NVIDIA 與鴻海用機器人組裝 GB300，目標成功率 99.5%

科技新報於 2026 年 10 月 4 日報導，NVIDIA 與鴻海正以機器人測試 Grace Blackwell GB300 測試托盤的組裝流程，雙方的共同目標是將關鍵組裝任務的成功率提升至 99.5% 以上，同時驗證機器人在高負載與高公差條件下的穩定性。

開發背景與目標

NVIDIA 位於西雅圖的機器人實驗室與其 Isaac 工程團隊，近期與 GB300 合約製造商鴻海展開合作，聚焦於高精度、長時間運作的自動化組裝技術。雙方共同制定了產線門檻：成功率至少 99.5%、不可碰撞托盤、匯流排組裝時間不超過 124 秒、連接器插入時間不超過 72 秒。此目標旨在驗證在實際產線環境中，機器人系統能否同時滿足速度與可靠性的雙重要求。

合作的核心在於將 NVIDIA 的 Isaac Lab 強化學習平台與鴻海的製造資源結合。Isaac Lab 允許開發者在高保真度的模擬環境中訓練機器人策略，透過大量的隨機化場景與參數變化，讓機器人在面對實際變化時仍能保持穩定。鴻海則提供實體產線的硬體平台、感測器佈局與大量的測試樣本，雙方以此形成閉環的研發與驗證流程。

機器人組裝流程與現況

GB300 測試托盤的組裝任務分為兩大重點：第一項是放置長且沉重的匯流排，並使用機械手臂鎖緊 16 顆螺絲；第二項是插入兩大兩小共四組高公差連接器。這兩項任務分別對機器人的定位精度、力量控制與感測回饋提出嚴格要求，尤其在螺絲鎖緊過程中，必須同時控制扭矩與深度，以避免過緊或不足。

截至目前，匯流排的放置與螺絲鎖緊成功率已突破 95%，完整流程（包括匯流排與連接器）平均耗時約 160 秒，仍未達到 124 秒與 72 秒的時間門檻。測試顯示，機器人在匯流排定位階段的誤差已控制在毫米級別，但在高速切換至連接器插入時，仍會出現微小的姿態漂移，導致部分插入失敗。

連接器的插入作業則結合了 Isaac Lab 的強化學習演算法、實際製造資料與客製化夾具設計。機器人在模擬環境中學習多種插入策略，並在實機測試中不斷調整，以提升對高公差連接器的容錯能力。透過感測器融合，系統能即時偵測插入阻力與微小偏移，並在必要時自動修正路徑。

未來量產路徑與挑戰

雙方明確指出，目前的測試階段僅代表開發進度，尚未證明可直接投入量產。未來的關鍵挑戰包括：提升匯流排組裝的成功率至 99.5% 以上、縮短整體流程至 124 秒與 72 秒的目標時間、以及確保機器人在長時間運作下不發生托盤碰撞。這些挑戰不僅涉及演算法的精進，也關係到硬體耐用度與感測器校正的持續性。

為了克服上述挑戰，NVIDIA 計畫持續擴充 Isaac Lab 的訓練資料庫，加入更多實際產線的噪聲模型與機械磨損參數，並與鴻海共同優化機械手臂的硬體結構與感測佈局。鴻海則將提供更多實際產線的測試樣本，以驗證機器人在不同批次產品上的一致性表現，同時加強對機械手臂關節的熱管理與潤滑機制。

目前的測試結果顯示，機器人在高負載與高公差條件下已具備相當的穩定性，但仍需在精度校正與動態避障方面取得突破，才能滿足雙方設定的 99.5% 成功率門檻。特別是長時間連續作業時，感測器漂移與機械疲勞的累積效應，需要透過自我診斷與即時校正機制來抑制。

總結來說，NVIDIA 與鴻海的合作已在 GB300 測試托盤的機器人組裝上取得可觀的進展，尤其在匯流排與連接器的自動化處理上展現出潛力。若未來能克服時間與成功率的最後障礙，將為高端伺服器與 AI 加速卡的量產提供全新自動化解決方案，進一步降低人工成本與提升產能彈性。

目前雙方正加速驗證與優化階段，預計在未來數個月內完成全部門檻的驗證，屆時將進一步評估全面投產的可行性與時間表。驗證完成後，將根據實測數據調整量產規模與部署策略，確保在正式量產前已具備足夠的安全裕度與品質保證。