Компания NVIDIA совместно с тайваньским производителем электроники Foxconn разработала роботизированную систему для сборки компонентов мощных серверов искусственного интеллекта. Роботы уже научились устанавливать электрические шины, закреплять их винтами и подключать кабели с точностью, необходимой для сложного электронного оборудования.

Но во время испытаний инженеры столкнулись с неожиданной проблемой. Операции, с которыми обычный рабочий справляется почти автоматически, оказались для роботов невероятно сложными. Особенно много трудностей вызвали небольшие разъёмы на концах гибких проводов.

Тем не менее результаты испытаний выглядят многообещающе: отдельные сборочные операции роботы успешно выполняют более чем в 95% случаев. Правда, до полноценной замены работников на производственной линии ещё далеко.

Какие серверы пытаются собирать роботы

Речь идёт об оборудовании NVIDIA Grace Blackwell GB300, которое используется для создания мощных вычислительных систем искусственного интеллекта.

На базе таких компонентов строят платформы GB300 NVL72. Они объединяют большое количество ускорителей и процессоров в единую систему, предназначенную для обучения и работы крупных нейросетей.

Подобное оборудование значительно отличается от обычного домашнего компьютера. Оно требует сложного питания, эффективного охлаждения и высокоскоростных соединений между вычислительными модулями.

Причём чем мощнее сервер, тем выше требования к точности сборки. Неправильно установленный разъём или повреждённый контакт может привести к отказу дорогостоящего оборудования.

Для испытаний NVIDIA и Foxconn выбрали специальные тестовые модули GB300, которые используются при проверке вычислительных систем перед поставкой заказчикам.

Важно, что роботы пока не собирают всю серверную стойку целиком. Разработчики сосредоточились на отдельных операциях, которые сложно автоматизировать традиционными промышленными средствами.

Что именно научились делать роботы

Инженеры выделили две наиболее трудные задачи.

Первая — установка металлической токопроводящей шины. Это достаточно крупная деталь, через которую передаётся электрический ток. Робот должен правильно захватить её, переместить на нужное место, установить в крепления и зафиксировать шестнадцатью винтами.

Вторая задача — подключение кабелей. Система должна распознать четыре разъёма, правильно сориентировать их и аккуратно вставить в соответствующие гнёзда.

На словах всё выглядит просто. Но на практике роботу необходимо одновременно учитывать форму предмета, его положение и усилие, с которым деталь соприкасается с другими компонентами.

Особенно трудно работать с проводами. Они изгибаются, провисают и меняют положение после прикосновения. Из-за этого движение, которое успешно сработало один раз, может оказаться бесполезным при следующей попытке.

Для человека подобная задача привычна: он чувствует сопротивление детали пальцами и при необходимости изменяет движение. Роботам приходится воспроизводить эту способность при помощи камер, датчиков и программных алгоритмов.

Как искусственный интеллект помогает сборке

Разработчики использовали несколько разных технологий, вместо того чтобы поручать всю работу одной универсальной нейросети.

Для установки шины наиболее эффективной оказалась система из отдельных модулей компьютерного зрения, планирования движений и управления усилием.

В сборочной установке работают три роботизированные руки. Одна помогает определить положение компонентов с помощью камеры, вторая устанавливает детали, третья занимается закручиванием винтов.

Для работы с кабелями используются дополнительные алгоритмы распознавания изображений, в том числе технология Segment Anything Model, способная выделять нужные объекты на изображении.

Особенно интересным оказалось решение проблемы захвата разъёмов. Инженеры разработали специализированную систему DOPER, которая определяет положение и ориентацию небольших деталей по изображению камеры.

Затем роботы используют эти данные, чтобы аккуратно взять разъём и установить его на место.

Некоторые движения предварительно отрабатывались в виртуальной среде NVIDIA Isaac Lab. Такой подход позволяет обучать систему без постоянного риска повреждения реальных компонентов.

Но одних нейросетей оказалось недостаточно. Для повышения надёжности инженерам пришлось изменить и конструкцию захватов, изготовив специальные элементы с помощью 3D-печати.

Насколько быстро роботы выполняют работу

Наиболее показательные результаты получены при установке металлической шины.

• Успешность выполнения операции: более 95%.

• Среднее время полного цикла: около 160 секунд.

• Желаемое время: не более 124 секунд.

• Целевая надёжность для производства: 99,5%.

Получается, робот уже способен достаточно уверенно выполнять сложную операцию, но пока работает медленнее установленного производственного норматива.

При подключении кабелей успешность отдельных операций составляет примерно 90–95%, а среднее время подключения одного кабеля — около 40 секунд.

Для полноценного производственного процесса необходимо укладываться максимум в 72 секунды на все четыре кабеля. Поэтому улучшать предстоит не только точность, но и скорость работы.

На обычном производстве разница между надёжностью 95% и 99,5% весьма существенна. При выпуске тысяч дорогих изделий даже небольшой процент неудачных операций создаёт дополнительные расходы на контроль и исправление ошибок.

Почему не используют обычных промышленных роботов

Роботы уже давно работают на автомобильных заводах, сваривая кузова и устанавливая различные компоненты. Но подобные линии обычно рассчитаны на многократное повторение одинаковых движений в строго определённых условиях.

С серверным оборудованием ситуация сложнее. Конструкции быстро обновляются, а отдельные партии могут заметно отличаться друг от друга. Создавать новую жёстко настроенную сборочную линию для каждой модификации слишком дорого и неудобно.

Поэтому NVIDIA пытается научить роботов адаптироваться к изменениям. Система должна видеть фактическое положение детали и самостоятельно корректировать движения.

Именно это отличает эксперимент от обычной автоматизации производства.

Foxconn заинтересована в развитии подобных технологий, поскольку выпускает большие объёмы серверного оборудования и рассчитывает расширять производство в США, в том числе на предприятиях в Техасе.

Когда роботы смогут заменить людей на сборке серверов

Пока разработка остаётся экспериментальной. NVIDIA прямо признаёт, что производственные требования ещё не достигнуты, поэтому говорить о готовой полностью автоматизированной линии преждевременно.

Тем не менее достигнутые результаты показывают, что роботам постепенно становятся доступны операции, которые раньше требовали человеческой ловкости и постоянного визуального контроля.

Причём главное достижение здесь не в самом использовании роботов, а в возможности быстро приспосабливать их к новым деталям и условиям работы.

Для предприятий это потенциально означает более гибкое производство, где одно и то же роботизированное оборудование можно использовать для сборки разных изделий без полной перестройки линии.

Но история показала и неожиданную особенность развития технологий. Искусственный интеллект способен обрабатывать огромные массивы данных и решать сложные математические задачи, а вот аккуратно вставить небольшой разъём в гнездо для него пока значительно труднее, чем кажется человеку.