編按：本文綜合整理自 TechNews、中央社（CNA）、經濟日報、NVIDIA 部落格，並加入 Siami 編輯部觀點與分析。
鴻海與 NVIDIA 把「AI 訓練機器人、機器人再組裝 AI 伺服器」搬到產線
AI 伺服器需求持續爆發，傳統以固定治具與重複動作為核心的自動化產線，已經跟不上 GPU 產品快速換代的速度。NVIDIA 西雅圖機器人實驗室與 Isaac 工程團隊找上 GB300 合約製造商鴻海，直接以 Grace Blackwell GB300 測試托盤為對象開發智慧機器人組裝技術，雙方共同選定任務、共同訂立產線效能標準，希望讓機器人真正達到可導入工廠的水準。
這不是單純把工業機器手臂搬到產線就好。NVIDIA 與鴻海挑出的兩個最具代表性的工作是：
- 匯流排（busbar）組裝：機器人必須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。
- 多連接器插入：處理兩大、兩小共 4 組線纜連接器，並插入公差極小的插槽。
對熟練產線人員來說，這些工作並不困難，但對機器人卻是另一回事——線材會彎曲變形，不同零件的位置與角度也會變，因此無法靠固定治具完成。
99.5% 成功率、124 秒、72 秒：NVIDIA 與鴻海訂出的硬指標
為了避免「研究成果只停留在實驗室」，NVIDIA 與鴻海依據實際工廠需求訂出明確門檻：
| 項目 | 目標 |
|---|---|
| 匯流排組裝成功率 | ≥ 99.5% |
| 多連接器插入成功率 | ≥ 99.5% |
| 匯流排組裝時間 | ≤ 124 秒 |
| 多連接器插入時間 | 72 秒處理 4 條線纜 |
| 機器人不得意外碰撞托盤 | 即使輕微損傷都會導致整套系統報廢 |
NVIDIA 在部落格文章中揭露，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；多連接器部分則結合 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。
從 AI 伺服器製造到智慧製造：鴻海 AI 機櫃出貨倍數成長
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」。鴻海在法說會中預期：
- 第 3 季 AI 機櫃出貨季增高雙位數百分比
- 第 3 季 AI 伺服器營收季增
- 全年 AI 機櫃出貨倍數以上成長
- AI 多元解決方案並進，市占率朝 50% 目標邁進
至於新一代 AI 機櫃，鴻海指出第 3 季開始量產、第 4 季開始出貨，Vera Rubin NVL72 由鴻海旗下鴻佰科技組裝完成，已出貨給微軟，並透過 100% 自動化生產線，預期 2027 年將成主力產品。
當 AI 基礎設施規模持續擴張，未來不只是鴻海替 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。
🚨 為什麼這件事重要
這不只是「NVIDIA 又發了一篇部落格」那麼單純。這代表 AI 產業鏈的下一個競爭點，已經從「誰能買到最多 GPU」轉向「誰能最快把機器人放上 AI 伺服器的產線」。
從幾個角度來看：
- AI 伺服器供需緊張的解方：GB300 出貨受限一直卡在最後組裝階段，因為測試托盤（tester tray）這種高單價、高精度的零組件需要熟練人工。鴻海 + NVIDIA 直接把機器人導入這段，正好是供給瓶頸的解方。
- 台廠角色升級：鴻海不再只是「NVIDIA 的代工廠」，而是共同設計機器人組裝流程的合作夥伴。這是台廠從硬體代工走向「智慧 AI 製造」的關鍵一步。
- 「機器人製造機器」的循環成形：NVIDIA 用 AI 訓練機器人，機器人再組裝 AI 伺服器，這形成一個自我強化的飛輪——AI 越強，機器人越聰明；機器人越多，AI 伺服器產量越大。
🚨 數據解讀 / 質疑
95% 成功率 vs. 99.5% 目標：聽起來差距只有 4.5 個百分點，但對產線來說，這代表每 100 次組裝會從 5 次進步到少於 0.5 次失敗——這是巨大的工程跳躍。
160 秒 vs. 124 秒：目前匯流排組裝比目標多花了 36 秒，主要瓶頸在 16 顆螺絲鎖附。這意味著，螺絲鎖附的精度與速度是接下來幾個月要突破的關鍵工程問題，預期會看到 NVIDIA Isaac Lab 與機械夾爪廠商（如 Epson、Techman）的新合作公告。
鴻海 AI 機櫃「倍數成長」的目標，靠的是 Vera Rubin 而非 GB300：仔細看鴻海法說會的內容，Vera Rubin NVL72 第 3 季量產、第 4 季出貨、2027 成主力。也就是說，GB300 機器人自動化是過渡期的練兵，真正的決戰點是 Vera Rubin。Vera Rubin 的機械結構與電氣介面都會換新，99.5% 成功率能不能複製到 Vera Rubin，將決定鴻海 AI 機櫃市占率能不能達到 50% 目標。
圖片來源：NVIDIA 部落格（TechNews 報導轉載）