Jetson Orin Nano 2 promete o dobro de desempenho para robôs e drones sem aumentar o tamanho

A NVIDIA anunciou em 25 de agosto de 2026 o Jetson Orin Nano 2, um computador compacto de robótica que a empresa posiciona como uma nova porta de entrada para a chamada IA física. A proposta é equipar robôs, drones e sistemas de visão com mais capacidade de inferência local, reduzindo a dependência de uma conexão constante com a nuvem. O sistema chega a 78 trilhões de operações por segundo (TOPS) e, segundo a NVIDIA, oferece o dobro do desempenho de inferência do Jetson Orin Nano Super. 356

A importância do lançamento não está apenas no número de TOPS. A aposta da empresa é executar modelos capazes de interpretar linguagem, imagens e contexto diretamente no dispositivo, permitindo que máquinas reajam com menos atraso e sem precisar enviar cada solicitação a servidores remotos.

Principais especificações do Jetson Orin Nano 2

O novo computador reúne:

• 78 TOPS de capacidade de processamento de IA;
• 8 GB de memória;
• CPU Arm de oito núcleos;
• Tensor Cores aprimorados;
• Largura de banda de memória de 120 GB/s, segundo relatos sobre o produto; 11
• O mesmo formato compacto da geração anterior.

O ganho de desempenho é atribuído à evolução dos Tensor Cores e ao aumento da largura de banda de memória, e não a um computador fisicamente maior. 4611 Para desenvolvedores de robótica, essa diferença é relevante: espaço interno, dissipação de calor e orçamento de energia podem limitar um projeto tanto quanto a capacidade bruta de processamento.

Mais inferência no mesmo espaço

A NVIDIA afirma que o Jetson Orin Nano 2 entrega duas vezes o desempenho de inferência do Jetson Orin Nano Super, mantendo o formato compacto do antecessor. 356 Em termos práticos, o foco é fazer com que um dispositivo pequeno execute mais tarefas de IA em robôs e máquinas autônomas que não comportam computadores maiores.

É importante observar que essa comparação é uma afirmação de desempenho da própria NVIDIA, e não um benchmark independente presente nas evidências fornecidas. Os resultados reais podem variar conforme o modelo usado, o nível de quantização, a pilha de software, o tipo de carga e o projeto térmico de cada sistema.

Eficiência energética pode ser decisiva

Segundo a NVIDIA, o Jetson Orin Nano 2 consegue oferecer desempenho comparável ao do antecessor consumindo 40% menos energia no modo de 15 W. 568 Em robôs móveis e drones, essa característica pode ser tão importante quanto os 78 TOPS anunciados. Menor consumo reduz a exigência sobre o sistema de refrigeração e pode preservar a bateria para locomoção, sensores e comunicação.

A afirmação, porém, deve ser entendida como uma comparação em um mesmo nível de desempenho. Ela não significa que todo tipo de tarefa consumirá exatamente 40% menos energia. O consumo dependerá do modo selecionado e da aplicação executada.

Por que executar LLMs e VLMs diretamente no robô?

Modelos de linguagem de grande porte, conhecidos pela sigla LLM, ajudam máquinas a interpretar instruções em linguagem natural. Já os modelos de visão e linguagem, ou VLMs, relacionam imagens com texto e contexto para permitir uma compreensão mais ampla do ambiente.

Executar esses modelos na borda — isto é, no próprio equipamento — pode fazer com que um robô interprete o que está vendo e responda localmente, sem depender de uma ida e volta até um serviço de nuvem. 46

Isso é especialmente útil quando latência, conectividade ou privacidade operacional são importantes. Um drone de entrega, um sistema de inspeção ou um robô doméstico pode precisar reagir enquanto se desloca, em vez de aguardar uma resposta remota antes de tomar a próxima decisão.

A NVIDIA descreve essa possibilidade como a chegada de IA generativa de nível “de fronteira” a sistemas físicos compactos. As evidências disponíveis sustentam o posicionamento geral para LLMs e VLMs, mas não comprovam que qualquer modelo de fronteira será executado no dispositivo de 8 GB ou terá o mesmo desempenho. Tamanho do modelo, memória disponível, compressão e complexidade da tarefa continuam sendo limitações importantes.

Modelos citados incluem Cosmos, Nemotron, Gemma 4 e Qwen 3

Relatos sobre o anúncio apontam os modelos Cosmos e Nemotron, da NVIDIA, além do Gemma 4, do Google, e do Qwen 3, da Alibaba, entre as opções compatíveis com inferência eficiente em dispositivos de borda. 2021

Essa relação indica a direção do ecossistema de software, mas “compatível” não significa desempenho idêntico em todos os modelos ou aplicações. Antes de adotar a plataforma, os desenvolvedores ainda precisarão verificar a versão do modelo, o uso de memória, a compatibilidade com o ambiente de execução e a latência exigida pelo robô ou sistema de visão.

Casos de uso e interesse do ecossistema

O Jetson Orin Nano 2 é voltado a robôs, drones de entrega e inspeção e sistemas de visão computacional com IA. 34 A NVIDIA afirma que mais de 3 milhões de desenvolvedores já construíram projetos sobre sua plataforma de robótica e cita Cognex, Doosan Bobcat e Matic Robotics entre as empresas que adotaram ou estão explorando a tecnologia. 4

A Wing avalia o computador para drones de entrega, com foco em maior capacidade de resposta e eficiência energética. A Matic Robotics planeja usá-lo em recursos como interação por conversa, detecção de gestos, compreensão semântica de residências, mapeamento de precisão e limpeza autônoma. 4

A NVIDIA também diz que parceiros do ecossistema estão desenvolvendo placas-mãe, sistemas de hardware e soluções de referência. Esses componentes podem reduzir a quantidade de engenharia personalizada necessária para transformar um protótipo de IA em uma máquina pronta para implantação. 4

Disponibilidade e posição na linha Jetson

Os módulos Jetson Orin Nano 2 e os kits de desenvolvimento devem chegar no primeiro semestre de 2027, de acordo com os relatos disponíveis. 1521 As evidências fornecidas não indicam uma data de envio mais precisa nem o preço do produto.

O computador será o modelo de entrada da família Jetson Orin. A NVIDIA descreve a linha como uma família de sete módulos com arquitetura compartilhada, capaz de alcançar até 275 TOPS para inferência multimodal de IA. 23

O lançamento também reforça uma divisão de funções dentro da estratégia de robótica da NVIDIA: computadores Jetson fazem a inferência na máquina implantada, enquanto sistemas maiores e ferramentas de software podem apoiar desenvolvimento, simulação e treinamento. Ainda assim, as evidências do anúncio não comprovam uma integração formal e específica do Jetson Orin Nano 2 com uma arquitetura de “três computadores” envolvendo DGX, Omniverse e Cosmos. Essa conexão deve ser vista como contexto estratégico, não como um recurso confirmado do produto.

O que muda para os desenvolvedores

A principal promessa do Jetson Orin Nano 2 é combinar mais capacidade de inferência, menor consumo no mesmo nível de desempenho e o mesmo formato compacto. A combinação atende a projetos em que bateria, calor, espaço físico e tempo de resposta são restrições simultâneas.

A avaliação decisiva, no entanto, continuará sendo prática: quais modelos conseguem cumprir a meta de latência, quanta memória sobra depois que toda a pilha de robótica é carregada e como o sistema se comporta sob limitações térmicas e de bateria durante o uso contínuo.

O anúncio estabelece uma direção ambiciosa para o hardware e o software. Para transformar os números de divulgação em resultados de um robô real, as equipes ainda precisarão realizar testes específicos com seus modelos, sensores e condições de operação.