晶片巨頭輝達與製造大廠鴻海展開合作，嘗試運用智慧機器人進行 Grace Blackwell GB300 AI 伺服器測試托盤的自動組裝作業。雙方針對過往極度依賴人工的複雜工序設定嚴格標準，期望將作業成功率提升至高達 99.5%，為高階伺服器產線帶來全新的自動化模式。
匯流排組裝攻堅 螺絲鎖附成主要瓶頸
高階 AI 伺服器的組裝流程中，測試托盤（Test Tray）的組裝向來屬於高難度工序。輝達與鴻海挑選出最耗費人力且最難自動化的關鍵環節進行改造，首要任務便是金屬匯流排（Busbar）的搬運與鎖固。這項作業要求機器人精準夾持較重且長條狀的金屬部件，放置到指定位置後，再鎖入 16 顆螺絲。
為了達成自動化，實驗現場部署了三支機械手臂進行分工：兩支靈巧手臂專攻結構件的定位與安裝，另一支協作手臂則專門執行螺絲鎖緊作業。雖然目前該項目的組裝成功率已經突破 95%，但整體完成時間約需 160 秒，距離鴻海與輝達設定的 124 秒內完成仍有差距，其中螺絲鎖固流程的節奏控制正是主要的效率瓶頸。
克服柔性線纜變形 強化學習提升插接精準度
另一項艱鉅挑戰為多連接器的插接作業。機器人必須將兩組大型與兩組小型的電纜連接器，準確插入公差極小的插槽中。相較於剛性金屬，電纜線材極易彎曲變形，且表面缺乏明顯的特徵紋理，傳統依靠固定治具與盲目重複動作的自動化設備根本無法勝任。
研發團隊導入了物件姿態估算技術，搭配 NVIDIA Isaac Lab 平台進行強化學習（Reinforcement Learning）訓練，讓機器人結合虛擬資料與實體產線數據進行自主學習。目前系統已能自動完成纜線抓取與對位插入，單條線纜平均耗時 40 秒，整體成功率落在 90% 至 95% 之間。雖然距離四條線纜 72 秒內完成、成功率 99.5% 的最終目標尚有優化空間，但已驗證了軟硬體整合的可行性。
產業意義
這項突破對台灣電子製造業與伺服器供應鏈具有重大指標意義。過去高階伺服器由於產品迭代速度快、規格頻繁變更，工廠多半依賴大量熟練技術人員進行手動組裝。然而，全球製造業正面臨嚴重的勞動力短缺問題，加上高昂的耗損風險，讓純靠人力的模式逐漸面臨瓶頸。
透過將 AI 強化學習與機械手臂相結合，產線能夠在不必頻繁更換實體治具的情況下，快速適應新一代伺服器的組裝需求。這不僅提升了代工廠的製造彈性與品質穩定度，更宣告了「AI 訓練機器人、機器人組裝 AI 硬體」的智慧製造閉環正在形成，有助於台灣伺服器供應鏈保持技術領先地位。
技術解析
文中涉及多項前端智慧自動化技術，以下說明其運作原理：
- 匯流排（Busbar）：在高功率伺服器機櫃中，傳統線束無法承受龐大電流，因此需要採用厚實的金屬導體（即匯流排）來傳導電力。由於重量較重且尺寸固定，機器人在抓取時需要具備精準的高負載對位能力。
- 物件姿態估算（Object Pose Estimation）：當處理會隨意彎曲的軟質線纜時，機器人無法透過固定座標抓取。姿態估算技術結合了 3D 視覺與 AI 演算法，能即時判斷線纜端點與連接器在空間中的三維位置與角度。
- 強化學習：一種讓 AI 在數位分身（Digital Twin）虛擬環境中不斷嘗試與修正動作的訓練法。機器人在模擬工廠中訓練數百萬次插接動作後，便能學會如何應對線纜微幅變形等不確定因素，再將學到的經驗套用回實體機械手臂。
- 協作機器人（Cobot）：具備高靈敏度力矩感測器的機械手臂，能感應外力並即時停止，不僅能在無安全防護欄的情況下與人類人員共事，更適合執行如螺絲鎖附、微小插槽對位等精密力控作業。
常見問題
機器人組裝 GB300 伺服器的主要挑戰是什麼？
最難克服的技術關卡在於處理容易彎曲變形的軟質線纜，以及抓取重型匯流排並精準鎖入 16 顆螺絲，這些工序傳統上非常仰賴熟練人手的觸覺與彈性調整。
輝達與鴻海為這套自動化系統設定了什麼效能目標？
雙方要求匯流排與線纜連接器組裝的成功率均需達到 99.5% 以上，且匯流排組裝時間需壓縮至 124 秒內，四組連接器插接則需在 72 秒內完成。
AI 強化學習在此類智慧製造中發揮什麼作用？
透過 AI 強化學習與物件姿態估測，機器人能夠在軟體模擬環境中進行數百萬次自主試錯與訓練，進而在面對形變線纜與微小插槽時，精準判斷方位並調整抓取姿態。