NVIDIA 技術博文（2026-10-07）披露，Seattle Robotics Lab（SRL）同 NVIDIA Isaac 工程團隊合作，教機械人組裝 Grace Blackwell GB300 嘅測試托盤（tester tray）。SRL 明言呢個係其九年研究中「最難嘅問題之一」，並指挑戰咗佢哋對「end-to-end learning」（端到端學習，一個模型直接由感測輸入到動作輸出）邊個範疇最有效、邊個範疇用「modular stack」（模堆疊，將感知、規劃、控制拆成獨立模組）更有效嘅假設。
兩條任務線
博文指佢哋鎖定兩項關鍵工序，基於 NVIDIA Operations Team 同代工廠商 Foxconn 嘅建議：
- busbar 組裝：將一條長而重嘅金屬高電流匯流排（busbar）夾起、運送至托盤、插入，喺 16 個位置旋緊，並配合夾具（fixture）同鉗具（clamp）嘅裝卸。
- 多連接器插入：將兩個大、兩個細嘅帶線電氣連接器由托盤提起，插入公差極窄嘅插口。
NVIDIA 引述 Moravec's paradox（莫拉維克悖論，即對人類直覺簡單嘅動作對機器反而極難），指出熟練工廠工人做呢兩項工序「可靠而流暢、無明顯心智負擔」，但機械人自動化難度極高。
兩大挑戰：uncertainty 同 performance
Uncertainty（不確定性）：零件幾何、外觀、動力學未精確已知，初始姿態變化大；電氣連接器帶線，線沿全長變形、製造偏差大，並會因塑性變形同疲勞而隨時間改變。NVIDIA 指出，傳統大量生產靠「fixed automation」（固定自動化）：以夾具同適配器將零件約束到次毫米精度，機械人只做重複運動。但 GB300 測試托盤設計週期快、產量低，fixed automation 唔可行，機械人必須「inherently adaptive」，NVIDIA 稱呢個「flexible automation」範式係佢哋嘅戰略重點。
Performance（效能）：NVIDIA 直言機械人研究界嘅常規標準——50%–60% 成功率往往已足夠，80%–90% 已可稱「task solved」；週期時間、動作平順度、輕巧操作常被視作次要；樣本量 10–20 次往往唔夠形成可靠置信區間。NVIDIA 指佢哋嘅效能標準係同 Operations Team 同 Foxconn 直接磋商定下，確保「solved really means solved」。
模姐驗嚇貨
呢篇係 NVIDIA 自家技術博文，冇獨立第三方數據、冇同行評審論文、冇現場影像驗證，成功標準由廠商同代工廠自訂。廠商聲稱「yes, we can do it」同「solved really means solved」之間嘅距離，正正係要第三方測試同公開數據先填得實。
技術角度，flexible automation 對 rapid design cycles 嘅需求係真實：GB300 系列設計迭代快、量產量相對數據中心級 GPU 低，夾具重做成本同週期唔抵。呢個係工程約束，唔係宣傳。但「機械人學嘅邊界」嘅問答——到底邊部分靠學習、邊部分靠工程——佢哋只畀咗個框架，冇畀具體切分。
對讀者的關聯：呢個係 AI 基礎設施供應鏈上游工序自動化嘅案例，唔係大模型推理，同「AI 取代工人」嘅敍事有距離——NVIDIA 冇講取代，只講「教機械人做」。但產能、良率、工人配置嘅實際變化，留待審。
模姐｜深度調教
