AI News HubLIVE
站内改写2 分鐘閱讀

臺灣產業巨頭攜手輝達,加速全球AI基礎設施建設

臺灣擁有超過500家輝達生態系統合作伙伴,超過100萬個用於輝達Vera Rubin基礎設施的MGX機架元件來自臺灣25個工廠。隨著Vera Rubin全面投產以支援全球AI工廠,生態鏈覆蓋從晶圓和晶片合作伙伴(如臺積電、日月光等)到製造和系統領導者(如富士康、廣達等)。這些夥伴不僅建設AI工廠,還將加速計算、模擬、AI智慧體及物理AI應用於自身運營,提高製造效率。臺積電利用CUDA-X庫和AI模型改進光刻和工藝;富士康基於輝達工廠運營藍圖構建MoMClaw智慧體,預計根因分析提速80%,生產率提升15%;廣達使用Omniverse數字孿生加速工廠規劃;緯創透過Omniverse DSX實現佈局分析提速70%並降低電力需求;和碩採用缺陷影像生成智慧體減少AI視覺檢測部署時間67%;英業達透過合成缺陷資料縮短AI部署時間約25%。

來源NVIDIA Blog作者: Timothy Costa

臺灣是全球AI基礎設施的核心製造基地,擁有超過500家輝達生態系統合作伙伴。超過100萬個用於輝達Vera Rubin基礎設施的MGX機架元件,在臺灣25個工廠組裝完成。隨著Vera Rubin全面投產以支援全球自主AI工廠,這一生態系統覆蓋了從關鍵晶圓和晶片合作伙伴(如臺積電、SPIL、Kinsus、KYEC和UMTC)到製造和系統領導者(包括富士康、廣達雲科技(QCT)、緯創、和碩和英業達)的完整供應鏈。

但這些合作伙伴不僅僅是建設AI工廠。他們也在將加速計算、模擬、AI智慧體和物理AI應用於自身運營,為AI如何使先進製造更快、更高效、更具適應性樹立了典範。

臺積電正在應用輝達CUDA-X庫和AI模型,涵蓋計算光刻、電晶體和工藝模擬、先進過程控制、良率分析、工廠運營和檢測。輝達cuLitho在相同擁有成本下,比基於CPU的計算光刻提升了20-50%的成本效益或週期時間;cuEST庫平均提升半導體材料模擬效能50倍;cuML庫、Metropolis平臺和TAO工具包加速了材料模擬、改進了過程控制並增強了罕見缺陷檢測。

富士康利用輝達工廠運營藍圖和NemoClaw藍圖構建了其製造運營管理智慧體MoMClaw,透過自然語言介面將感測器和機器訊號與專業智慧體連線,為工廠管理人員和操作員提供即時答案和行動計劃,並配備輝達OpenShell隱私控制和安全護欄。預計根因分析時間可加快80%,勞動生產率提升15%,機器故障率下降10%。

富士康還部署了DeepHow的SOP驗證視覺AI系統(基於輝達Cosmos和Metropolis影片搜尋與摘要藍圖),以提高複雜製造流程的可視性,使首次透過良率提升3%。公司同時將輝達Isaac Teleop、Isaac Sim、Isaac Lab和ROS 2應用於工廠中的輪式人形機器人,支援精密裝配任務如取放、雙臂協作和力控螺絲緊固。富士康在臺灣建設的14億美元AI雲超算中心,由10,000顆輝達GPU驅動,採用輝達GB300 NVL72混合冷卻架構。

廣達雲科技(QCT)利用輝達Omniverse數字孿生加速工廠規劃,使工程、運營和物流團隊共享設計資料,實現更快速的佈局反饋、最佳化的工作流和更好的空間利用。QCT還與其子公司Techman Robot合作開發物理AI開發者套件,使用QuantaGrid系統進行資料生成和模型訓練。Techman Robot採用輝達Jetson Thor和Isaac GR00T平臺支援其下一代機器人(包括TM Xplore I人形機器人)的開發,用於伺服器風扇組裝等高階工業任務。

緯創正在使用輝達Omniverse DSX藍圖、PhysicsNeMo框架和Cadence Reality DC Design模擬全球製造工廠的燒機環境,以最佳化AI伺服器製造。這些工作流在緯創的輝達AI基礎設施上執行(配備輝達RTX PRO 6000 Blackwell伺服器版GPU),透過動態機架最佳化,可將佈局分析速度提升高達70%,並將設施電力需求降低20%。

和碩採用輝達Omniverse DSX藍圖,開發模擬就緒資產,連線設計資料、熱模擬、數字孿生和物理鑑定,加速AI工廠的設計和部署。和碩還使用輝達缺陷影像生成物理AI智慧體(基於Cosmos世界基礎模型和Isaac Sim)生成合成缺陷資料,將AI視覺檢測部署時間減少67%,運營工作量減少10%。

英業達在其觀察智慧體中使用缺陷影像生成智慧體,為自動光學檢測生成合成缺陷資料。在筆記本外觀檢測中,內部驗證產生了超過10,000張合成缺陷影像,顯示出將真實資料收集和手動標註減少約30%、AI部署時間縮短約25%、異常檢測改進約10%的潛力。

隨著輝達Vera Rubin全面投產,臺灣製造企業正展示如何將AI基礎設施融入自身製造引擎——利用加速計算、模擬、智慧體和物理AI來構建下一代AI系統。