NVIDIA Seattle Robotics Lab (SRL) 與 NVIDIA Isaac 工程團隊近期發表一篇技術部落格〈製造機器的機器〉，完整記錄一項歷時一年的研究：能否打造智慧機器人，組裝用於驗證 NVIDIA Grace Blackwell GB300 運算模組的測試托盤。這項研究由 NVIDIA 營運團隊與 GB300 合作商鴻海共同定義，是 SRL 九年來處理過最困難的問題之一。

源自產線的真實題目

研究題目並非在實驗室中憑空設定。鴻海與 NVIDIA 營運團隊依據實際產線狀況，共同挑選出兩項關鍵任務：

• 匯流排組裝：抓取並插入限位治具與附夾具的匯流排，於 16 個位置鎖附螺絲，再依序移除夾具與治具。
• 多接頭插入：將兩個 MCIO 與兩個 DC-SCI 纜線接頭自 GB300 電路板上提起，並插入間隙極小的插座。

鴻海亦提供熟練作業員實際執行這兩項任務的示範影片，成為研究團隊理解作業流程、拆解動作步驟與設定效能基準的重要依據。

鴻海設定的工業級標準

這項合作最關鍵的貢獻之一，是鴻海為研究團隊設定了真正的量產門檻：成功率須達 99.5%、完成時間不得超過熟練作業員的兩倍（匯流排組裝 124 秒、四組接頭插入 72 秒），且托盤不得發生任何非預期碰撞——因為即使是表面損傷，也可能導致整套系統報廢。

在機器人研究領域，80%–90% 的成功率往往已被視為任務「已解決」，且評估通常僅進行 10 至 20 次試驗。鴻海的要求讓「已解決」回到製造業的定義，也正是這道門檻，迫使研究團隊重新檢視既有方法的能力與極限。

軟硬整合的共同優化

合作不僅止於需求定義。研究團隊與鴻海協議，匯流排夾具進行了輕微的機構修改，使單一機械臂即可完成解鎖，有效縮短週期時間。研究團隊並自行設計多用途 3D 列印夾爪指，以機械設計降低零件姿態的不確定性。這印證了部落格的核心主張之一：機器人技術是全堆疊問題，結合人工智慧與機械智慧，才能達到最佳成果。

目前成果與啟示

匯流排組裝已透過模組化的感知、規劃與高效能阻抗控制達成超過 95% 的成功率；多接頭插入則結合自研的 DOPER 姿態估算框架、Isaac Lab 模擬到現實遷移與真實世界殘差強化學習，達成 90%–95% 的成功率。團隊正持續縮小與部署門檻之間的差距。

研究過程也帶來一項反直覺的結論：當互動資料稀少、零件昂貴且重複使用會劣化時，單純擴大資料規模並不可行。團隊稱之為「反苦澀教訓」——在這類情境中，善用領域知識的傳統方法依然強大。

下一步

該研究團隊的下一個目標，是將這項技術部署至鴻海生產 AI 硬體的工廠，達到或超越其效能要求，加速全球最先進運算系統的生產。更長遠來看，由 AI 驅動的機器人組裝 AI 硬體、再由這些硬體訓練下一代 AI 機器人，將形成一個良性循環