Jetson Orin Nano 2 leverer 78 TOPS til lokal AI i robotter og droner

NVIDIA annoncerede den 25. august 2026 Jetson Orin Nano 2, en ny entry-level-computer til edge-AI og robotteknologi. Modulet er udviklet til robotter, leverings- og inspektionsdroner samt visionssystemer, der skal kunne fortolke deres omgivelser og reagere i realtid direkte på enheden. 1

De vigtigste tal er 78 billioner AI-operationer i sekundet, angivet som 78 TOPS, 8 GB hukommelse og en ottekernet Arm-CPU. NVIDIA hævder, at Jetson Orin Nano 2 leverer dobbelt så høj inferensydelse som Jetson Orin Nano Super, samtidig med at det bevarer den samme kompakte formfaktor. I 15-watt-tilstand er modulet designet til at levere forgængerens ydelse med 40 procent lavere strømforbrug. 17

Et lille AI-modul til fysiske maskiner

Jetson Orin Nano 2 er ikke tænkt som en datacenterplatform. Fokus er i stedet på fysiske maskiner med begrænset plads, strøm og budget – eksempelvis autonome robotter, droner og indlejrede kamera- og visionssystemer. Her skal AI ikke blot genkende objekter, men også kunne hjælpe med sprogforståelse, billedfortolkning og valg af handling. 1

Det er især vigtigt for batteridrevne enheder. En robot eller drone kan ikke altid regne med en stabil forbindelse til skyen, og hver forespørgsel til en fjern server kan give ekstra forsinkelse. Ved at køre inferensen lokalt placeres modellen tættere på sensorer og aktuatorer, så systemet kan reagere inden for enhedens begrænsninger for netværk, strøm og beregningskraft. Det er NVIDIAs argument for, at mere avanceret generativ og fysisk AI nu kan flyttes ud i mindre maskiner. 17

Specifikationer og ydelse

Det annoncerede hardware omfatter:

• 78 TOPS AI-beregningskraft
• 8 GB hukommelse
• En ottekernet Arm-CPU
• Samme kompakte formfaktor som Jetson Orin Nano Super
• Dobbelt så høj hævdet inferensydelse som Jetson Orin Nano Super
• 40 procent lavere strømforbrug ved samme ydelse i 15-watt-tilstand 17

NVIDIA forklarer ydelsesforbedringen med opdaterede Tensor Cores og større hukommelsesbåndbredde. Sammenligningen er dog en virksomhedens egen ydelsespåstand. Den faktiske forskel vil afhænge af blandt andet model, præcision, softwarestak og arbejdsbelastning. 7

For udviklere er gevinsten derfor først og fremmest mere spillerum til lokal AI uden at gå op i et større modul. Omvendt kan strømfølsomme produkter sigte efter en tilsvarende ydelse med et lavere energiforbrug. Det kan være relevant i mobile robotter, droner og kompakt inspektionsudstyr.

Hvilke modeller kan køre på platformen?

NVIDIA oplyser, at Jetson Orin Nano 2 fungerer sammen med virksomhedens åbne softwarestak og Jetson Agent Skills til hukommelseseffektiv edge-inferens. Den annoncerede modelunderstøttelse omfatter NVIDIA Cosmos og Nemotron samt åbne modeller som Gemma 4 og Qwen 3. 7

Pointen er ikke kun antallet af modeller. Mindre sprogmodeller og vision-language-modeller kan køre tættere på den fysiske maskine og hjælpe en robot med at fortolke multimodale input, forstå kontekst og vælge en handling.

NVIDIA fremhæver samtidig, at nye små og mellemstore frontier-modeller kan nærme sig nøjagtigheden fra langt større modeller fra året før. Det skal gøre lokal ræsonnering mere realistisk i maskiner med begrænsede ressourcer. Denne del er dog NVIDIAs egen fremstilling og er ikke dokumenteret som en uafhængig benchmark i det foreliggende materiale. 7

Hvorfor frontier-modeller er interessante i robotter

Klassiske edge-AI-systemer løser ofte afgrænsede opgaver, for eksempel at identificere en genstand eller finde en fejl i et produkt. Generative og multimodale modeller kan udvide rollen ved at kombinere sprog, billeder og forståelse af omgivelserne.

For en robot kan det betyde, at den kobler et visuelt indtryk sammen med en talt instruktion. For en drone kan det give en mere fleksibel fortolkning af skiftende forhold. For en hjemmerobot kan samtale, kortlægning og navigation forbindes i samme system.

Den fordel, NVIDIA lægger vægt på, er lokal beslutningstagning i realtid: Enheden kan analysere en scene eller en interaktion dér, hvor handlingen foregår, i stedet for at sende hvert enkelt trin til en ekstern inferenstjeneste. 17

Jetson Orin Nano 2 fjerner dog ikke behovet for optimering. Med 8 GB hukommelse og en entry-level-positionering bliver valg af model, kvantisering og effektiv implementering stadig afgørende for udviklere, der vil bygge løsninger til produktion.

De første anvendelser

NVIDIA siger, at mere end 3 millioner udviklere har bygget på virksomhedens robotteknologiske softwarestak. Cognex, Doosan Bobcat, Matic og Wing er nævnt som tidlige brugere eller virksomheder, der evaluerer platformen. 17

De mest konkrete eksempler i det tilgængelige materiale er:

• Wing undersøger modulet til leveringsdroner med fokus på bedre reaktionsevne og energieffektivitet.
• Matic Robotics vil bruge det i hjemmerobotter til samtalebaseret AI, gestusgenkendelse, præcis kortlægning, semantisk forståelse af hjemmet og autonom rengøring. 7

Cognex og Doosan Bobcat er også nævnt i forbindelse med tidlig adoption eller evaluering. Materialet dokumenterer imidlertid ikke en konkret annonceret Cognex-implementering, og det fremgår heller ikke, hvilket bestemt Doosan Bobcat-produkt eller hvilken installation der skal bruge modulet. 17

Hvad er endnu ikke bekræftet?

Annonceringen fastslår Jetson Orin Nano 2's placering som en kompakt edge-AI-platform til begynderniveau samt NVIDIAs egne påstande om ydelse, strømforbrug og modelunderstøttelse. Den placerer også modulet i virksomhedens bredere robotteknologiske økosystem.

Det foreliggende materiale bekræfter ikke en forventet lancering i første halvdel af 2027. Det dokumenterer heller ikke, at annonceringen den 25. august indeholdt en specifik "tre-computer-arkitektur", der forbinder Omniverse, Cosmos og DGX, eller verificerede oplysninger om en nylig opdatering af Orin NX. Cosmos-understøttelse på enheden er understøttet af materialet, men den bredere arbejdsdeling mellem produkterne bør ikke fremstilles som en officielt annonceret arkitektur uden stærkere dokumentation. 7

Konklusion

Jetson Orin Nano 2 er NVIDIAs forsøg på at få mere avanceret AI-inferens ind i små og energieffektive robotter, droner og visionssystemer. De 78 TOPS, 8 GB hukommelse og den ottekernede Arm-CPU er interessante, men den centrale kombination er NVIDIAs hævdede fordobling af inferensydelsen, uændrede kompakte format og lavere strømforbrug ved tilsvarende ydelse. 17

For udviklere er den største mulighed at køre stadig mere kapable sprog- og vision-language-modeller direkte i maskinen. Forbeholdet er, at NVIDIAs sammenligninger og påstande om frontier-modeller skal testes mod konkrete modeller og arbejdsbelastninger, når flere detaljer om hardware, software og tilgængelighed foreligger.