富士康 AI 工厂案例:DGX SuperPOD 上训练 FoxBrain,宣称 120B 训练提速约 2.48 倍
NVIDIA 分享富士康 AI 工厂案例:在 DGX SuperPOD 等基础设施上训练 FoxBrain,称 12 天处理约 1 万亿 token,120B 模型训练较旧栈快约 2.48 倍,并减少约 25% 生产排程工时。
英伟达基础设施账号转发富士康人工智能工厂案例:在英伟达超级计算集群、认证系统与专业图形服务器上训练自有狐脑模型。帖文给出的厂商数据包括:约十二天处理一万亿标记;相对旧栈,千二百亿参数模型训练速度约二点四八倍;生产排程工时减少约两成五;人工智能工作负载在二百余处设施间编排。
对制造与工业人工智能团队,这更像「把模型训练与工厂排程、多基地算力调度绑在同一工厂叙事」的标杆案例,而不是可直接下载的开源模型发布。数字均来自英伟达与富士康表述,对比基线未在帖中展开,引用时需回到案例页核对测量口径,并区分训练加速与排程工时节约是否同一套系统贡献。
若本企业也在建厂级模型,可对照三件事:训练集群是否与生产执行系统共享特征与权限边界;多基地编排的失败域与回滚;以及把「万亿标记」吞吐换算成单位产值时的电力与冷却成本。案例图展示高密度机柜与布线,便于理解其工厂化部署形态,但并不能替代对本厂网络与安全分区的设计。
Foxconn trains FoxBrain on NVIDIA DGX SuperPOD AI factory
1 trillion tokens. In just 12 days.
That's how fast @HonHai_Foxconn trains its FoxBrain models on their AI factory, powered by #NVIDIADGX SuperPOD, NVIDIA-Certified systems, and NVIDIA RTX PRO Servers.
✅ 2.48x faster training on 120B models vs. legacy ✅ 25% fewer production scheduling hours ✅ AI workloads orchestrated across 200+ facilities
See how Foxconn is industrializing intelligence at scale: https://t.co/ujjygSh4sn