Jetson Orin Nano 2 fordobler AI-ydelsen i robotter – med 40 procent lavere strømforbrug

NVIDIA vil gøre Jetson Orin Nano 2 til en ny indgang til såkaldt fysisk AI: en kompakt robotcomputer, der kan give robotter, droner og kamera- eller visionssystemer mere avanceret AI lokalt. Pointen er, at maskinerne i højere grad kan forstå sprog, billeder og omgivelser uden at sende hver forespørgsel frem og tilbage til en cloudtjeneste.

Jetson Orin Nano 2 blev annonceret 25. august 2026. NVIDIA oplyser, at systemet leverer 78 billioner operationer i sekundet (TOPS) og op til dobbelt så høj inferensydelse som den tidligere Jetson Orin Nano Super. 356

De vigtigste specifikationer

Jetson Orin Nano 2 har ifølge de tilgængelige oplysninger:

• 78 TOPS AI-beregningskraft
• 8 GB hukommelse
• En ottekernet Arm-processor
• Samme kompakte format som forgængeren
• En oplyst hukommelsesbåndbredde på 120 GB/s

Ydelsesløftet tilskrives forbedrede Tensor Cores og større hukommelsesbåndbredde frem for en fysisk større computer. 4611 Det er væsentligt i robotteknologi, hvor plads, varmeudvikling og strømforbrug ofte er lige så afgørende som den rå beregningskraft.

Dobbelt inferensydelse i samme størrelse

NVIDIA hævder, at Jetson Orin Nano 2 leverer dobbelt så høj inferensydelse som Jetson Orin Nano Super, samtidig med at det kompakte format bevares. 356 For udviklere betyder det i praksis mulighed for at udføre mere AI-arbejde på en computer, der stadig kan indbygges i mindre robotter og autonome maskiner.

Sammenligningen er dog en ydelsespåstand fra NVIDIA og ikke et uafhængigt benchmark i det foreliggende materiale. Den faktiske hastighed vil afhænge af blandt andet model, kvantisering, softwarestack, arbejdsbelastning og køling.

Lavere strømforbrug er en central del af historien

NVIDIA siger, at Jetson Orin Nano 2 kan levere samme ydelsesniveau som forgængeren med 40 procent lavere strømforbrug i 15-watt-tilstand. 568 For mobile robotter og droner kan det være mindst lige så vigtigt som TOPS-tallet. Lavere forbrug kan mindske varmeudviklingen og frigive batterikapacitet til bevægelse, sensorer og kommunikation.

Tallet bør læses som en sammenligning ved tilsvarende ydelse – ikke som en garanti for, at alle arbejdsbelastninger bruger 40 procent mindre energi. Forbruget vil variere efter driftstilstand og anvendelse.

Derfor er LLM’er og VLM’er interessante i robotter

Store sprogmodeller, ofte kaldet LLM’er, kan hjælpe en maskine med at forstå instruktioner i naturligt sprog. Vision-language-modeller, VLM’er, kobler kameraindtryk sammen med sprog og kontekstuel forståelse.

Når disse opgaver køres lokalt på robotten, kan den fortolke det, den ser, og reagere uden nødvendigvis at vente på et svar fra en fjern server. 46 Det kan være nyttigt, når lav forsinkelse, ustabil internetforbindelse eller hensyn til driftsdata spiller en rolle.

En leveringsdrone, en inspektionsrobot eller en husholdningsrobot skal måske reagere, mens den bevæger sig gennem et miljø. I sådanne situationer er en lokal beslutning ofte mere praktisk end at vente på en cloudforbindelse.

NVIDIA beskriver mulighederne som generativ AI i den såkaldte frontlinje på kompakte fysiske systemer. Det tilgængelige materiale understøtter den bredere placering af LLM’er og VLM’er, men dokumenterer ikke, at enhver avanceret model kan køre på en enhed med 8 GB hukommelse eller levere samme ydelse. Modelstørrelse, hukommelseskrav, komprimering og opgavens kompleksitet vil fortsat sætte grænser.

