NVIDIAs teknologiske triumf ved COMPUTEX 2026: Edge AI, supercomputer og selvkørende biler

Hvorfor fire priser:
Vera Rubin NVL72 talte for to priser, mens Jetson Thor og Alpamayo hver tilføjede én, hvilket gav NVIDIA fire priser i alt på tværs af AI-fabrikker, robotteknologi og autonom kørsel.

Jetson Thor edge AI-modul / platform:
Jetson Thor er bygget på NVIDIA Blackwell til edge AI og robotteknologi og understøtter realtids multi-sensor inferens og lav-latency-arbejdsbelastninger ved kanten.
NVIDIA oplyser, at Jetson AGX Thor-udviklersættet leverer op til 2.070 FP4 TFLOPS med 128 GB hukommelse inden for en strømramme på 130 W. Sammenlignet med Jetson AGX Orin giver det op til 7,5 gange mere AI-kraft og 3,5 gange bedre energieffektivitet.
I praksis betyder det mere kapable robotter og “fysisk AI” på selve enheden, fordi robotterne kan køre større generative og logiske modeller lokalt i stedet for at være afhængige af skyen.

Hvordan Jetson Thor forbedrer robotteknologi:
Værdien er ikke kun rå hastighed; det er kombinationen af højere regnekraft, strammere strøm-/termisk styring og lokal realtidsræsonnering til industrielle systemer, humanoider og andre robotter, der har brug for hurtige beslutninger fra kamera- og sensorstrømme.

Vera Rubin NVL72 rack-skala AI-supercomputer:
Vera Rubin NVL72 er et rack-skala-system, der kombinerer 36 Vera CPU'er og 72 Rubin GPU'er forbundet med sjette generations NVLink, så GPU'erne kan fungere som ét stort AI-system til træning af trillion-parametermodeller, efter-træning, inferens og arbejdsbelastninger med lange kontekster. NVIDIA oplyser, at systemet kan træne AI med en fjerdedel af GPU'erne sammenlignet med Blackwell-klasses systemer og levere AI-inferens til en tiendedel af omkostningen per million tokens, med op til 10 gange højere inferens-gennemstrømning og op til 10 gange bedre inferens-ydelse per watt ifølge citater fra platformens materiale.

Hvordan Vera Rubin forbedrer AI-beregning og fremtidig infrastruktur:
Det vigtigste infrastrukturfremskridt er, at AI-ydelse bevæger sig fra et chip-kapløb til et rack- og fabrik-skala systemkapløb, hvor compute, interconnect, køling og netværk er konstrueret sammen.
NVIDIA positionerer Vera Rubin som infrastruktur til agentisk AI og ræsonneringsarbejdsbelastninger, især modeller med trillioner af parametre og kontekstvinduer på millioner af tokens, hvilket er vigtigt for fremtidige AI-fabrikker og store inferenstjenester.

Alpamayo platform for autonom kørsel:
Alpamayo er en åben platform til udvikling af autonome køretøjer og blev anerkendt i kategorien smart køretøjs cockpit ved COMPUTEX.
Tilgængelig rapportering siger, at Alpamayo er designet som en visuel-sprog-handling (VLA) kørselsmodel med ræsonneringskapacitet, der genererer kørselsbaner sammen med ræsonneringsspor for at gøre beslutninger mere forklarlige i vanskelige trafiksituationer.

Hvordan Alpamayo forbedrer selvkørende systemer:
Den rapporterede fordel er et skift fra systemer, der kun opfatter, til modeller, der kan ræsonnere over, hvad de ser, og hvorfor de vælger en bestemt manøvre, hvilket kan hjælpe med grænsetilfælde og gennemsigtighed.
Rapportering siger også, at Alpamayo-træning kombinerer reelle køredata med simulations-/syntetiske data, hvilket er vigtigt, fordi selvkørende systemer har brug for bredere dækning, end vejtest alene kan give.

Bedste overordnede fortolkning:
Jetson Thor forbedrer edge AI og robotteknologi med meget højere lokal regnekraft og bedre effektivitet.
Vera Rubin NVL72 forbedrer centraliseret AI-infrastruktur med rack-skala ydelse, lavere token-omkostninger og bedre ydelse per watt til store ræsonneringsmodeller. Alpamayo forbedrer ved at tilføje ræsonneringsorienterede modeller trænet på bredere køredata, herunder virkelige input.

Bemærkning om dokumentation:
Priserne og de tekniske påstande om Jetson og Vera Rubin er godt understøttet af NVIDIA og dækning af begivenheden. Detaljerne om Alpamayo er mindre direkte dokumenteret i de tilgængelige officielle uddrag, jeg fandt, så beskrivelsen af dets ræsonnerings- og blandede data-træning hviler mere på sekundær rapportering end på et klart fremlagt primært teknisk dokument.