NVIDIAは2026年8月25日、エッジAIとロボティクス向けの新しいエントリークラスのコンピューター「Jetson Orin Nano 2」を発表した。ロボット、配送・点検ドローン、周囲の状況を理解してリアルタイムに反応するビジョンAIシステムなどを主な用途に想定している。1

最大のアピールポイントは、AI演算性能78 TOPS（1秒あたり78兆回の演算）、8GBメモリ、8コアArm CPUという構成だ。NVIDIAによれば、従来のJetson Orin Nano Superと同じ小型フォームファクターを維持しながら、推論性能は2倍になった。さらに15Wモードでは、従来モデルと同等の性能を40％少ない電力で実現するとしている。17

クラウドではなく、機器の中でAIを動かす

Jetson Orin Nano 2が狙うのは、データセンター向けの大規模計算ではなく、コストや電力に制約のある「現場の機械」だ。自律ロボット、配送・点検ドローン、組み込み型のビジョンシステムなど、認識、言語や画像の理解、そして動作までを機器の近くで処理する用途が中心になる。1

バッテリーで動くドローンやロボットは、常に安定したクラウド接続を利用できるとは限らない。推論を機器内で実行すれば、センサーやアクチュエーターの近くで処理でき、通信状況や遅延、電力予算に応じた応答を設計しやすくなる。NVIDIAはOrin Nano 2を、小型機器にもより高性能な生成AIやフィジカルAIを組み込むための選択肢として位置づけている。17

主な仕様と性能向上

発表された主な仕様・性能は次の通りだ。

• AI演算性能：78 TOPS
• メモリ：8GB
• CPU：8コアArm CPU
• フォームファクター：Jetson Orin Nano Superと同じコンパクトサイズ
• 推論性能：Jetson Orin Nano Super比で2倍とNVIDIAが説明
• 15Wモード：同等性能時の消費電力を40％削減 17

NVIDIAは性能向上の理由として、Tensor Coreの改良とメモリ帯域幅の拡大を挙げている。ただし、2倍という数値は同社による比較結果だ。実際の性能は、使用するAIモデル、精度設定、ソフトウェアスタック、処理内容によって変わる。7

開発者にとっては、より大きなモジュールへ移行せずにローカルAIの処理余力を増やせる点がメリットになる。反対に、同じ性能をより低い消費電力で動かしたい設計にも利用できる。小型ロボットやドローン、限られたスペースに設置する検査機器では、この組み合わせが重要になる。

対応モデルはCosmos、Nemotron、Gemma 4、Qwen 3

NVIDIAによると、Jetson Orin Nano 2は同社のオープンソフトウェアスタックと、Jetson向けのエージェントスキルを通じて、メモリ効率を重視したエッジ推論に対応する。対応モデルとして、NVIDIAのCosmosやNemotronに加え、オープンモデルのGemma 4、Qwen 3が挙げられている。7

重要なのは、単に対応モデルの数が増えることではない。小型の言語モデルや視覚言語モデルを機器の近くで動かせれば、ロボットが画像、言葉、周囲の状況を組み合わせて理解し、次の行動を選ぶ処理をローカルで実行しやすくなる。

NVIDIAは、比較的小型・中型の新世代フロンティアモデルが、前年のより大規模なモデルに近い精度へ到達していると主張している。これが実現すれば、計算資源や電力が限られるロボットでも、現場での推論が現実的になるという。ただし、この点は今回提供された資料に基づくNVIDIA側の説明であり、独立したベンチマークで確認された事実として扱うことはできない。7

ロボットにおける「フロンティアモデル」の意味

従来のエッジAIは、物体検出や異常検知など、あらかじめ定義された狭いタスクを得意としてきた。生成AIやマルチモーダルモデルを組み合わせれば、言葉、画像、環境の文脈を横断して理解する役割まで広げられる可能性がある。

たとえばロボットなら、カメラ映像と音声による指示を組み合わせた判断が考えられる。ドローンでは、変化する周囲の状況をより素早く読み取る処理に使える。家庭用ロボットでは、会話、地図作成、家の意味理解、ナビゲーションを結びつけられる。NVIDIAが強調するのは、こうした処理を毎回クラウドへ送るのではなく、実際に行動が起きる場所でリアルタイムに実行できる点だ。17

もっとも、Orin Nano 2を導入すればモデル最適化が不要になるわけではない。8GBメモリという容量とエントリー向けの位置づけを考えると、モデルの選定、量子化、メモリ管理、実運用向けのデプロイ設計は依然として重要だ。

開発者と企業の採用状況

NVIDIAは、同社のロボティクススタック上で開発する開発者が300万人を超えると説明している。また、初期採用・評価企業としてCognex、Doosan Bobcat、Matic Robotics、Wingを挙げた。17

