Lonjakan kinerja ini membuka jalan bagi aplikasi yang sering disebut “physical AI”—AI yang berinteraksi langsung dengan dunia fisik.
Alih‑alih bergantung sepenuhnya pada cloud, robot dapat menjalankan model AI canggih langsung di perangkat, termasuk model vision‑language dan reasoning yang memproses data sensor secara real‑time.
Beberapa kemampuan utama Jetson Thor:
Bagi pengembang robotika, ini berarti robot dapat melakukan persepsi lingkungan, perencanaan tindakan, dan interaksi dengan manusia langsung di perangkat, sehingga latensi lebih rendah dan ketergantungan pada server cloud berkurang.
Jika Jetson Thor berfokus pada komputasi di perangkat, Vera Rubin NVL72 berada di sisi sebaliknya: infrastruktur AI berskala sangat besar.
Sistem ini dirancang sebagai superkomputer AI berbasis rak, yang mengintegrasikan 36 CPU NVIDIA Vera dan 72 GPU Rubin. Semua GPU dihubungkan melalui NVLink generasi ke‑6, sehingga dapat bekerja sebagai satu akselerator raksasa dalam satu sistem.
Arsitektur tersebut dioptimalkan untuk beban kerja AI generasi berikutnya, termasuk:
Dibandingkan platform Blackwell sebelumnya, NVIDIA melaporkan peningkatan efisiensi signifikan:
Keuntungan tersebut berasal dari integrasi sistem yang sangat dalam. Platform ini menggabungkan berbagai chip khusus—termasuk GPU Rubin, CPU Vera, NVLink 6 switch, ConnectX‑9 SuperNIC, BlueField‑4 DPU, dan jaringan Spectrum—dalam satu arsitektur komputasi AI terpadu.
Sistem ini juga memenangkan Sustainable Tech Special Award karena desain infrastrukturnya. Tray modular dan sistem pendingin cair meningkatkan efisiensi pemasangan serta performa energi pusat data.
Singkatnya, Vera Rubin NVL72 menunjukkan pergeseran penting dalam perlombaan AI: kinerja tidak lagi hanya tentang GPU tunggal, tetapi tentang rak server atau bahkan seluruh “AI factory” yang dirancang sebagai satu sistem komputasi terpadu.
Teknologi ketiga yang memenangkan penghargaan adalah Alpamayo, platform pengembangan terbuka untuk kendaraan otonom.
Berbeda dari sistem self‑driving tradisional yang fokus pada deteksi objek, Alpamayo menggunakan pendekatan vision‑language‑action (VLA) berbasis reasoning untuk memahami situasi di jalan dan menentukan respons yang tepat.
Sebagai contoh, model Alpamayo 1 dapat memproses input video lalu menghasilkan:
Pendekatan ini bertujuan membuat sistem kendaraan otonom lebih transparan dan lebih mudah dianalisis, terutama saat menguji skenario jalan yang jarang terjadi atau kompleks.
Pipeline pelatihan Alpamayo juga dirancang untuk memperluas cakupan data dengan menggabungkan:
Kombinasi data nyata dan simulasi memungkinkan model belajar dari lebih banyak edge cases dibanding pengujian jalan saja.
Jika dilihat bersama, tiga teknologi ini mencerminkan strategi full‑stack AI NVIDIA.
Kombinasi ini menggambarkan masa depan komputasi AI yang berjalan di berbagai lapisan sekaligus: pelatihan model di AI factory besar, deployment di pusat data, dan pengambilan keputusan real‑time di perangkat edge dan mesin otonom.
Pendekatan terpadu—mulai dari chip hingga sistem dan aplikasi AI—menjadi alasan utama mengapa NVIDIA muncul sebagai salah satu pemenang paling menonjol di COMPUTEX 2026 Best Choice Awards.
Comments
0 comments