Jetson Orin Nano 2 : deux fois plus d’IA pour les robots, avec 40 % de consommation en moins

NVIDIA veut faire de l’IA générative un véritable composant embarqué des machines. Annoncé le 25 août 2026, le Jetson Orin Nano 2 est présenté comme un nouvel ordinateur de robotique d’entrée de gamme capable de fournir jusqu’à 78 TOPS — soit 78 000 milliards d’opérations par seconde — pour l’inférence IA. Selon NVIDIA, il double les performances d’inférence du Jetson Orin Nano Super tout en conservant son format compact. 356

L’enjeu dépasse la simple fiche technique : en exécutant davantage de modèles localement, un robot ou un drone peut analyser son environnement et réagir sans envoyer systématiquement ses données vers un serveur distant.

Un gain de performances sans agrandir la machine

Le Jetson Orin Nano 2 embarque :

• 78 TOPS de calcul IA ;
• 8 Go de mémoire ;
• un processeur Arm à huit cœurs ;
• une bande passante mémoire annoncée de 120 Go/s ;
• le même format compact que la génération précédente.

NVIDIA attribue le gain de performances à l’amélioration des Tensor Cores et à l’augmentation de la bande passante mémoire, plutôt qu’à une machine physiquement plus imposante. 4611 Pour les concepteurs de robots, cette approche est importante : l’espace disponible, la dissipation thermique et la capacité de la batterie sont souvent aussi déterminants que la puissance brute.

NVIDIA affirme que le Jetson Orin Nano 2 offre deux fois les performances d’inférence du Jetson Orin Nano Super dans le même encombrement. 356 Il s’agit toutefois d’une comparaison annoncée par le fabricant, et non d’un résultat de test indépendant fourni dans les sources disponibles. Les performances réelles dépendront du modèle utilisé, de sa quantification, de la pile logicielle, de la charge de travail et du refroidissement.

40 % de consommation en moins en mode 15 W

L’efficacité énergétique constitue l’autre argument central du produit. NVIDIA indique que le Jetson Orin Nano 2 peut fournir des performances comparables à celles de son prédécesseur en consommant 40 % d’énergie en moins en mode 15 W. 568

Pour un drone ou un robot mobile, ce gain peut compter autant que le nombre de TOPS. Une consommation réduite peut limiter les besoins de refroidissement et laisser davantage d’autonomie à la locomotion, aux capteurs ou aux communications.

Il faut néanmoins comprendre cette donnée comme une comparaison à performances équivalentes, et non comme la promesse que chaque application consommera automatiquement 40 % d’énergie en moins. La consommation variera selon le mode choisi et le fonctionnement concret du système.

Des modèles de langage directement à bord des robots

Les grands modèles de langage (LLM) peuvent aider une machine à comprendre des instructions formulées en langage naturel. Les modèles vision-langage (VLM) associent quant à eux les images, le texte et le contexte pour interpréter une scène.

En exécutant ces modèles en périphérie, un robot peut par exemple relier ce qu’il voit à une commande vocale, identifier une situation et agir localement, sans attendre l’aller-retour d’une requête vers le cloud. Cette architecture peut être particulièrement utile lorsque la latence, la connectivité ou la confidentialité des données sont importantes. Un drone d’inspection ou un robot domestique doit parfois prendre une décision pendant son déplacement, même lorsque la connexion est instable.

NVIDIA parle de performances d’IA générative de niveau « frontier » sur des systèmes physiques compacts. Les sources étayent cette orientation générale vers les LLM et les VLM, mais elles ne permettent pas d’affirmer que tous les modèles les plus avancés fonctionneront sur les 8 Go de mémoire, ni qu’ils offriront des performances équivalentes. La taille du modèle, la compression, la mémoire disponible et la complexité de la tâche resteront des contraintes déterminantes.

Cosmos, Nemotron, Gemma 4 et Qwen 3 cités comme modèles compatibles

Les informations disponibles mentionnent les modèles Cosmos et Nemotron de NVIDIA, ainsi que Gemma 4 de Google et Qwen 3 d’Alibaba, parmi les options destinées à l’inférence en périphérie avec une gestion efficace de la mémoire. 2021

Cette liste illustre la direction logicielle de la plateforme. Le terme « compatible » ne garantit toutefois pas des performances identiques selon les modèles et les usages. Les développeurs devront vérifier la version du modèle, son empreinte mémoire, sa compatibilité avec l’environnement d’exécution et sa latence sur le robot visé.

Wing, Matic Robotics et l’écosystème Jetson

Le Jetson Orin Nano 2 vise notamment les robots, les drones de livraison et d’inspection et les systèmes de vision par IA. 34 NVIDIA affirme que plus de 3 millions de développeurs ont déjà utilisé sa pile logicielle dédiée à la robotique et cite Cognex, Doosan Bobcat et Matic Robotics parmi les entreprises qui adoptent ou étudient la plateforme. 4

Wing explore le module pour ses drones de livraison, avec un intérêt particulier pour la réactivité et l’efficacité énergétique. Matic Robotics prévoit de l’utiliser pour des fonctions telles que l’interaction conversationnelle, la détection des gestes, la compréhension sémantique des logements, la cartographie de précision et le nettoyage autonome. 4

NVIDIA indique également que des partenaires travaillent sur des cartes porteuses, des systèmes matériels et des solutions de référence. Ces composants peuvent réduire le travail de conception nécessaire pour transformer un prototype d’IA en machine déployable. 4

Disponibilité annoncée au premier semestre 2027

Les modules Jetson Orin Nano 2 et les kits de développement sont attendus au premier semestre 2027. 1521 Les informations fournies ne précisent ni la date exacte de commercialisation ni le prix.

Le produit devient le point d’entrée de la famille Jetson Orin. Selon NVIDIA, cette gamme compte sept modules partageant une architecture commune et peut atteindre jusqu’à 275 TOPS pour l’inférence IA multimodale. 23

Une pièce de la stratégie robotique de NVIDIA

Le Jetson Orin Nano 2 s’inscrit dans une logique de répartition des tâches : les ordinateurs Jetson exécutent l’inférence sur la machine déployée, tandis que des systèmes plus puissants et des logiciels spécialisés peuvent intervenir dans le développement, la simulation et l’entraînement.

Cette organisation est souvent décrite comme une stratégie à trois niveaux, associant les systèmes DGX pour l’entraînement, Omniverse et Cosmos pour la simulation, les données synthétiques ou les modèles du monde, et Jetson pour l’inférence en temps réel sur le robot. Toutefois, les éléments disponibles ne confirment pas une intégration formelle du Jetson Orin Nano 2 dans une architecture précise réunissant DGX, Omniverse et Cosmos. Ce lien doit donc être considéré comme un contexte stratégique, et non comme une fonctionnalité explicitement annoncée pour ce produit.

Ce que cela change pour les développeurs

La proposition la plus convaincante du Jetson Orin Nano 2 tient à la combinaison de performances d’inférence accrues, d’une consommation réduite à performances comparables et d’un encombrement inchangé. C’est précisément le type de compromis recherché dans les machines où la batterie, la chaleur, l’espace et le temps de réponse sont tous limités.

Les tests décisifs resteront cependant très concrets : quels modèles atteignent la latence visée, quelle quantité de mémoire reste disponible après le chargement de l’ensemble de la pile robotique, et comment le système se comporte-t-il sur la durée avec les contraintes thermiques et énergétiques d’un appareil mobile ? L’annonce de NVIDIA fixe une ambition matérielle et logicielle élevée ; les équipes devront encore valider ces chiffres dans leurs propres conditions d’utilisation.