NVIDIA Jetson Orin Nano 2 Gandakan Performa AI Robot, Konsumsi Daya Turun 40%

NVIDIA memperkenalkan Jetson Orin Nano 2 sebagai pintu masuk baru menuju physical AI—kecerdasan buatan yang bekerja langsung pada mesin fisik seperti robot, drone, dan perangkat visi. Komputer robotika berukuran ringkas ini menawarkan 78 triliun operasi per detik (TOPS) dan diklaim memiliki performa inferensi dua kali lipat dibandingkan Jetson Orin Nano Super generasi sebelumnya. 356

Bagi pengembang, peningkatan ini bukan sekadar angka di lembar spesifikasi. NVIDIA ingin membawa model AI yang lebih mampu untuk memahami bahasa, gambar, dan konteks ke perangkat yang bekerja di lapangan, sehingga robot tidak selalu harus mengirim data ke server cloud dan menunggu respons dari jarak jauh.

Spesifikasi utama Jetson Orin Nano 2

Perangkat ini menawarkan:

• Komputasi AI hingga 78 TOPS
• Memori 8 GB
• CPU Arm 8 inti
• Bentuk fisik ringkas yang sama dengan pendahulunya
• Bandwidth memori yang dilaporkan mencapai 120 GB/detik

NVIDIA mengaitkan peningkatan performanya dengan Tensor Core yang diperbarui dan bandwidth memori yang lebih besar, bukan dengan penggunaan komputer berukuran lebih besar. 4611 Hal ini penting dalam robotika karena ruang pemasangan, panas, dan kapasitas baterai sering kali menjadi batasan yang sama krusialnya dengan daya komputasi.

Dua kali lebih cepat dalam ukuran yang sama

NVIDIA menyatakan Jetson Orin Nano 2 mampu memberikan performa inferensi dua kali lipat dari Jetson Orin Nano Super, sambil mempertahankan bentuk fisik yang ringkas. 356 Artinya, pengembang berpotensi menjalankan beban kerja AI yang lebih berat pada robot kecil, drone otonom, dan sistem visi yang memiliki keterbatasan ruang.

Namun, klaim tersebut berasal dari NVIDIA dan bukan hasil pengujian independen dalam bukti yang tersedia. Performa sebenarnya tetap bergantung pada model yang digunakan, teknik kuantisasi, tumpukan perangkat lunak, jenis beban kerja, serta rancangan pendinginan perangkat.

Efisiensi daya menjadi nilai jual penting

Dalam mode 15 watt, NVIDIA mengklaim Jetson Orin Nano 2 dapat mempertahankan tingkat performa yang setara dengan pendahulunya sambil menggunakan daya 40% lebih rendah. 568 Untuk robot bergerak dan drone, efisiensi semacam ini bisa sama pentingnya dengan angka TOPS. Konsumsi daya yang lebih rendah dapat membantu mengurangi panas dan menyisakan kapasitas baterai untuk pergerakan, sensor, atau komunikasi.

Meski demikian, angka 40% tersebut sebaiknya dipahami sebagai perbandingan pada tingkat performa yang sama, bukan jaminan bahwa setiap aplikasi akan menghemat energi sebesar itu. Konsumsi aktual dapat berubah sesuai mode operasi dan karakteristik aplikasi.

Mengapa LLM dan VLM penting bagi robot?

Large language model (LLM) membantu mesin memproses instruksi dalam bahasa manusia. Sementara itu, vision-language model (VLM) menghubungkan input visual dengan bahasa dan pemahaman konteks.

Jika beban kerja ini dijalankan langsung di perangkat—atau secara edge—robot dapat menafsirkan apa yang dilihat dan merespons secara lokal tanpa mengirim setiap permintaan ke layanan cloud. 46 Pendekatan ini berguna ketika waktu respons, koneksi internet, atau privasi operasional menjadi pertimbangan utama.

Drone pengiriman, robot inspeksi, atau robot rumah tangga mungkin perlu bereaksi saat sedang bergerak. Dalam situasi seperti itu, menunggu perjalanan data bolak-balik ke server jarak jauh dapat menambah latensi yang tidak diinginkan.

NVIDIA menggambarkan peluang ini sebagai hadirnya AI generatif “kelas frontier” pada sistem fisik berukuran ringkas. Bukti yang tersedia mendukung positioning umum untuk LLM dan VLM, tetapi belum membuktikan bahwa setiap model frontier dapat berjalan di perangkat dengan memori 8 GB atau akan memberikan performa yang sama. Ukuran model, kebutuhan memori, kompresi, dan kompleksitas beban kerja tetap menjadi batasan penting.

