NVIDIA 与鸿海使用机器人组装 GB300，目标成功率 99.5%

2026 年 10 月 4 日，科技新报报道 NVIDIA 与鸿海正以机器人测试 Grace Blackwell GB300 测试托盘的装配流程，双方的目标是将关键装配任务的成功率提升至 99.5% 以上。根据该报道，双方正通过先进的机器人技术，力求在高精度的自动化装配中实现这一目标，以满足未来大规模生产的需求。

开发背景与目标

NVIDIA 位于西雅图的机器人实验室与其 Isaac 工程团队，近期与 GB300 合约制造商鸿海（Foxconn）展开合作，聚焦于高精度、长时间运作的自动化装配技术。双方共同制定了产线门槛：成功率至少 99.5%、不可碰撞托盘、汇流排装配时间不超过 124 秒、连接器插入时间不超过 72 秒。该门槛的设定旨在确保装配过程的高可靠性和高效率，符合高端服务器和 AI 加速卡的生产要求。

此合作的核心是将 NVIDIA 的 Isaac Lab 强化学习平台与鸿海的制造资源结合，打造能够在变化环境下保持高稳定性的机器人系统。通过将强化学习算法与实际生产线的硬件相结合，双方期望实现机器人在复杂装配任务中的自适应能力。

机器人装配流程与现状

GB300 测试托盘的装配任务分为两大重点：第一项是放置长且沉重的汇流排，并使用机械手臂锁紧 16 颗螺丝；第二项是插入两大两小共四组高公差连接器。这两项任务分别对机器人的定位精度、力量控制与感测反馈提出严格要求。为满足这些要求，机器人必须在高负载条件下保持精准的空间定位，并能够实时感知并调整力量输出。

截至目前，汇流排的放置与螺丝锁紧成功率已突破 95%，完整流程（包括汇流排与连接器）平均耗时约 160 秒，仍未达到 124 秒与 72 秒的时间门槛。虽然已经取得了显著进展，但仍需进一步优化以满足预设的时间指标。

连接器的插入作业则结合了 Isaac Lab 的强化学习算法、实际制造数据与定制夹具设计。机器人在模拟环境中学习多种插入策略，并在实机测试中不断调整，以提升对高公差连接器的容错能力。通过反复的仿真与实测循环，系统逐步提高了在真实装配场景中的可靠性。

未来量产路径与挑战

双方明确指出，目前的测试阶段仅代表开发进度，尚未证明可直接投入量产。未来的关键挑战包括：提升汇流排装配的成功率至 99.5% 以上、缩短整体流程至 124 秒与 72 秒的目标时间、以及确保机器人在长时间运作下不发生托盘碰撞。每一项挑战都需要在硬件可靠性、软件算法以及系统集成层面进行深入的优化。

为了克服上述挑战，NVIDIA 计划持续扩充 Isaac Lab 的训练数据库，并与鸿海共同优化机械手臂的硬件结构与感测布局。鸿海则将提供更多实际产线的测试样本，以验证机器人在不同批次产品上的一致性表现。双方的协同工作旨在通过数据驱动的迭代，提升系统整体的鲁棒性和适应性。

目前的测试结果显示，机器人在高负载与高公差条件下已具备相当的稳定性，但仍需在精度校正与动态避障方面取得突破，才能满足双方设定的 99.5% 成功率门槛。精度校正的进一步提升将直接影响螺丝锁紧和连接器插入的成功率，而动态避障的改进则关系到长时间运行中的安全性。

总结来说，NVIDIA 与鸿海的合作已在 GB300 测试托盘的机器人装配上取得可观的进展，尤其在汇流排与连接器的自动化处理上展现出潜力。若未来能够克服时间与成功率的最后障碍，将为高端服务器与 AI 加速卡的量产提供全新自动化解决方案，显著提升生产效率并降低人工成本。

现在的变化在于双方正加速验证与优化阶段，预计在未来数个月内完成全部门槛的验证，届时将进一步评估全面投产的可行性与时间表。随着验证工作的推进，双方将根据实际数据制定更为精准的量产计划，以确保在满足技术指标的前提下，实现商业化生产。