NVIDIA e Foxconn utilizam robôs para montar o GB300, meta de taxa de sucesso de 99,5 %

Em 4 de outubro de 2026, o jornal Technology News informou que a NVIDIA e a Foxconn estão a testar, com robôs, o processo de montagem da bandeja de teste Grace Blackwell GB300, com o objetivo de elevar a taxa de sucesso das tarefas críticas de montagem para mais de 99,5 %. Esta iniciativa destaca o compromisso conjunto das duas empresas em aplicar a robótica avançada ao setor de hardware de computação de alto desempenho.

Contexto de desenvolvimento e objetivo

O laboratório de robótica da NVIDIA, localizado em Seattle, e a sua equipa de engenharia Isaac iniciaram recentemente uma colaboração com a Foxconn, fabricante contratual do GB300, centrada em tecnologias de montagem automática de alta precisão e operação prolongada. Ambas as partes definiram os critérios de linha de produção: taxa de sucesso mínima de 99,5 %, ausência de colisões com a bandeja, tempo de montagem do barramento não superior a 124 segundos e tempo de inserção dos conectores não superior a 72 segundos. Esses parâmetros foram acordados para garantir que a produção possa atender às exigências rigorosas dos clientes de data centre que requerem fiabilidade quase perfeita.

O núcleo desta colaboração consiste em combinar a plataforma de aprendizagem reforçada Isaac Lab da NVIDIA com os recursos de produção da Foxconn, a fim de criar um sistema robótico capaz de manter elevada estabilidade em ambientes variáveis. A integração pretende também reduzir a dependência de intervenções humanas, aumentando a consistência e a velocidade de montagem.

Processo de montagem robótica e situação atual

A montagem da bandeja de teste do GB300 está dividida em dois pontos principais: o primeiro consiste em posicionar um barramento longo e pesado, fixando‑o com 16 parafusos através de um braço robótico; o segundo envolve a inserção de quatro conjuntos de conectores de alta tolerância, dois grandes e dois pequenos. Estas duas tarefas impõem exigências rigorosas à precisão de posicionamento, ao controlo de força e ao feedback sensorial dos robôs. A precisão exigida para o posicionamento do barramento é crítica, pois qualquer desalinhamento pode comprometer a integridade elétrica do módulo.

Até à data, a taxa de sucesso na colocação do barramento e no aperto dos parafusos já ultrapassou os 95 %, enquanto o processo completo (incluindo barramento e conectores) tem um tempo médio de cerca de 160 segundos, ainda aquém dos limites de 124 segundos e 72 segundos. Embora o progresso seja encorajador, a diferença entre os 95 % atuais e o objetivo de 99,5 % indica que ainda há margem para melhorias significativas.

A operação de inserção dos conectores combina os algoritmos de aprendizagem reforçada do Isaac Lab, dados reais de produção e o design de dispositivos de fixação personalizados. Os robôs aprendem múltiplas estratégias de inserção num ambiente simulado e ajustam‑se continuamente durante os testes reais, com o objetivo de melhorar a tolerância a falhas ao lidar com conectores de alta tolerância. O uso de dispositivos de fixação personalizados permite adaptar o processo a diferentes geometrías de conectores, facilitando a aprendizagem transferível entre simulação e realidade.

Caminho para produção em massa e desafios

Ambas as partes deixam claro que a fase de testes atual representa apenas o progresso de desenvolvimento e ainda não comprova a viabilidade de produção em massa. Os principais desafios futuros incluem: elevar a taxa de sucesso da montagem do barramento para acima de 99,5 %, reduzir o tempo total do processo para os objetivos de 124 segundos e 72 segundos, e garantir que os robôs não colidam com a bandeja durante operações prolongadas. A superação desses obstáculos será decisiva para validar a viabilidade económica da produção em larga escala.

Para superar esses desafios, a NVIDIA planeia expandir continuamente a base de dados de treino do Isaac Lab e, em conjunto com a Foxconn, otimizar a estrutura de hardware e a disposição dos sensores dos braços robóticos. A Foxconn, por sua vez, disponibilizará mais amostras de teste provenientes de linhas de produção reais, a fim de validar a consistência do desempenho dos robôs em diferentes lotes de produtos. A expansão da base de dados de treino inclui a incorporação de cenários de falha e variações de tolerância, reforçando a robustez do modelo de aprendizagem.

Os resultados atuais dos testes demonstram que os robôs já apresentam considerável estabilidade sob condições de alta carga e alta tolerância, embora ainda seja necessário alcançar avanços na calibração de precisão e na evasão dinâmica de obstáculos para cumprir o limiar de 99,5 % de taxa de sucesso estabelecido por ambas as partes. A calibração de precisão envolve a utilização de sensores de alta resolução e algoritmos de correção em tempo real.

Em suma, a colaboração entre a NVIDIA e a Foxconn já alcançou progressos significativos na montagem robótica da bandeja de teste do GB300, demonstrando especial potencial na automatização do tratamento do barramento e dos conectores. Caso consigam superar os últimos obstáculos relativos ao tempo e à taxa de sucesso, poderão oferecer uma solução de automação totalmente nova para a produção em massa de servidores de alto desempenho e de aceleradores de IA. Tal solução poderia reduzir significativamente os custos de mão‑de‑obra e acelerar os ciclos de produção, beneficiando toda a cadeia de suprimentos de IA.

A mudança atual reside no facto de ambas as partes estarem a acelerar a fase de validação e otimização; prevê‑se que, nos próximos meses, todos os critérios sejam verificados, permitindo uma avaliação mais aprofundada da viabilidade e do cronograma para uma produção total. Esta avaliação será acompanhada por um plano de implementação detalhado, que incluirá testes piloto em linhas de montagem selecionadas.