今回の資料で具体的な用途が確認できるのは、主に次の2社だ。

• Wing：配送ドローンにOrin Nano 2を活用し、応答性とエネルギー効率の向上を検討している。
• Matic Robotics：家庭用掃除ロボットで、会話型AI、ジェスチャー検出、精密なマッピング、住宅の意味理解、自律清掃に利用する計画だ。7

CognexとDoosan Bobcatも初期導入・評価企業として名前が挙がっている。ただし、提供された情報だけでは、Cognexについて具体的な導入製品や正式な展開内容までは確認できない。Doosan Bobcatについても、どの製品や運用にOrin Nano 2を使うのかは明らかになっていない。17

今回の発表で確認できること、できないこと

今回の発表から確認できるのは、Jetson Orin Nano 2が小型・エントリー向けのエッジAIプラットフォームとして位置づけられていること、そして78 TOPS、推論性能2倍、15W時の電力削減、対応モデルに関するNVIDIAの説明だ。また、NVIDIAのロボティクス向けソフトウェア・ハードウェアエコシステムの一部であることも示されている。

一方、2027年前半に提供開始されるという見通しは、提供された根拠からは確認できない。さらに、2026年8月25日の発表が、Omniverse、Cosmos、DGXを結ぶ具体的な「3コンピューター」アーキテクチャーを正式に説明したことも裏付けられていない。Orin Nano 2がCosmosをサポートする点は資料で示されているが、これらの製品の役割分担を今回発表の正式な構成として語るには、追加の根拠が必要だ。7

まとめ：小型ロボットに、より大きな推論余力を

Jetson Orin Nano 2は、より高度なAI推論を小型で電力制約の厳しいロボットや自律機器へ持ち込もうとするNVIDIAの取り組みだ。78 TOPS、8GBメモリ、8コアArm CPUという数字だけでなく、同じサイズのまま推論性能を2倍とし、同等性能時には消費電力を抑えるという組み合わせが製品のポイントになる。17

開発者にとっての可能性は、言語モデルや視覚言語モデルをロボット、ドローン、ビジョンシステムの内部で動かせる範囲が広がることだ。もっとも、NVIDIAが示した比較値やフロンティアモデルに関する主張は、最終的には具体的なモデルとワークロードで検証する必要がある。詳細なハードウェア、ソフトウェア、提供時期が明らかになるまで、実運用での実力は見極めが必要だ。

NVIDIAは2026年8月25日、エッジAIとロボティクス向けの新しいエントリークラスのコンピューター「Jetson Orin Nano 2」を発表した。ロボット、配送・点検ドローン、周囲の状況を理解してリアルタイムに反応するビジョンAIシステムなどを主な用途に想定している。1

最大のアピールポイントは、AI演算性能78 TOPS（1秒あたり78兆回の演算）、8GBメモリ、8コアArm CPUという構成だ。NVIDIAによれば、従来のJetson Orin Nano Superと同じ小型フォームファクターを維持しながら、推論性能は2倍になった。さらに15Wモードでは、従来モデルと同等の性能を40％少ない電力で実現するとしている。17

クラウドではなく、機器の中でAIを動かす

Jetson Orin Nano 2が狙うのは、データセンター向けの大規模計算ではなく、コストや電力に制約のある「現場の機械」だ。自律ロボット、配送・点検ドローン、組み込み型のビジョンシステムなど、認識、言語や画像の理解、そして動作までを機器の近くで処理する用途が中心になる。1

バッテリーで動くドローンやロボットは、常に安定したクラウド接続を利用できるとは限らない。推論を機器内で実行すれば、センサーやアクチュエーターの近くで処理でき、通信状況や遅延、電力予算に応じた応答を設計しやすくなる。NVIDIAはOrin Nano 2を、小型機器にもより高性能な生成AIやフィジカルAIを組み込むための選択肢として位置づけている。17

主な仕様と性能向上

発表された主な仕様・性能は次の通りだ。

• AI演算性能：78 TOPS
• メモリ：8GB
• CPU：8コアArm CPU
• フォームファクター：Jetson Orin Nano Superと同じコンパクトサイズ
• 推論性能：Jetson Orin Nano Super比で2倍とNVIDIAが説明
• 15Wモード：同等性能時の消費電力を40％削減 17

NVIDIAは性能向上の理由として、Tensor Coreの改良とメモリ帯域幅の拡大を挙げている。ただし、2倍という数値は同社による比較結果だ。実際の性能は、使用するAIモデル、精度設定、ソフトウェアスタック、処理内容によって変わる。7

開発者にとっては、より大きなモジュールへ移行せずにローカルAIの処理余力を増やせる点がメリットになる。反対に、同じ性能をより低い消費電力で動かしたい設計にも利用できる。小型ロボットやドローン、限られたスペースに設置する検査機器では、この組み合わせが重要になる。

