Jetson Thor: Edge-AI til robotter og fysisk AI

Jetson Thor er NVIDIAs næste generation af edge-AI og er designet til at drive intelligente maskiner som robotter, industrielle systemer og autonome enheder.

Platformen er bygget på NVIDIA Blackwell GPU-arkitekturen og leverer op til 2.070 FP4 TFLOPS AI-beregning med 128 GB hukommelse, alt sammen inden for en effektramme på omkring 130 watt. Sammenlignet med den tidligere Jetson AGX Orin-platform giver den op til 7,5 gange mere AI-beregning og omkring 3,5 gange bedre energieffektivitet.

Dette præstationsspring muliggør en ny klasse af applikationer, ofte kaldet "fysisk AI". I stedet for at være afhængig af cloud-servere, kan robotter køre avancerede modeller direkte på enheden, herunder visionssprogs- og ræsonneringsmodeller, der fortolker sensordata i realtid.

Vigtige forbedringer inkluderer:

• Højtydende edge-inferens til generative og ræsonnerende modeller
• Realtidsbehandling af multi-sensor input som kameraer og lidar
• Energieffektiv drift, der er velegnet til mobile robotter og industrielle systemer

For robotudviklere betyder det, at maskiner kan udføre mere kompleks perception, planlægning og interaktion lokalt – hvilket reducerer latenstid og afhængighed af eksterne computerressourcer.

Vera Rubin NVL72: Rack-skala infrastruktur til AI-fabrikker

Mens Jetson Thor fokuserer på kanten, sigter Vera Rubin NVL72 mod den modsatte ende af spektret: stor-skala AI-infrastruktur.

Systemet er designet som en rack-skala AI-supercomputer, der integrerer 36 NVIDIA Vera CPU'er og 72 Rubin GPU'er forbundet via sjette generation af NVLink, så GPU'erne fungerer som én samlet accelerator.

Denne arkitektur er optimeret til den næste generation af AI-arbejdsbelastninger, herunder trillion-parameter modeller, efter-træning, stor-skala inferens og lang-kontekst ræsonneringsopgaver.

NVIDIA rapporterer flere store effektivitetsforbedringer sammenlignet med den tidligere Blackwell-platform:

• Op til 10 gange højere inferensydelse per watt
• Op til 10 gange lavere pris per token under inferens
• Træning af store modeller med cirka en fjerdedel af antallet af GPU'er

Disse gevinster kommer fra dyb systemniveau-integration. Platformen kombinerer flere specialiserede chips – inklusive Rubin GPU, Vera CPU, NVLink 6 switch, ConnectX-9 SuperNIC, BlueField-4 DPU og Spectrum-netværk – i én arkitektur designet til at fungere som ét AI-system.

En anden grund til, at systemet modtog prisen for bæredygtig teknologi, er dets infrastrukturdesign. Modulære bakker og væskekølesystemer forbedrer implementeringseffektiviteten og data-centrets energipræstation.

I praksis afspejler Vera Rubin NVL72 et skift i AI-kapløbet: ydeevne handler ikke længere kun om individuelle GPU'er, men om hele racks – eller endda AI-fabrikker – konstrueret som samlede computersystemer.

Alpamayo: Ræsonneringsbaseret AI til selvkørende biler

Den tredje prisvindende teknologi, Alpamayo, adresserer et af de sværeste problemer inden for AI: sikker og pålidelig autonom kørsel.

Alpamayo er en åben udviklingsplatform og en familie af modeller til autonome køretøjer, designet til at gå videre end traditionelle perceptionsfokuserede køresystemer. I stedet for kun at registrere objekter bruger modellerne visionssprog-handling (VLA) ræsonnement til at fortolke trafiksituationer og beslutte, hvordan de skal reagere.

For eksempel kan Alpamayo 1-modellen behandle videoinput og generere:

• køretrajektorier (styring, bremsning, acceleration)
• ræsonnementspor, der forklarer de beslutninger, der træffes

Denne tilgang har til formål at gøre selvkørende systemer mere gennemsigtige og lettere at analysere, hvilket er afgørende for test af sikkerhed i sjældne eller komplekse kørescenarier.

En anden vigtig funktion er træningspipelinjen. Alpamayo-modeller trænes ved hjælp af en kombination af:

• virkelige køredemonstrationer
• store syntetiske datasæt genereret gennem simulering
• omhyggeligt annoterede køreeksempler

At kombinere virkelige og simulerede data hjælper med at udsætte modeller for langt flere grænsetilfælde, end vejtest alene kunne give.

En fuld-stak strategi for AI-æraen

Sammenlagt repræsenterer de tre prisvindende teknologier NVIDIAs bredere strategi for AI-æraen.

• Jetson Thor bringer kraftfuld AI-ræsonnement direkte til robotter og edge-enheder.
• Vera Rubin NVL72 leverer den massive infrastruktur, der er nødvendig for at træne og køre trillion-parameter modeller i stor skala.
• Alpamayo anvender ræsonneringsbaseret AI til autonome køretøjer ved hjælp af datapipelines, der kombinerer virkelige og syntetiske miljøer.

Kombinationen antyder en fremtid, hvor AI-systemer opererer på tværs af flere lag: træning i massive AI-fabrikker, implementering i datacentre og realtidsbeslutningstagning på edge-enheder og autonome maskiner.

Denne fuld-stak tilgang – der spænder over chips, racks og intelligente agenter – er en stor grund til, at NVIDIA fremstod som en af de mest fremtrædende vindere ved COMPUTEX 2026.

