Kit pengembang Jetson AGX Thor mampu mencapai hingga 2.070 FP4 TFLOPS performa AI dengan 128 GB memori dalam konsumsi daya sekitar 130 watt.
Dibandingkan generasi sebelumnya, Jetson AGX Orin, peningkatannya cukup besar:
Kombinasi performa tinggi dan efisiensi ini memungkinkan robot menjalankan model AI generatif, model visi‑bahasa, atau model penalaran langsung di perangkat tanpa terlalu bergantung pada cloud.
Bagi industri robotika, peningkatan ini berarti robot dapat:
Kemampuan tersebut sangat penting untuk aplikasi seperti robot industri, robot humanoid, sistem otomatis di pabrik, hingga perangkat medis pintar.
Jika Jetson Thor berfokus pada edge AI, Vera Rubin NVL72 adalah kebalikannya: sistem AI superkomputer skala rak yang dirancang untuk pusat data dan "AI factory".
Satu rak NVL72 menggabungkan:
Arsitektur ini dirancang untuk menangani pekerjaan AI yang sangat berat, seperti:
Menurut NVIDIA, platform Rubin membawa peningkatan besar dibanding arsitektur Blackwell sebelumnya:
Artinya, operator pusat data dapat menjalankan model AI besar dengan biaya energi dan infrastruktur yang jauh lebih rendah.
Selain itu, desain rak NVL72 menggunakan arsitektur modular tanpa kabel dan pendingin cair penuh, yang membantu mempercepat instalasi dan meningkatkan efisiensi operasional pusat data.
Salah satu pesan penting dari sistem ini adalah perubahan dalam kompetisi AI. Jika sebelumnya fokus pada chip tunggal, kini persaingan bergeser ke sistem skala rak dan pusat data yang menggabungkan komputasi, jaringan, penyimpanan, dan pendinginan sebagai satu platform terpadu.
Teknologi ketiga yang mendapat penghargaan adalah Alpamayo, platform terbuka NVIDIA untuk pengembangan kendaraan otonom.
Berbeda dengan sistem self‑driving tradisional yang hanya mendeteksi objek dan merencanakan jalur, Alpamayo menggunakan model vision‑language‑action (VLA) dengan kemampuan penalaran.
Model ini tidak hanya melihat kondisi jalan, tetapi juga dapat:
Dalam pengembangan mobil tanpa pengemudi, kasus langka atau edge cases — misalnya perilaku tak terduga dari pejalan kaki atau kendaraan lain — sering menjadi tantangan terbesar.
Dengan pendekatan berbasis penalaran, Alpamayo mencoba membuat sistem mengemudi AI lebih transparan dan mudah dianalisis oleh insinyur.
Pelatihannya juga menggabungkan berbagai sumber data, termasuk:
Pendekatan ini membantu memperluas cakupan skenario yang dapat dipelajari oleh sistem otonom.
Jika dilihat bersama, tiga teknologi ini menunjukkan arah strategi NVIDIA di era AI:
Dengan cakupan dari edge device hingga AI factory, NVIDIA mencoba menguasai seluruh rantai komputasi AI — mulai dari mesin fisik yang menjalankan AI hingga pusat data yang melatih modelnya.
Comments
0 comments