鴻海與輝達透過 DGX SuperPOD 提升 AI 訓練效能

重點摘要

鴻海 (2317-TW) 與輝達 (NVDA-US) 正合作推動 AI 訓練與部署。鴻海使用 NVIDIA DGX SuperPOD 和 DGX GB200 系統，訓練內部開發的 FoxBrain 大型語言模型。該模型擁有 1200 億個參數，訓練速度較公司先前採用 H100 的解決方案快 2.48 倍，並在 12 天內處理 1 兆個 Tokens。鴻海也將 AI 應用於工廠排程、生產流程、品質分析及數位孿生模擬。這項合作將加速模型訓練與製造營運中的實際 AI 應用相互連結。

情緒分析

• 文章整體基調偏正面，著重於更快速的 AI 訓練、更廣泛的運算能力，以及營運改善。文中指出，1200 億參數的 FoxBrain 模型訓練速度提升 2.48 倍，並在 12 天內處理 1 兆個 Tokens。
• 文章的正面論述也建立在所報導的工廠成果上：自動化生產排程減少 25% 的排程工時，而 AI 輔助的射出成型製程調整，則使相關工程工作量減少 50%。文章也指出，已改善超過 20 項主要 SMT 缺陷根因，異常改善率超過 90%。
• 不過，整體情緒仍以客觀陳述和公司觀點為主。來源描述了相關能力與所報導的成果，但未提供獨立驗證、比較方法，或實施成本與限制的討論。因此，這些說法應視為公司報告的成果，而非外部評估。

文章內容

鴻海 (2317-TW) 與輝達 (NVDA-US) 正合作推動 AI 基礎設施與應用。鴻海已導入 NVIDIA DGX SuperPOD 和 DGX GB200 系統，以加速訓練內部開發的大型語言模型 FoxBrain。根據公司公布的成果，擁有 1200 億個參數的模型，訓練速度較先前採用 H100 系統的解決方案快 2.48 倍。鴻海也在 12 天內處理 1 兆個 Tokens，以支援模型及其能力持續發展。

DGX SuperPOD 結合 NVIDIA Blackwell 架構與 NVLink 交換器，整合多個 GPU 的運算資源。此配置旨在加速大型 AI 模型的訓練。鴻海運用這套基礎設施訓練 FoxBrain，並致力於結合工業資料與多模態推理。公司表示，其發展方向包括開發可應用於製造業、電動車及智慧城市的視覺語言模型。

所報導的訓練效能是這項合作的重要指標。鴻海表示，使用 DGX SuperPOD 訓練 1200 億參數模型，速度較先前以 H100 為基礎的解決方案快 2.48 倍。該系統在 12 天內處理 1 兆個 Tokens，提供 FoxBrain 持續訓練及多模態功能開發所需的運算能力。這些數據反映鴻海公布的成果；來源未提供獨立的基準測試方法或其他比較細節。

鴻海也將 AI 應用於生產管理。據報導，其自動化生產排程系統 APS 已減少工廠排程工時 25%，降低生產規劃相關的人力負擔。在射出成型方面，鴻海運用 AI 最佳化製程設定參數。公司表示，這使製程調整相關的工程工作量減少 50%，目標是提升生產流程效率。

在產線品質管理方面，鴻海運用 AI 分析 SMT 產線問題。公司表示，已改善超過 20 項主要缺陷的相關根因，異常改善率超過 90%。AI 模型分析與即時決策旨在協助找出產線異常原因，並提升後續處理的速度與成效。這些案例展現了公司將 AI 從運算基礎設施延伸至工廠營運的努力。

為管理 AI 資源，鴻海使用 NVIDIA Mission Control，協調全球超過 200 個工廠據點的 AI 工作負載。公司也結合 NVIDIA Run 和 NIM 微服務，提升 AI 模型部署的彈性。此外，NVIDIA RTX PRO 伺服器用於支援工廠數位孿生模擬及 AI 代理工作流程。鴻海透過 NVIDIA Omniverse 和 Isaac 模擬機器人與生產環境，支援產線驗證與複製，並致力於在全球各地的製造據點導入 AI 技術。

鴻海表示，將持續與輝達合作，開發智慧製造、智慧電動車及智慧城市等領域的應用。其計畫也包括 AI Token 生態系及開放式代理框架，旨在協助企業開發客製化 AI 代理。整體而言，所報導的訓練成果、工廠流程應用、工作負載管理及模擬工具，展現了廣泛的發展方向：一邊建構 AI 能力，一邊調整模型與系統以應用於工業場域。來源說明了公司的目標與所報導的成果，但未列出未來部署時程，也未提供對其影響的獨立評估。

關鍵資訊表