Jetson Thor: Edge-AI til robotter og fysisk AI

Jetson Thor er NVIDIAs næste generation af edge-AI og er designet til at drive intelligente maskiner som robotter, industrielle systemer og autonome enheder.

Platformen er bygget på NVIDIA Blackwell GPU-arkitekturen og leverer op til 2.070 FP4 TFLOPS AI-beregning med 128 GB hukommelse, alt sammen inden for en effektramme på omkring 130 watt. Sammenlignet med den tidligere Jetson AGX Orin-platform giver den op til 7,5 gange mere AI-beregning og omkring 3,5 gange bedre energieffektivitet.

Dette præstationsspring muliggør en ny klasse af applikationer, ofte kaldet "fysisk AI". I stedet for at være afhængig af cloud-servere, kan robotter køre avancerede modeller direkte på enheden, herunder visionssprogs- og ræsonneringsmodeller, der fortolker sensordata i realtid.

Vigtige forbedringer inkluderer:

• Højtydende edge-inferens til generative og ræsonnerende modeller
• Realtidsbehandling af multi-sensor input som kameraer og lidar
• Energieffektiv drift, der er velegnet til mobile robotter og industrielle systemer

For robotudviklere betyder det, at maskiner kan udføre mere kompleks perception, planlægning og interaktion lokalt – hvilket reducerer latenstid og afhængighed af eksterne computerressourcer.

Vera Rubin NVL72: Rack-skala infrastruktur til AI-fabrikker

Mens Jetson Thor fokuserer på kanten, sigter Vera Rubin NVL72 mod den modsatte ende af spektret: stor-skala AI-infrastruktur.

Systemet er designet som en rack-skala AI-supercomputer, der integrerer 36 NVIDIA Vera CPU'er og 72 Rubin GPU'er forbundet via sjette generation af NVLink, så GPU'erne fungerer som én samlet accelerator.

Denne arkitektur er optimeret til den næste generation af AI-arbejdsbelastninger, herunder trillion-parameter modeller, efter-træning, stor-skala inferens og lang-kontekst ræsonneringsopgaver.

NVIDIA rapporterer flere store effektivitetsforbedringer sammenlignet med den tidligere Blackwell-platform:

• Op til 10 gange højere inferensydelse per watt
• Op til 10 gange lavere pris per token under inferens
• Træning af store modeller med cirka en fjerdedel af antallet af GPU'er

Disse gevinster kommer fra dyb systemniveau-integration. Platformen kombinerer flere specialiserede chips – inklusive Rubin GPU, Vera CPU, NVLink 6 switch, ConnectX-9 SuperNIC, BlueField-4 DPU og Spectrum-netværk – i én arkitektur designet til at fungere som ét AI-system.

En anden grund til, at systemet modtog prisen for bæredygtig teknologi, er dets infrastrukturdesign. Modulære bakker og væskekølesystemer forbedrer implementeringseffektiviteten og data-centrets energipræstation.

I praksis afspejler Vera Rubin NVL72 et skift i AI-kapløbet: ydeevne handler ikke længere kun om individuelle GPU'er, men om hele racks – eller endda AI-fabrikker – konstrueret som samlede computersystemer.

Alpamayo: Ræsonneringsbaseret AI til selvkørende biler

Den tredje prisvindende teknologi, Alpamayo, adresserer et af de sværeste problemer inden for AI: sikker og pålidelig autonom kørsel.

Alpamayo er en åben udviklingsplatform og en familie af modeller til autonome køretøjer, designet til at gå videre end traditionelle perceptionsfokuserede køresystemer. I stedet for kun at registrere objekter bruger modellerne visionssprog-handling (VLA) ræsonnement til at fortolke trafiksituationer og beslutte, hvordan de skal reagere.

For eksempel kan Alpamayo 1-modellen behandle videoinput og generere:

• køretrajektorier (styring, bremsning, acceleration)
• ræsonnementspor, der forklarer de beslutninger, der træffes

Denne tilgang har til formål at gøre selvkørende systemer mere gennemsigtige og lettere at analysere, hvilket er afgørende for test af sikkerhed i sjældne eller komplekse kørescenarier.

En anden vigtig funktion er træningspipelinjen. Alpamayo-modeller trænes ved hjælp af en kombination af:

• virkelige køredemonstrationer
• store syntetiske datasæt genereret gennem simulering
• omhyggeligt annoterede køreeksempler

At kombinere virkelige og simulerede data hjælper med at udsætte modeller for langt flere grænsetilfælde, end vejtest alene kunne give.

En fuld-stak strategi for AI-æraen

Sammenlagt repræsenterer de tre prisvindende teknologier NVIDIAs bredere strategi for AI-æraen.

• Jetson Thor bringer kraftfuld AI-ræsonnement direkte til robotter og edge-enheder.
• Vera Rubin NVL72 leverer den massive infrastruktur, der er nødvendig for at træne og køre trillion-parameter modeller i stor skala.
• Alpamayo anvender ræsonneringsbaseret AI til autonome køretøjer ved hjælp af datapipelines, der kombinerer virkelige og syntetiske miljøer.

Kombinationen antyder en fremtid, hvor AI-systemer opererer på tværs af flere lag: træning i massive AI-fabrikker, implementering i datacentre og realtidsbeslutningstagning på edge-enheder og autonome maskiner.

Denne fuld-stak tilgang – der spænder over chips, racks og intelligente agenter – er en stor grund til, at NVIDIA fremstod som en af de mest fremtrædende vindere ved COMPUTEX 2026.