鸿海与辉达通过 DGX SuperPOD 提升 AI 训练效能

重点摘要

鸿海 (2317-TW) 与辉达 (NVDA-US) 正合作推进 AI 训练与部署。鸿海使用 NVIDIA DGX SuperPOD 和 DGX GB200 系统，训练内部开发的 FoxBrain 大型语言模型。该模型拥有 1200 亿个参数，训练速度较公司先前采用 H100 的解决方案快 2.48 倍，并在 12 天内处理 1 万亿个 Tokens。鸿海也将 AI 应用于工厂排程、生产流程、质量分析及数字孪生仿真。这项合作将加速模型训练与制造运营中的实际 AI 应用相互连接。

情绪分析

• 文章整体基调偏正面，着重于更快速的 AI 训练、更广泛的计算能力，以及运营改善。文中指出，1200 亿参数的 FoxBrain 模型训练速度提升 2.48 倍，并在 12 天内处理 1 万亿个 Tokens。
• 文章的正面论述也建立在所报道的工厂成果上：自动化生产排程减少 25% 的排程工时，而 AI 辅助的注塑成型工艺调整，则使相关工程工作量减少 50%。文章也指出，已改善超过 20 项主要 SMT 缺陷根因，异常改善率超过 90%。
• 不过，整体情绪仍以客观陈述和公司观点为主。来源描述了相关能力与所报道的成果，但未提供独立验证、比较方法，或实施成本与限制的讨论。因此，这些说法应视为公司报告的成果，而非外部评估。

文章内容

鸿海 (2317-TW) 与辉达 (NVDA-US) 正合作推进 AI 基础设施与应用。鸿海已导入 NVIDIA DGX SuperPOD 和 DGX GB200 系统，以加速训练内部开发的大型语言模型 FoxBrain。根据公司公布的成果，拥有 1200 亿个参数的模型，训练速度较先前采用 H100 系统的解决方案快 2.48 倍。鸿海也在 12 天内处理 1 万亿个 Tokens，以支持模型及其能力持续发展。

DGX SuperPOD 结合 NVIDIA Blackwell 架构与 NVLink 交换机，整合多个 GPU 的计算资源。此配置旨在加速大型 AI 模型的训练。鸿海运用这套基础设施训练 FoxBrain，并致力于结合工业数据与多模态推理。公司表示，其发展方向包括开发可应用于制造业、电动汽车及智慧城市的视觉语言模型。

所报道的训练效能是这项合作的重要指标。鸿海表示，使用 DGX SuperPOD 训练 1200 亿参数模型，速度较先前以 H100 为基础的解决方案快 2.48 倍。该系统在 12 天内处理 1 万亿个 Tokens，提供 FoxBrain 持续训练及多模态功能开发所需的计算能力。这些数据反映鸿海公布的成果；来源未提供独立的基准测试方法或其他比较细节。

鸿海也将 AI 应用于生产管理。据报道，其自动化生产排程系统 APS 已减少工厂排程工时 25%，降低生产规划相关的人力负担。在注塑成型方面，鸿海运用 AI 优化工艺设定参数。公司表示，这使工艺调整相关的工程工作量减少 50%，目标是提升生产流程效率。

在产线质量管理方面，鸿海运用 AI 分析 SMT 产线问题。公司表示，已改善超过 20 项主要缺陷的相关根因，异常改善率超过 90%。AI 模型分析与实时决策旨在协助找出产线异常原因，并提升后续处理的速度与成效。这些案例展现了公司将 AI 从计算基础设施延伸至工厂运营的努力。

为管理 AI 资源，鸿海使用 NVIDIA Mission Control，协调全球超过 200 个工厂据点的 AI 工作负载。公司也结合 NVIDIA Run 和 NIM 微服务，提升 AI 模型部署的灵活性。此外，NVIDIA RTX PRO 服务器用于支持工厂数字孪生仿真及 AI 代理工作流程。鸿海通过 NVIDIA Omniverse 和 Isaac 仿真机器人与生产环境，支持产线验证与复制，并致力于在全球各地的制造据点导入 AI 技术。

鸿海表示，将持续与辉达合作，开发智慧制造、智慧电动汽车及智慧城市等领域的应用。其计划也包括 AI Token 生态系统及开放式代理框架，旨在协助企业开发定制化 AI 代理。整体而言，所报道的训练成果、工厂流程应用、工作负载管理及仿真工具，展现了广泛的发展方向：一边构建 AI 能力，一边调整模型与系统以应用于工业场景。来源说明了公司的目标与所报道的成果，但未列出未来部署时间表，也未提供对其影响的独立评估。

关键信息表