裝，以及多連接器插入。前者需要機器人抓取又長又重的金屬匯流排，精準放入托盤後鎖上16顆螺絲；後者則必須處理兩大、兩小共 4 組線纜連接器，並插入公差極小的插槽。
雖然這些工作對熟練產線人員來說並不困難，但對機器人卻又是另一回事，因為線材本身會彎曲、變形，不同零件的位置與角度也存在差異，因此無法像傳統自動化產線般，單純靠固定治具與重複動作完成。再加上 GB300 產品迭代速度快、產量及設計持續變化，更需要能主動適應環境的彈性自動化系統。
為了避免研究成果停留在實驗室，NVIDIA 與鴻海也直接依照實際工廠需求設定門檻，匯流排與連接器組裝的成功率均要求至少達 99.5%，且機器人不得意外碰撞托盤，因為即使輕微損傷都可能導致整套系統報廢；作業速度同樣不能太慢，其中匯流排組裝必須在 124 秒內完成，多連接器插入則要求 72 秒內處理完 4 條線纜。
據部落格文章顯示，目前匯流排自動組裝成功率已超過 95%，但完整作業時間約 160 秒，瓶頸主要落在 16 顆螺絲的鎖附流程；連接器部分則結合 NVIDIA Isaac Lab 強化學習、實際產線資料與客製化機械夾爪持續改善。
這項合作反映出 NVIDIA 與鴻海的關係正從 AI 伺服器製造進一步延伸至智慧製造，當 AI 基礎設施規模持續擴張，未來不只是由鴻海替 NVIDIA 生產 AI 伺服器，更可能出現「AI 訓練機器人、機器人再組裝 AI 伺服器」的循環，讓 AI 真正走進製造現場。
（圖片來源：NVIDIA 部落格）