Cosmos, Nemotron, Gemma 4 og Qwen 3 nævnes

Rapporteringen om lanceringen peger på NVIDIA’s egne Cosmos- og Nemotron-modeller samt Googles Gemma 4 og Alibabas Qwen 3 som blandt de LLM- og VLM-muligheder, der understøttes til hukommelseseffektiv inferens på kanten af netværket. 2021

At en model er understøttet, betyder ikke nødvendigvis, at alle modeller yder ens i alle situationer. Udviklere skal stadig teste konkrete modelversioner, hukommelsesforbrug, kompatibilitet med runtime-miljøet og svartider i den robot eller det visionssystem, de bygger.

Robotter, droner og et større udviklerøkosystem

Jetson Orin Nano 2 er målrettet robotter, leverings- og inspektionsdroner samt systemer til AI-baseret syn. 34 NVIDIA siger, at mere end tre millioner udviklere har bygget videre på virksomhedens robotteknologiske platform, og nævner Cognex, Doosan Bobcat og Matic Robotics blandt virksomheder, der tager platformen i brug eller undersøger den. 4

Wing undersøger computeren til leveringsdroner med fokus på hurtigere reaktioner og bedre energieffektivitet. Matic Robotics planlægger at bruge den til blandt andet samtalebaseret interaktion, gestusgenkendelse, semantisk forståelse af boliger, præcisionskortlægning og autonom rengøring. 4

NVIDIA oplyser desuden, at økosystempartnere arbejder på carrier boards, komplette hardwaresystemer og referenceløsninger. Sådanne komponenter kan forkorte vejen fra AI-prototype til færdig maskine, fordi udviklerne ikke behøver konstruere hele hardwareplatformen fra bunden. 4

Hvornår kommer Jetson Orin Nano 2?

De tilgængelige oplysninger peger på, at Jetson Orin Nano 2-moduler og udviklersæt bliver tilgængelige i første halvdel af 2027. 1521 Der er ikke oplyst en mere præcis lanceringsdato eller en pris i det foreliggende materiale.

Computeren placeres som indgangsmodellen i NVIDIA’s bredere Jetson Orin-familie. NVIDIA beskriver familien som syv moduler med samme arkitektur og op til 275 TOPS til multimodal AI-inferens. 23

Hvordan passer den ind i NVIDIA’s robotstrategi?

Jetson Orin Nano 2 illustrerer den arbejdsdeling, NVIDIA forsøger at etablere i sin robotplatform: Kompakte Jetson-computere udfører inferens ude i den færdige maskine, mens større systemer og software kan understøtte udvikling, simulering og træning.

En bredere NVIDIA-strategi omtales ofte som en model med tre typer computere: DGX-systemer til træning, Omniverse og Cosmos til simulering, syntetiske data og verdensmodeller samt Jetson-computere til realtidsinferens i selve robotten. Det tilgængelige materiale dokumenterer dog ikke en specifik, formel integration mellem Jetson Orin Nano 2 og en sådan tre-computer-stack med DGX, Omniverse og Cosmos. Sammenhængen bør derfor ses som strategisk kontekst – ikke som en bekræftet funktion ved netop denne produktannoncering.

Hvad betyder det for udviklere?

Jetson Orin Nano 2’s stærkeste argument er kombinationen af mere inferenskapacitet, lavere strømforbrug ved tilsvarende ydelse og samme kompakte format. Det er rettet mod udviklere, der skal få lokal AI til at fungere under stramme krav til batteritid, varme, plads og reaktionstid.

De vigtigste spørgsmål skal dog besvares i konkrete tests: Hvilke modeller rammer den ønskede svartid? Hvor meget hukommelse er tilbage, når resten af robotsoftwaren er indlæst? Og hvordan klarer systemet sig under vedvarende varme- og batteribegrænsninger?

NVIDIA har dermed lagt en ambitiøs hardware- og softwarekurs frem. Før virksomheder kan omsætte overskriftstallene til et produktionsklart system, kræver det stadig test på den enkelte robot, drone eller visionsløsning.