工作量減 50%，鴻海合作 Nvidia 秀智造成果
鴻海持續深化與 Nvidia 的人工智慧合作，AI 技術導入製造現場的成果逐步浮現。據 Nvidia 最新公布的客戶案例，鴻海透過 AI 優化射出成型製程參數設定與切換，使相關工程工作量降低 50%；此外，導入 AI 自動排程後，排程工時也減少 25%，表面黏著技術（SMT）產線更改善超過 20 項主要缺陷問題，異常改善率逾 90%，展現 AI 從模型開發走向實際製造應用的效益。
Nvidia 指出，鴻海在全球擁有超過 200 座生產設施，業務涵蓋電子製造、電動車及智慧城市等領域。面對龐大的製造管理需求，鴻海透過導入 AI 技術，將原本仰賴工程人員經驗判斷及手動調整的作業，逐步轉向智慧分析與自動化決策，降低重複性工作所需的人力與時間。
其中，在射出成型製程方面，設備必須依照不同產品及材料特性調整加工參數，過去相關設定與切換需要投入大量工程作業。鴻海結合 Nvidia AI 技術，優化製程參數調整方式，使相關工程工作量降低 50%，減少人員反覆設定設備的負擔。
生產排程同樣是 AI 導入的重點。鴻海透過自動化生產排程系統（APS），改善工廠生產計畫與資源調度方式，讓排程所需的人工作業時數減少 25%，有助於降低人工安排生產計畫的負擔，提升製造管理效率。
在 SMT 產線方面，鴻海則利用 AI 分析生產過程中的異常與缺陷成因，協助工程人員找出問題來源。據 Nvidia 公布的成果，相關技術已處理超過 20 項主要產線缺陷問題，異常改善率超過 90%，顯示 AI 除了可協助自動化作業，也能進一步應用於製程問題分析。
除了製造現場的效率改善，鴻海也同步強化 AI 模型訓練能力。Nvidia 指出，鴻海採用 NVIDIA DGX SuperPOD AI 超級運算架構，並透過搭載 Blackwell 架構的 DGX GB200 系統，加速自有大型語言模型 FoxBrain 的開發。
鴻海研究院人工智慧研究中心創所所長李詠輝表示，導入 DGX SuperPOD 後，鴻海在 1,200 億參數模型的訓練速度，相較過去採用 H100 的系統提升至 2.48 倍，運算效能最高達 4,900 TFLOPS，並在 12 天內完成 1 兆個 Token 的處理，為 FoxBrain 模型訓練提供更充足的運算資源。
FoxBrain 主要結合開源基礎模型及鴻海內部累積的產業數據進行訓練，並透過 NVIDIA NeMo 等技術進行微調，讓模型能進一步理解製造現場的專業需求。相關技術也延伸至智慧製造 Genesis 平台及智慧城市應用 CityGPT，擴大 AI 在不同產業場域的應用範圍。
為支援全球生產基地的 AI 部署，鴻海也透過 NVIDIA Mission Control、Run 及 NIM 微服務等工具，管理大型 AI 運算資源及模型部署，讓研究團隊開發的 AI 技術能逐步導入不同工廠，減少各據點重複建置與管理的負擔。
另一方面，鴻海持續導入 NVIDIA Omniverse、Isaac 等平台，建立工廠數位孿生環境，模擬產線配置、自主移動機器人及工業機械手臂的運作情況，協助工程團隊在實際部署前進行測試與驗證。
鴻海也透過旗下 VisionBay.ai，整合 AI 運算資源與模型平台，提供 AI 即服務（AIaaS）解決方案，鎖定智慧製造、智慧電動車及智慧城市等領域，將集團內部累積的 AI 技術與應用經驗，進一步轉化為對外服務。
此外，鴻海正持續擴大高雄 AI 工廠及區域運算據點布局，結合 Nvidia AI 基礎設施與軟體技術，推動 AI 模型開發、訓練與實際製造應用的整合。隨著 AI 技術逐步導入生產排程、製程設定及品質管理，鴻海也持續探索智慧製造以外的商業應用機會。
（圖片來源：Nvidia）