Cosmos, Nemotron, Gemma 4, dan Qwen 3 masuk daftar dukungan

Laporan mengenai pengumuman tersebut menyebut model Cosmos dan Nemotron milik NVIDIA, serta Gemma 4 dari Google dan Qwen 3 dari Alibaba, sebagai pilihan LLM dan VLM yang didukung untuk inferensi edge hemat memori. 2021

Daftar ini menunjukkan arah ekosistem perangkat lunak yang dituju NVIDIA. Namun, istilah “didukung” tidak berarti semua model akan memiliki kinerja atau kompatibilitas yang identik pada setiap skenario. Pengembang tetap perlu menguji versi model, penggunaan memori, kompatibilitas runtime, dan latensi pada robot atau sistem visi yang mereka bangun.

Penggunaan awal dan minat dari industri

Jetson Orin Nano 2 ditujukan untuk robot, drone pengiriman dan inspeksi, serta sistem visi AI. 34 NVIDIA mengatakan lebih dari 3 juta pengembang telah membangun solusi menggunakan tumpukan robotikanya. Perusahaan itu juga menyebut Cognex, Doosan Bobcat, dan Matic Robotics sebagai perusahaan yang mengadopsi atau mengeksplorasi platform tersebut. 4

Wing sedang mengeksplorasi komputer ini untuk drone pengiriman dengan fokus pada respons yang lebih cepat dan efisiensi energi. Matic Robotics berencana memanfaatkannya untuk kemampuan seperti interaksi percakapan, deteksi gestur, pemahaman semantik rumah, pemetaan presisi, serta pembersihan otonom. 4

NVIDIA juga mengatakan para mitra ekosistem sedang mengembangkan carrier board, sistem perangkat keras, dan solusi referensi. Komponen semacam ini dapat membantu tim produk mengurangi kebutuhan rekayasa perangkat keras khusus ketika mengubah purwarupa AI menjadi mesin yang siap digunakan. 4

Kapan Jetson Orin Nano 2 tersedia?

Modul Jetson Orin Nano 2 dan kit pengembangnya diperkirakan tersedia pada paruh pertama 2027. 1521 Bukti yang tersedia belum mencantumkan tanggal pengiriman yang lebih spesifik maupun harga resmi.

Perangkat ini ditempatkan sebagai produk entry-level dalam keluarga Jetson Orin. Menurut NVIDIA, keluarga tersebut mencakup tujuh modul dengan arsitektur yang sama dan dapat mencapai hingga 275 TOPS untuk inferensi AI multimodal. 23

Posisi dalam strategi robotika NVIDIA

Jetson Orin Nano 2 memperkuat pembagian peran dalam platform robotika NVIDIA: komputer Jetson menangani inferensi pada mesin yang sudah dikerahkan, sementara sistem dan perangkat lunak yang lebih besar dapat digunakan untuk pengembangan, simulasi, serta pelatihan.

Konsep yang lebih luas sering kali dikaitkan dengan pendekatan “tiga komputer”: sistem DGX untuk pelatihan AI, Omniverse dan Cosmos untuk simulasi serta alur kerja data sintetis atau model dunia, dan Jetson untuk inferensi real-time pada robot. Namun, bukti pengumuman yang tersedia tidak secara langsung mengonfirmasi integrasi formal Jetson Orin Nano 2 dengan tumpukan spesifik yang terdiri dari DGX, Omniverse, dan Cosmos. Karena itu, hubungan tersebut sebaiknya dipahami sebagai konteks strategi NVIDIA, bukan fitur yang telah dipastikan dalam pengumuman produk ini.

Apa artinya bagi pengembang?

Daya tarik utama Jetson Orin Nano 2 terletak pada gabungan tiga hal: kapasitas inferensi yang lebih besar, konsumsi daya yang lebih rendah pada performa setara, dan bentuk fisik yang tetap ringkas.

Kombinasi tersebut menyasar pengembang yang ingin menghadirkan AI lokal pada mesin dengan keterbatasan baterai, panas, ruang, dan waktu respons. Namun, pengujian di dunia nyata tetap menjadi penentu. Pertanyaan terpenting bukan hanya berapa TOPS yang ditawarkan, melainkan model mana yang mampu memenuhi target latensi, berapa banyak memori yang tersisa setelah seluruh tumpukan robotika dimuat, serta bagaimana perangkat bertahan dalam kondisi panas dan baterai yang berubah-ubah.

Pengumuman NVIDIA menunjukkan arah perangkat keras dan perangkat lunak yang ambisius. Untuk menjadikannya hasil nyata pada robot yang beroperasi di lapangan, setiap tim produk tetap memerlukan pengujian yang disesuaikan dengan aplikasinya.