Jetson Orin Nano 2: NVIDIA chce dostat pokročilou AI přímo do robotů a dronů

NVIDIA chce s počítačem Jetson Orin Nano 2 posunout pokročilejší umělou inteligenci přímo do robotů, dronů a kamerových systémů. Novinka, oznámená 25. srpna 2026, má nabídnout až 78 bilionů operací za sekundu (TOPS) a podle tvrzení výrobce dvojnásobný výkon při inferenci oproti předchozímu modelu Jetson Orin Nano Super. 356

Nejde přitom jen o vyšší číslo ve specifikacích. NVIDIA sází na to, že kompaktní zařízení zvládne lokálně zpracovávat jazyk, obraz i kontext. Robot tak nemusí každý požadavek posílat do cloudu a čekat na odpověď vzdáleného serveru.

Co Jetson Orin Nano 2 nabízí

Hlavní parametry nového modulu jsou:

• 78 TOPS výpočetního výkonu pro AI,
• 8 GB paměti,
• osmijádrový procesor Arm,
• kompaktní formát shodný s předchůdcem,
• propustnost paměti uváděná na 120 GB/s.

Vyšší výkon má podle dostupných informací vycházet především z vylepšených jednotek Tensor Core a vyšší propustnosti paměti, nikoli z výrazně většího zařízení. 4611 Pro robotiku je to důležitý rozdíl: kromě samotného výpočetního výkonu bývají zásadní také rozměry, chlazení, hmotnost a energetický rozpočet.

Dvojnásobná inference ve stejném rozměru

NVIDIA uvádí, že Jetson Orin Nano 2 poskytuje dvojnásobný výkon při inferenci oproti modelu Jetson Orin Nano Super, přestože si zachovává jeho kompaktní konstrukci. 356 Prakticky to znamená více AI výpočtů v zařízení, které se může vejít i do menšího robota nebo autonomního stroje.

Je však dobré mít na paměti, že jde o tvrzení společnosti NVIDIA, nikoli o výsledek nezávislého benchmarku uvedeného v dodaných podkladech. Skutečný výkon se bude lišit podle použitého modelu, kvantizace, softwarového prostředí, typu úlohy a návrhu chlazení.

Nižší spotřeba může být pro roboty stejně důležitá jako TOPS

Podle NVIDIA dokáže Jetson Orin Nano 2 v režimu 15 W nabídnout srovnatelný výkon jako předchůdce při spotřebě nižší o 40 %. 568 U mobilních robotů a dronů může být právě tato vlastnost rozhodující. Menší odběr znamená nižší nároky na chlazení a potenciálně více energie pro pohon, senzory nebo komunikaci.

Údaj o 40% úspoře je ale třeba chápat jako srovnání při stejné úrovni výkonu. Neznamená to, že každá konkrétní aplikace bude automaticky spotřebovávat o 40 % méně energie. Výsledná spotřeba závisí na zvoleném režimu a pracovním zatížení.

Proč jsou pro roboty důležité LLM a VLM

Velké jazykové modely, známé jako LLM, mohou robotům pomáhat rozumět pokynům v přirozeném jazyce. Vision-language modely (VLM) zase propojují obraz z kamery s jazykem a kontextovým uvažováním.

Pokud tyto úlohy běží přímo na zařízení, robot může lokálně vyhodnotit, co vidí, a rychleji reagovat bez opakovaného odesílání dat do cloudu. To je užitečné tam, kde záleží na odezvě, dostupnosti připojení nebo soukromí — například u doručovacího dronu, inspekčního systému či domácího robota. 46

NVIDIA mluví o „špičkové“ generativní AI pro kompaktní fyzické systémy. Dostupné podklady podporují obecné zaměření na LLM a VLM, neprokazují však, že na zařízení s 8 GB paměti poběží každý nejmodernější model nebo že všechny modely nabídnou stejnou rychlost. Limity budou představovat velikost modelu, nároky na paměť, komprese i složitost konkrétní úlohy.

Podporované modely: Cosmos, Nemotron, Gemma 4 a Qwen 3

Zprávy o uvedení zmiňují mezi modely určenými pro paměťově úspornou inferenci na okraji sítě platformy NVIDIA Cosmos a Nemotron i modely Gemma 4 od Googlu a Qwen 3 od Alibaby. 2021

Samotné označení „podpora“ ovšem neznamená stejný výkon ve všech scénářích. Vývojáři si budou muset ověřit konkrétní verzi modelu, její nároky na paměť, kompatibilitu s runtime prostředím i výslednou odezvu pro daného robota nebo kamerový systém.

Zájem projevují Wing, Matic Robotics i další firmy

Jetson Orin Nano 2 míří na roboty, doručovací a inspekční drony a systémy počítačového vidění. 34 NVIDIA uvedla, že na jejím robotickém softwarovém ekosystému dosud pracovalo více než 3 miliony vývojářů, a mezi firmy, které platformu přijímají nebo zkoumají, zařadila Cognex, Doosan Bobcat a Matic Robotics. 4

Společnost Wing platformu zkoumá pro doručovací drony, u nichž klade důraz na rychlou odezvu a energetickou účinnost. Matic Robotics ji plánuje využít například pro konverzační interakci, rozpoznávání gest, sémantické porozumění domácnostem, přesné mapování a autonomní úklid. 4

NVIDIA zároveň uvedla, že její partneři připravují nosné desky, hardwarové systémy a referenční řešení. Pro vývojáře to může zkrátit cestu od prototypu k nasaditelnému stroji, protože nebudou muset veškerý vlastní hardware navrhovat od začátku. 4

Dostupnost až v první polovině roku 2027

Moduly Jetson Orin Nano 2 a vývojářské kity mají být podle dodaných zpráv dostupné v první polovině roku 2027. 1521 Přesnější datum uvedení ani cena v dostupných podkladech uvedeny nejsou.

Novinka má být vstupním produktem širší rodiny Jetson Orin. Ta podle NVIDIA zahrnuje sedm modulů se společnou architekturou a škáluje až na 275 TOPS pro multimodální AI inferenci. 23

Jak zapadá do širší strategie NVIDIA

Jetson počítače představují část širšího přístupu NVIDIA k robotice: inference probíhá přímo na nasazeném stroji, zatímco výkonnější systémy a software mohou podporovat vývoj, simulaci a trénování.

Konkrétní oznámení Jetson Orin Nano 2 však v dodaných zdrojích výslovně nepotvrzuje formální propojení do „třípočítačové“ architektury s DGX, Omniverse a Cosmos. Tato koncepce proto slouží jako strategický kontext, nikoli jako ověřená vlastnost nového produktu.

Co to znamená pro vývojáře

Největší příslib Jetsonu Orin Nano 2 spočívá v kombinaci vyššího výkonu pro inferenci, nižší spotřeby při srovnatelném výkonu a stejného kompaktního formátu. To je přesně kombinace, kterou potřebují vývojáři strojů s omezeným prostorem, baterií a tepelným rozpočtem.

Při praktickém hodnocení ale nebude rozhodovat pouze údaj 78 TOPS. Klíčové otázky znějí: Které modely splní požadovanou odezvu? Kolik paměti zbude po načtení zbytku robotického systému? A jak se zařízení chová při dlouhodobé zátěži a omezeném chlazení?

Oznámení NVIDIA ukazuje ambiciózní směr pro kompaktní fyzickou AI. O tom, zda se skutečně promění v rychlejší a úspornější roboty, rozhodnou až testy konkrétních aplikací.