鴻海與 NVIDIA 機器人實驗室研究一年，教機器人組裝 GB300 測試托盤：鴻海說它訂的量產門檻是成功率 99.5%、時間不超過熟練作業員兩倍、托盤零非預期碰撞，依原文公布的成績整體還沒達到
趨勢新聞2026 年 10 月 29 日
NVIDIA 的 AI 伺服器運算模組出貨前，要先裝在一種「測試托盤」上驗證功能和效能。托盤上有兩段手工活，現在靠工廠裡的熟練作業員：把一條沉重的金屬條鎖上 16 顆螺絲，再把四個纜線接頭插進間隙很小的插座。鴻海 10 月 26 日發布新聞稿說，NVIDIA 西雅圖機器人實驗室（Seattle Robotics Lab，簡稱 SRL）花了一年研究能不能讓機器人做這兩件事，題目由鴻海和 NVIDIA 營運團隊依實際產線挑選，鴻海並說它替研究團隊設定了量產門檻：成功率 99.5%、時間不超過熟練作業員的兩倍、不得與托盤發生非預期碰撞。對台灣讀者來說，這是台灣代工廠把 AI 伺服器組裝線上需要精細手工的兩個步驟拿出來給機器人試。依 NVIDIA 技術部落格公布的成績，匯流排組裝成功率超過 95%，接頭插入 90% 到 95%，完成時間都還超過要求；兩份原文都把進工廠列為下一步。
機器人要學的兩件事
GB300 是 NVIDIA 的 Grace Blackwell GB300 運算模組，用來訓練和執行 AI 模型。測試托盤是它出貨前做檢驗用的載具。兩份原文描述的任務一致。第一件是匯流排組裝：匯流排是傳送大電流的長金屬條，機器人要先把「限位治具」（輔助對位的固定工具）放進托盤，再把附著夾具的匯流排放進去、鎖上 16 顆螺絲，最後拆掉夾具和治具。第二件是多接頭插入：兩大兩小、共四個纜線接頭（大的是 DC-SCI，小的是 MCIO），要從 GB300 電路板上拎起來，插進間隙極小的插座。
鴻海提供了熟練作業員實際操作的影片，研究團隊拿來拆解動作、訂效能基準。NVIDIA 部落格寫，熟練作業員能「可靠、流暢地完成這兩項工作，不需耗費太多心力」（本站譯），這種靈巧動作要自動化卻非常困難；NVIDIA 稱之為「莫拉維克悖論」的又一例，意思是人能熟練完成的手部動作，對機器仍可能很難。
99.5%、兩倍時間、零碰撞，各代表什麼
成功率 99.5%，換成小數字看比較清楚。假設同一項任務做 1,000 次、每次成功機率固定，99.5% 平均約失敗 5 次，95% 平均約失敗 50 次；實際每批會有波動，這也不是整個托盤的總良率。鴻海新聞稿寫，機器人研究領域常把 80% 到 90% 的成功率當成「已解決」，而且通常只測 10 到 20 次。NVIDIA 原文說，門檻這樣訂，是要「確保『解決了』真的代表解決了」（本站譯）。
時間的上限，匯流排組裝是 124 秒，四個接頭全部插完是 72 秒。原文寫這是熟練作業員所需時間的兩倍，本站反推作業員大約是 62 秒和 36 秒（原文沒有直接寫作業員的秒數）。托盤不得發生任何非預期碰撞（組裝本來就要接觸零件，禁止的是計畫外的碰撞），理由是 NVIDIA 原文寫的「就算是輕微損傷，也可能讓整套系統報廢」（本站譯）。
要怎麼確認做到了 99.5%？NVIDIA 原文給了算法：要以單邊 95% 信賴下限（用統計方法估計成功率至少有多少）支持成功率至少 99.5%，「必須在至少 598 次試驗中零失敗」（本站譯）。白話說，實驗室裡測 20 次全部成功，還差得很遠；而且零件會磨損，NVIDIA 寫這種驗證可能要用上數百個供替換的 GB300 零組件。這是驗證需要的條件，原文沒有說團隊已經做完這些試驗。
門檻是誰訂的，兩份原文寫法不同。鴻海新聞稿寫「鴻海為研究團隊設定了真正的量產門檻」；NVIDIA 部落格寫門檻是與 NVIDIA 營運團隊和鴻海直接合作訂出來的，提出要求的一方寫作「製造商」。本站兩邊照錄。
目前做到哪裡
門檻和成績之間還有一段距離。匯流排組裝的成功率超過 95%，失敗主要出在抓取失誤和插入時零件在夾爪裡打滑；整套流程要 160 秒，超過 124 秒的上限，卡在 16 顆螺絲要一顆一顆鎖。這套系統用了三支機械臂：兩支 Flexiv Rizon 4S，一支 Universal Robots UR10e 裝電動起子。研究團隊也和製造商協議，把匯流排夾具稍微改造，讓一支機械臂就能解鎖。
多接頭插入的成功率是 90% 到 95%，失敗主要來自兩支機械臂抓接頭時的配合；每條纜線平均 40 秒，四條約 160 秒（本站計算），門檻是 72 秒。鴻海新聞稿列了兩項成功率和時間門檻，沒有列實測耗時；匯流排 160 秒與接頭每條 40 秒出自 NVIDIA 部落格。匯流排成功率原文只寫「超過 95%」，沒有更精確的數字，也沒有公布碰撞測試的統計。
研究的路線也有轉折。團隊先用傳統流程，抓接頭時改試從示範資料端到端學習，卻卡在資料：專用纜線數量少，反覆抓取操作後會永久變形，能蒐集有效資料的次數有限。團隊把這個發現稱為「反苦澀教訓」，意思是這種情況下不能只靠增加資料解決，於是回頭開發專門辨識接頭位置與角度的 DOPER 模型；插入動作則仍靠學習，先在 NVIDIA 的模擬軟體 Isaac Lab 裡練，再到真實世界微調。團隊也設計了一般 3D 印表機就能印的夾爪手指（夾爪直接碰到零件的部分），讓零件被夾起後的位置比較固定。
對台灣產線與作業員代表什麼
下一步，鴻海新聞稿寫的是把技術「部署至鴻海生產 AI 硬體的工廠」；NVIDIA 部落格的部署目標段落寫的是 NVIDIA 代工夥伴生產 AI 硬體的工廠，沒有指定哪一家。兩份都沒有寫時程、哪個國家的廠區，也沒有寫要用多少台機器人。NVIDIA 坦承，實驗室成績不保證進工廠後一樣好，廠內環境不同，產品設計也會改；它提議學自駕車，先在人監督下上線，邊做邊修正、累積資料。
NVIDIA 把這件事定位成「補充熟練人力」，並引用一項估計：若人才問題沒有解決，到 2033 年可能有 190 萬個製造業職缺補不到人。這個數字來自 Deloitte 頁面引述的研究，上下文談的是美國製造業，不能拿來推算台灣的缺工。本站的讀法：作業員的工作量或人數會怎麼變，先用在台灣還是海外廠，這兩份原文都沒有交代，現在無法判斷；NVIDIA 提議的做法是人在旁監督、介入修正，不是一次全換。比較清楚的是產線怎麼要求機器人：99.5% 是這項合作的效能要求，598 次零失敗是 NVIDIA 說明要用統計支持這個數字需要的試驗量。