対応モデルはCosmos、Nemotron、Gemma 4、Qwen 3

NVIDIAによると、Jetson Orin Nano 2は同社のオープンソフトウェアスタックと、Jetson向けのエージェントスキルを通じて、メモリ効率を重視したエッジ推論に対応する。対応モデルとして、NVIDIAのCosmosやNemotronに加え、オープンモデルのGemma 4、Qwen 3が挙げられている。7

重要なのは、単に対応モデルの数が増えることではない。小型の言語モデルや視覚言語モデルを機器の近くで動かせれば、ロボットが画像、言葉、周囲の状況を組み合わせて理解し、次の行動を選ぶ処理をローカルで実行しやすくなる。

NVIDIAは、比較的小型・中型の新世代フロンティアモデルが、前年のより大規模なモデルに近い精度へ到達していると主張している。これが実現すれば、計算資源や電力が限られるロボットでも、現場での推論が現実的になるという。ただし、この点は今回提供された資料に基づくNVIDIA側の説明であり、独立したベンチマークで確認された事実として扱うことはできない。7

ロボットにおける「フロンティアモデル」の意味

従来のエッジAIは、物体検出や異常検知など、あらかじめ定義された狭いタスクを得意としてきた。生成AIやマルチモーダルモデルを組み合わせれば、言葉、画像、環境の文脈を横断して理解する役割まで広げられる可能性がある。

たとえばロボットなら、カメラ映像と音声による指示を組み合わせた判断が考えられる。ドローンでは、変化する周囲の状況をより素早く読み取る処理に使える。家庭用ロボットでは、会話、地図作成、家の意味理解、ナビゲーションを結びつけられる。NVIDIAが強調するのは、こうした処理を毎回クラウドへ送るのではなく、実際に行動が起きる場所でリアルタイムに実行できる点だ。17

もっとも、Orin Nano 2を導入すればモデル最適化が不要になるわけではない。8GBメモリという容量とエントリー向けの位置づけを考えると、モデルの選定、量子化、メモリ管理、実運用向けのデプロイ設計は依然として重要だ。

開発者と企業の採用状況

NVIDIAは、同社のロボティクススタック上で開発する開発者が300万人を超えると説明している。また、初期採用・評価企業としてCognex、Doosan Bobcat、Matic Robotics、Wingを挙げた。17

今回の資料で具体的な用途が確認できるのは、主に次の2社だ。

• Wing：配送ドローンにOrin Nano 2を活用し、応答性とエネルギー効率の向上を検討している。
• Matic Robotics：家庭用掃除ロボットで、会話型AI、ジェスチャー検出、精密なマッピング、住宅の意味理解、自律清掃に利用する計画だ。7

CognexとDoosan Bobcatも初期導入・評価企業として名前が挙がっている。ただし、提供された情報だけでは、Cognexについて具体的な導入製品や正式な展開内容までは確認できない。Doosan Bobcatについても、どの製品や運用にOrin Nano 2を使うのかは明らかになっていない。17

今回の発表で確認できること、できないこと

今回の発表から確認できるのは、Jetson Orin Nano 2が小型・エントリー向けのエッジAIプラットフォームとして位置づけられていること、そして78 TOPS、推論性能2倍、15W時の電力削減、対応モデルに関するNVIDIAの説明だ。また、NVIDIAのロボティクス向けソフトウェア・ハードウェアエコシステムの一部であることも示されている。

一方、2027年前半に提供開始されるという見通しは、提供された根拠からは確認できない。さらに、2026年8月25日の発表が、Omniverse、Cosmos、DGXを結ぶ具体的な「3コンピューター」アーキテクチャーを正式に説明したことも裏付けられていない。Orin Nano 2がCosmosをサポートする点は資料で示されているが、これらの製品の役割分担を今回発表の正式な構成として語るには、追加の根拠が必要だ。7

まとめ：小型ロボットに、より大きな推論余力を

Jetson Orin Nano 2は、より高度なAI推論を小型で電力制約の厳しいロボットや自律機器へ持ち込もうとするNVIDIAの取り組みだ。78 TOPS、8GBメモリ、8コアArm CPUという数字だけでなく、同じサイズのまま推論性能を2倍とし、同等性能時には消費電力を抑えるという組み合わせが製品のポイントになる。17

開発者にとっての可能性は、言語モデルや視覚言語モデルをロボット、ドローン、ビジョンシステムの内部で動かせる範囲が広がることだ。もっとも、NVIDIAが示した比較値やフロンティアモデルに関する主張は、最終的には具体的なモデルとワークロードで検証する必要がある。詳細なハードウェア、ソフトウェア、提供時期が明らかになるまで、実運用での実力は見極めが必要だ。