Bright Machines 推出混合式机器人单元，弥合AI服务器人工组装良率鸿沟

Bright Machines 希望解决AI基础设施建设中最具后果性但最不光鲜的问题之一：当人类必须接触生产线时，质量数据会发生什么。

这家总部位于旧金山的制造商今日宣布推出 Hybrid BRC （Bright Robotic Cell，明亮机器人单元），这是其Bright Factory平台的一次扩展，允许人类操作员进入由传感器监控的机器人单元内执行规定的组装步骤——同时不中断追踪每台服务器从拧入第一颗螺丝到贴上出货标签全过程的数字记录。

这听起来像是一次渐进式的硬件升级。事实并非如此。Hybrid BRC直接回应了高风险电子制造中一项结构性弱点——首席执行官Sviat Dulianinov在独家接受VentureBeat采访时以直白措辞对此进行了量化。

‘如果你从人工操作起步组装现代AI服务器，初始良率——即一次通过率（first-pass yield）——可能低至20%。’Dulianinov表示，‘随后你逐步提升并扩大规模，良率可达到60%多、约65%。’

当单台AI服务器成本可达数十万美元，而超大规模云厂商正耗费数十亿美元等待尚无法快速部署的基础设施时，这一数字就是全部故事的关键所在。 Hybrid BRC 是Bright Machines试图让人类双手持续参与流程、同时又不让人为错误重新破门而入的一次尝试。

为何人工组装步骤会在生产数据中制造“黑洞”

现代自动化装配线持续生成大量生产数据——扭矩值、定位坐标、元器件序列号、检测图像。这条“数据线程”使制造商得以证明服务器被正确组装，并在数月后现场发生故障时，将故障追溯至特定工站、特定步骤或特定元器件。

但自动化产线不可避免地需要人工干预；而在此之前，制造商在发生此类情况时仅有两种糟糕选择：完全停止产线，或将正在加工中的产品移至产线外独立的人工工位——该工位处于受监控的数据流之外。第一种选择会扼杀产能；第二种则恰好在人为错误最可能发生之时，在生产记录中打出一个“洞”。

该公司称， Hybrid BRC 消除了这种权衡取舍。该单元将带防护功能的出入门和安全面板直接整合进产线。当操作员打开门时，机械臂自动停用，屏幕上的操作指引引导操作员完成每个组装步骤，同时单元内的传感器阵列——包括摄像头、力反馈传感器及工装传感器——持续监测安装错误、遗漏步骤及错装元器件，并应用与全自动化阶段相同的质量检查标准。可追溯性记录自始至终保持在序列号级别。

AI服务器组装中人类与机器人之间的良率差距

当Dulianinov所给出的人工组装数据与自动化所能实现的结果对照时，驱动该设计的经济逻辑便清晰浮现。‘在机器人作业中，采用我们的技术，各工站良率通常超过98%，即便在整个产线层面，我们通常也能达到97.5%、约97.7%。’他说道。

一次通过率衡量的是首次下线即合格、无需返工的产品占比。20%的人工爬坡良率与98%的自动化工站良率之间的差距绝非四舍五入误差——对于如此昂贵的硬件而言，这正是盈利与灾难之间的分水岭。

这一数学逻辑解释了公司针对 Hybrid BRC的设计理念：将人类操作员视为应对异常情况的“应急阀”，而非自动化的替代品。‘你引入的人工工站越多，就越会增加低良率拖累整体良率的风险，’Dulianinov表示，‘因此我们倾向于至少从50%自动化起步，再推进至至少80%。’速度方面也呈现类似模式：‘就吞吐量而言，机器人在线体层面可比人类快约50%至100%。’

服务器组装如何成为AI基础设施竞赛中隐匿的瓶颈

AI基础设施的讨论通常围绕芯片供应、电力可用性及数据中心建设展开。Dulianinov认为，组装——这项将芯片与主板转化为机架化、经测试、可部署计算设备的乏味工作——正悄然严重拖慢部署时间表。

‘当你已拥有芯片和主板时，你希望尽可能快地将其部署至数据中心，’他描述了电力与建筑等基础设施已就绪的绿地项目（greenfield deployments）。而硬件建造、测试，以及因质量未达标而经常需返工重建的过程，‘可能耗时数月，’他表示，‘若采用更多此类技术，例如我们的技术，我们相信至少可将该周期缩短三分之一。’

电话会议中一位公司高管补充了一个虽属轶事却颇具说服力的数据点： Bright Machines 生产的服务器正‘飞速投入生产’，而非堆叠在仓库中静待部署——这表明组装能力，而不仅仅是芯片或电力，正制约着超大规模云厂商的时间表。这位高管指出，相关风险具有不对称性，因为最大的超大规模云厂商每天因服务器故障或延迟交付而损失数百万美元。正因如此，客户对购买硬件箱体的兴趣远低于对购买保障的兴趣——这也使得一条不间断的数据线程本身已成为一种产品。

已在运行混合产线的秘密客户群内部

Hybrid BRC 并非概念产品。Dulianinov表示，该公司已在美国内部运营多条混合产线，并已通过这些新工站‘制造了逾10,000个计算节点’。他称，今年Bright Machines计划制造‘超过半吉瓦（gigawatt）的计算容量’。

谁在采购？请勿追问。‘很遗憾，我们无法透露客户名称。这是我们工作中最难的部分，’Dulianinov表示，‘他们极为保密，因为正如您所知，所有与数据中心相关的事物均涉及知识产权（IP）。’

