NVIDIA Jetson Orin Nano 2 gir 78 TOPS for KI på kanten

NVIDIA har annonsert Jetson Orin Nano 2, en ny innstegsplattform for KI på kanten og robotikk. Datamaskinen er utviklet for roboter, leverings- og inspeksjonsdroner og visjonssystemer som må tolke omgivelsene og reagere i sanntid direkte på enheten. 1

De viktigste tallene er 78 billioner operasjoner per sekund (TOPS) for KI-beregninger, 8 GB minne og en Arm-prosessor med åtte kjerner. NVIDIA hevder at Jetson Orin Nano 2 leverer dobbelt så høy inferensytelse som Jetson Orin Nano Super, samtidig som den beholder det samme kompakte formatet. I 15-wattsmodus skal den kunne levere forgjengerens ytelse med 40 prosent lavere strømforbruk. 17

En liten datamaskin for fysiske systemer

Jetson Orin Nano 2 er ikke først og fremst laget for datasentre. Målgruppen er fysiske produkter med begrenset plass, strøm og kostnadsramme – for eksempel autonome roboter, droner og innebygde kamerasystemer. 1

Når KI-beregningene skjer lokalt, slipper systemet å sende alle bilder, lyd- og sensordata til en skytjeneste. Det kan gi kortere responstid og gjøre løsningen mindre avhengig av nettforbindelse. For batteridrevne maskiner kan det også være avgjørende å få mer ytelse ut av et begrenset energibudsjett. NVIDIA presenterer derfor Orin Nano 2 som en måte å flytte mer generativ og fysisk KI inn i mindre maskiner. 17

Spesifikasjoner og ytelse

Den annonserte maskinvaren omfatter:

• 78 TOPS KI-beregninger
• 8 GB minne
• Arm-prosessor med åtte kjerner
• Samme kompakte formfaktor som Jetson Orin Nano Super
• Dobbelt så høy oppgitt inferensytelse som Jetson Orin Nano Super
• 40 prosent lavere strømforbruk ved tilsvarende ytelse i 15-wattsmodus 17

NVIDIA forklarer ytelsesøkningen med oppdaterte Tensor Cores og høyere minnebåndbredde. Dette er selskapets egen sammenligning. Faktiske resultater vil avhenge av hvilken modell som brukes, tallpresisjon, programvarestakk og arbeidsbelastning. 7

For utviklere er fordelen at de får mer kapasitet til lokal KI uten å gå opp til en større modul. Samtidig kan energifølsomme produkter sikte mot samme ytelsesnivå med lavere strømforbruk. Det er særlig relevant for mobile roboter, droner og kompakt inspeksjonsutstyr.

Hvilke modeller støttes?

NVIDIA sier at Jetson Orin Nano 2 fungerer med selskapets åpne programvarestakk og Jetson-agentferdigheter for minneeffektiv inferens på kanten. Modelløkosystemet som er omtalt, inkluderer NVIDIA Cosmos og Nemotron samt åpne modeller som Gemma 4 og Qwen 3. 7

Det interessante er ikke bare antallet modeller, men at mindre språk- og synspråkmodeller kan kjøres nær selve maskinen. De kan hjelpe en robot med å tolke informasjon fra flere sanser, forstå kontekst og velge handlinger.

NVIDIA hevder også at nyere, små og mellomstore «frontier»-modeller kan nærme seg nøyaktigheten til langt større modeller fra året før. Det kan gjøre lokal resonnering mer praktisk i maskiner med begrensede ressurser. Denne påstanden er imidlertid NVIDIAs egen innramming og er ikke dokumentert gjennom en uavhengig referanseverdi i materialet som foreligger. 7

Hvorfor dette er viktig for robotikk

Tradisjonelle KI-systemer på kanten er ofte laget for avgrensede oppgaver, som å kjenne igjen en bestemt gjenstand eller oppdage en feil. Generative og multimodale modeller kan utvide rollen ved å kombinere språk, bilder og informasjon om omgivelsene.

For en robot kan det bety å koble visuell forståelse med en muntlig instruksjon. En drone kan tolke endrede forhold raskere, mens en hjemmerobot kan knytte sammen samtale, kartlegging og navigasjon. Gevinsten NVIDIA fremhever, er lokal resonnering i sanntid: Maskinen kan behandle en scene eller en interaksjon der handlingen faktisk skjer, i stedet for å være avhengig av en ekstern forespørsel for hvert trinn. 17

Det betyr likevel ikke at modelloptimalisering blir overflødig. Med 8 GB minne og en posisjonering i innstegssegmentet vil utviklere fortsatt måtte velge modeller med omhu og ta i bruk teknikker som kvantisering og effektiv distribusjon.

Tidlige brukere og bruksområder

NVIDIA oppgir at mer enn 3 millioner utviklere har bygget på selskapets robotikkstakk. Cognex, Doosan Bobcat, Matic og Wing er nevnt som tidlige brukere eller selskaper som evaluerer plattformen. 17

De tydeligste bruksområdene i det tilgjengelige materialet gjelder to av selskapene:

• Wing undersøker modulen for leveringsdroner, med vekt på bedre responstid og energieffektivitet.
• Matic Robotics planlegger å bruke den i hjemmeroboter for samtalebasert KI, gestgjenkjenning, presis kartlegging, semantisk forståelse av hjem og autonom rengjøring. 7

Cognex og Doosan Bobcat er også omtalt i forbindelse med tidlig bruk eller evaluering. Materialet bekrefter derimot ikke en spesifikk, offentliggjort Cognex-distribusjon, og det oppgir heller ikke hvilket produkt eller hvilken konkret løsning fra Doosan Bobcat som skal bruke modulen. 17

Dette er fortsatt uklart

Annonseringen bekrefter Jetson Orin Nano 2 som en kompakt innstegsplattform for KI på kanten, i tillegg til NVIDIAs oppgitte tall for ytelse, strømforbruk og modellstøtte. Den plasserer også produktet i selskapets bredere økosystem for robotikk.

Det tilgjengelige materialet bekrefter ikke en forventet tilgjengelighet i første halvdel av 2027. Det dokumenterer heller ikke en formell «tre-datamaskiners»-arkitektur fra 25. august som kobler sammen Omniverse, Cosmos og DGX, eller detaljer om en nylig oppdatert Orin NX. Cosmos-støtte på selve enheten er omtalt, men den bredere arbeidsdelingen mellom disse produktene bør ikke presenteres som en annonsert arkitektur uten sterkere dokumentasjon. 7

Konklusjonen

Jetson Orin Nano 2 er NVIDIAs forsøk på å få mer avansert KI-inferens inn i små og strømgjerrige robotsystemer. Tallene – 78 TOPS, 8 GB minne og en Arm-prosessor med åtte kjerner – er interessante i seg selv, men den viktigste kombinasjonen er den oppgitte dobling av inferensytelsen, uendret kompakt format og lavere strømforbruk ved tilsvarende ytelse. 17

For utviklere kan dette gjøre det enklere å kjøre stadig mer kapable språk- og synspråkmodeller direkte i roboter, droner og visjonssystemer. Samtidig må NVIDIAs ytelsessammenligninger og påstander om frontier-modeller vurderes mot konkrete modeller og arbeidsbelastninger når mer informasjon om maskinvare, programvare og tilgjengelighet foreligger.