AI開始「製造自己」！輝達讓機器人組裝GB300　攜鴻海拚99.5%成功率

3支機械手臂分工組裝　成功率破95%仍未達標

輝達指出，GB300是AI訓練及推論重要運算平台，但測試托盤組裝仍高度仰賴熟練人力，因此研究團隊鎖定Busbar（匯流排）組裝及多連接器插入兩大任務。前者須由機器人完成抓取、搬運、插入及鎖上16顆螺絲，後者則須將2個大型、2個小型電纜連接器精準插入公差極小的插槽。

不過，人類工人能流暢完成的動作，對機器人卻相當困難，包括零件位置存在差異，電纜也會因塑性變形、疲勞等因素改變，難以完全採用傳統固定式自動化。

在Busbar組裝上，輝達採用感知、路徑規劃及控制等模組化架構，並由3支機械手臂分工，2支Flexiv Rizon 4S負責定位、安裝及拆卸，另由UR10e負責鎖螺絲。目前組裝成功率已超過95%，但仍未達製造端要求的99.5%；完整作業約160秒，也高於124秒目標，其中16顆螺絲的鎖附作業成為縮短工時的主要瓶頸。

連接器插入成功率90%至95%　終極目標「AI製造AI」

另一項多連接器插入難度更高，由於電纜容易變形、連接器尺寸小且缺乏明顯紋理，加上插槽公差極小，傳統方法及單純模仿學習均遭遇瓶頸。輝達因此開發DOPER物件姿態估測技術，結合合成與真實世界資料，並搭配NVIDIA Isaac Lab進行強化學習訓練。

目前系統已能自動完成抓取電纜、辨識連接器到插入插槽，成功率約90%至95%，每條電纜平均耗時40秒，但距離製造端要求4條電纜72秒內完成、成功率99.5%，仍有改善空間。

這項研究也讓輝達重新檢視端到端AI，團隊發現，當零件昂貴、訓練資料有限，或反覆操作造成零件耗損時，單靠大量資料訓練未必是最佳方案，結合傳統工程、機械設計、AI與真實資料反而更有效。

輝達下一步將推動相關技術進入AI硬體代工廠，長期則希望形成「AI製造AI」循環，由AI機器人組裝AI硬體，再利用這些運算系統訓練下一代機器人。