他确实提供了增长数据：客户数量‘今年较上年增长超3倍’，驱动力是他所称的‘物理AI、AI基础设施建设及回岸制造（onshoring）’三者的交汇。需求已蔓延至房地产领域——该公司将于今年秋季从旧金山第十六街办公室迁至伯林盖姆（Burlingame）一处空间，高管形容该新址面积为原址的三至四倍。总体而言，该公司称其已在十余个国家部署了逾130座微型工厂，服务客户逾60家，并生产服务器逾300,000台。

Bright Machines与Tulip、Instrumental及合同制造巨头的区别何在

当被问及Hybrid BRC的可追溯性主张相较于Tulip与Instrumental等操作员引导及检测软件供应商的表现时， Tulip 和 Instrumental，Dulianinov明确划清了商业模式的界限。

“郁金香（Tulip）只是一家为操作员提供界面的公司。Instrumental 公司则专注于检测。它们都只是拼图中的一小块，”他说，“而我们作为一家技术赋能的制造商，实际上运行着整个运营流程……我们将自己的产线、软件、数据部署到车间现场，配备自己的人员，并从头到尾全程运营。”

他主张，恰当的对标对象是富士康（Foxconn）等合同制造巨头， Flex， Jabil，以及 Foxconn ——这些公司拥有完整的生产流程，但历史上依赖人工劳动构建，而人工劳动产生的数据极少。他表示，Bright Machines 的差异化之处在于：机器人数据、传感器数据，以及如今的人工工位数据，全部通过一个统一的编排层汇入单一环境，该公司将其称为 Bright Insights。

鉴于该公司的起源，这一市场定位尤为引人注目。Bright Machines 八年前从合同制造商 Flex 分拆而出，其发展历程充满波折：据《华尔街日报》（The Wall Street Journal）和 CFO Dive 当时的报道，该公司曾计划于 2021 年通过与一家特殊目的收购公司（SPAC）合并的方式上市，估值 reportedly 达 16 亿美元，但该交易最终告吹。 《华尔街日报》 和 CFO Dive，但在交易失败后，公司于 2024 年 6 月完成了一轮 1.26 亿美元 C 轮融资 ——其中 1.06 亿美元为股权融资，由贝莱德（BlackRock）管理的基金领投，并有英伟达（Nvidia）、微软（Microsoft）、Eclipse、Jabil 和新韩证券（Shinhan Securities）参与；此外还有摩根大通（J.P. Morgan）提供的 2000 万美元风险债务融资——据该公司当时发布的公告，其累计融资总额已超过 4 亿美元。

谁拥有生产数据——以及工人对被监控的感受

对于技术决策者而言，任何如此紧密地对人类工作进行仪器化监测的系统，都面临两个治理问题，杜利亚宁诺夫（Dulianinov）直接回应了这两个问题。

关于数据所有权，他划出了一条清晰界限：“所有与客户及其设备与零部件检测相关的内容，显然均受保护并归客户所有。”他表示，工艺数据和机器人数据则保留在 Bright Machines，以推动其平台的持续改进。

关于工人监控问题，他反驳了这种表述方式。他指出，高知识产权（High-IP）电子制造车间——尤其是涉及航空航天、国防或政府工作负载的车间——早已禁止工人携带个人电子设备。“熟悉这些车间的人知道，这本身就是游戏规则的一部分，”他说，并补充称员工“实际上很欣赏”这种可追溯性，因为它支撑着安全使命：“如果你为政府建造一座数据中心，又在某处中国工厂建造服务器，你就无法保证它究竟是如何制造的、其中安装了哪些元器件。”在他看来，监控的目的并非监视工人，而是能够逐个元器件地证明：美国制造的 AI 基础设施确实如其所宣称的那样。

回流本土的押注：在缺少 300 万工人的情况下重建美国制造业

混合式 BRC（Hybrid BRC）的模块化设计所承载的战略意义远超质量保证范畴。由于这些单元由软件定义且可像积木一样快速拼接，Bright Machines 表示，其可在数天或数周内而非数月内，为新一代硬件重新配置产线；杜利亚宁诺夫表示，对于同一产品系列内的细微设计变更，“我们可在一天之内完成部署”，尽管从风冷转向液冷仍属“重大跃迁”。在芯片架构大致每年更新一次的行业背景下，换型速度的价值几乎与良率相当；一条需耗时六个月才能完成换型的产线，在其成本摊销完毕之前便已过时。

但杜利亚宁诺夫的最终论点聚焦于劳动力算术，而非机械设备。“我们必须在美国本土建厂，而你无法召集 300 万人来重建美国制造业，”他提到深圳规模电子工厂庞大的劳动力规模，“因此你必须借助 AI 软件和机器人来解决这个问题，这正是我们的核心主张……这不仅关乎车间里的机器人，也关乎创造就业岗位。所有这些机器人，以及部分在车间现场工作的人员。”

Eclipse 创始人兼首席执行官、Bright Machines 董事长兼联合创始人利奥尔·苏珊（Lior Susan）以同样措辞阐述了此次发布：“制造业的未来并非在自动化与灵活性之间做出选择——而是将二者融合于同一数字生产环境中。”

尽管人们热议千兆瓦级功耗与良率曲线，混合式 BRC 实质上却是一项裹挟在创新外衣之下的坦白：即便在地球上自动化程度最高的工厂里，人类仍需亲手打开舱门、伸手进入内部。Bright Machines 押注的是：AI 基础设施竞赛的赢家，并非那些彻底消除人工干预的制造商，而是那些始终不忘人工价值的制造商。