Keberhasilan ini mencerminkan strategi NVIDIA yang menjangkau seluruh ekosistem AI: mulai dari robot edge AI, infrastruktur pusat data skala besar, hingga kendaraan otonom.

Jetson Thor: Edge AI Superkuat untuk Robot

Jetson Thor adalah modul komputasi edge AI terbaru NVIDIA yang dirancang untuk robot dan sistem otomatis. Platform ini menggunakan arsitektur GPU Blackwell dan mendukung pemrosesan sensor serta inferensi AI secara real‑time langsung di perangkat.

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:

• hingga 7,5× lebih banyak komputasi AI
• sekitar 3,5× lebih efisien energi

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.

Dampaknya bagi robotika

Bagi industri robotika, peningkatan ini berarti robot dapat:

• memproses data kamera dan sensor secara real‑time
• menjalankan model AI yang lebih besar secara lokal
• membuat keputusan lebih cepat di lingkungan dunia nyata

Kemampuan tersebut sangat penting untuk aplikasi seperti robot industri, robot humanoid, sistem otomatis di pabrik, hingga perangkat medis pintar.

Vera Rubin NVL72: Superkomputer AI Skala Rak

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:

• 36 CPU NVIDIA Vera
• 72 GPU NVIDIA Rubin
• koneksi NVLink generasi ke‑6 yang membuat semua GPU bekerja seperti satu sistem komputasi besar.

Arsitektur ini dirancang untuk menangani pekerjaan AI yang sangat berat, seperti:

• pelatihan model dengan triliunan parameter
• post‑training dan fine‑tuning
• inferensi model AI skala besar
• pemrosesan konteks sangat panjang.

Efisiensi dan performa yang jauh lebih tinggi

Menurut NVIDIA, platform Rubin membawa peningkatan besar dibanding arsitektur Blackwell sebelumnya:

• pelatihan model dapat dilakukan dengan hanya seperempat jumlah GPU
• hingga 10× performa inferensi per watt
• biaya per token hingga 10× lebih rendah

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.

Pergeseran menuju "AI factory"

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.

Alpamayo: AI yang Bisa Menalar Saat Mengemudi

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:

• memecah situasi lalu lintas kompleks menjadi beberapa langkah
• menentukan manuver yang paling aman
• menjelaskan alasan di balik keputusan tersebut.

Mengatasi “edge cases” pada mobil otonom

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:

• rekaman mengemudi dunia nyata
• data sintetis dari simulasi
• dataset besar yang dianotasi secara detail.

Pendekatan ini membantu memperluas cakupan skenario yang dapat dipelajari oleh sistem otonom.

Gambaran Besar: Strategi AI NVIDIA

Jika dilihat bersama, tiga teknologi ini menunjukkan arah strategi NVIDIA di era AI:

• Jetson Thor memperkuat komputasi AI di perangkat dan robot.
• Vera Rubin NVL72 membangun infrastruktur pusat data untuk model AI raksasa.
• Alpamayo membawa kemampuan penalaran AI ke kendaraan otonom.

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.

Keberhasilan ini mencerminkan strategi NVIDIA yang menjangkau seluruh ekosistem AI: mulai dari robot edge AI, infrastruktur pusat data skala besar, hingga kendaraan otonom.

Jetson Thor: Edge AI Superkuat untuk Robot

Jetson Thor adalah modul komputasi edge AI terbaru NVIDIA yang dirancang untuk robot dan sistem otomatis. Platform ini menggunakan arsitektur GPU Blackwell dan mendukung pemrosesan sensor serta inferensi AI secara real‑time langsung di perangkat.

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:

• hingga 7,5× lebih banyak komputasi AI
• sekitar 3,5× lebih efisien energi

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.

Dampaknya bagi robotika

Bagi industri robotika, peningkatan ini berarti robot dapat:

• memproses data kamera dan sensor secara real‑time
• menjalankan model AI yang lebih besar secara lokal
• membuat keputusan lebih cepat di lingkungan dunia nyata

Kemampuan tersebut sangat penting untuk aplikasi seperti robot industri, robot humanoid, sistem otomatis di pabrik, hingga perangkat medis pintar.

Vera Rubin NVL72: Superkomputer AI Skala Rak

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:

• 36 CPU NVIDIA Vera
• 72 GPU NVIDIA Rubin
• koneksi NVLink generasi ke‑6 yang membuat semua GPU bekerja seperti satu sistem komputasi besar.

Arsitektur ini dirancang untuk menangani pekerjaan AI yang sangat berat, seperti:

• pelatihan model dengan triliunan parameter
• post‑training dan fine‑tuning
• inferensi model AI skala besar
• pemrosesan konteks sangat panjang.

Efisiensi dan performa yang jauh lebih tinggi

Menurut NVIDIA, platform Rubin membawa peningkatan besar dibanding arsitektur Blackwell sebelumnya:

• pelatihan model dapat dilakukan dengan hanya seperempat jumlah GPU
• hingga 10× performa inferensi per watt
• biaya per token hingga 10× lebih rendah

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.

Pergeseran menuju "AI factory"

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.

Alpamayo: AI yang Bisa Menalar Saat Mengemudi

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:

• memecah situasi lalu lintas kompleks menjadi beberapa langkah
• menentukan manuver yang paling aman
• menjelaskan alasan di balik keputusan tersebut.

Mengatasi “edge cases” pada mobil otonom

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:

• rekaman mengemudi dunia nyata
• data sintetis dari simulasi
• dataset besar yang dianotasi secara detail.

Pendekatan ini membantu memperluas cakupan skenario yang dapat dipelajari oleh sistem otonom.

Gambaran Besar: Strategi AI NVIDIA

Jika dilihat bersama, tiga teknologi ini menunjukkan arah strategi NVIDIA di era AI:

• Jetson Thor memperkuat komputasi AI di perangkat dan robot.
• Vera Rubin NVL72 membangun infrastruktur pusat data untuk model AI raksasa.
• Alpamayo membawa kemampuan penalaran AI ke kendaraan otonom.

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.