NVIDIA kammade hem fyra priser på COMPUTEX 2026 – här är tekniken bakom

Jetson Thor – AI vid kanten för robotar och fysisk AI

Jetson Thor är byggd på NVIDIA:s Blackwell-arkitektur och är utformad för att köra avancerade AI-modeller direkt på enheten – istället för att vara beroende av molnet. Utvecklarkitet Jetson AGX Thor levererar upp till 2 070 FP4 TFLOPS med 128 GB minne, allt inom en effektbudget på 130 watt. Jämfört med föregångaren Jetson AGX Orin innebär det 7,5 gånger högre AI-prestanda och 3,5 gånger bättre energieffektivitet.

För robotik och industriella system är den stora nyheten att Jetson Thor kan köra stora generativa modeller och resonemangsmodeller lokalt. Det gör att robotar kan fatta snabba beslut baserat på kameror och sensorer i realtid, utan fördröjning eller beroende av molnanslutning.

Vera Rubin NVL72 – rackskala AI-superdator

Vera Rubin NVL72 är inte en enskild AI-krets – det är ett helt racksystem som fungerar som en enda stor accelerator. Systemet kombinerar 36 Vera-processorer (CPU) med 72 Rubin GPU:er, sammankopplade med NVLink 6, så att alla GPU:er kan arbeta tillsammans som en enda stor AI-maskin.

Resultatet är imponerande: NVIDIA uppger att systemet kan träna AI-modeller med en fjärdedel så många GPU:er som Blackwell-baserade system, och att kostnaden per miljon tokens för AI-inferens sjunker till en tiondel. Inferensgenomströmningen är upp till tio gånger högre, och prestandan per watt är tio gånger bättre.

Systemet är designat för så kallad agentisk AI och resonemang – alltså AI som inte bara svarar på frågor utan kan resonera sig fram till lösningar, vilket kräver extremt stora modeller och långa kontextfönster. Hållbarhetspriset motiveras bland annat av den modulära designen utan kablar, slangar eller fläktar, vilket minskar monteringstiden per beräkningsenhet från två timmar till fem minuter, samt 100-procentig vätskekylning.

Alpamayo – självkörande fordon med resonemang

Alpamayo är en öppen plattform för utveckling av autonoma fordon. Plattformen beskrivs som en visuell-språklig-handlingsmodell med inbyggd resonemangsförmåga – den genererar inte bara en körbana utan också en förklaring till varför ett visst manöverval görs.

Skillnaden mot tidigare system är att Alpamayo kan resonera om vad den ser, istället för att bara känna igen objekt och mönster. Det kan vara avgörande i svåra trafiksituationer där transparens och förståelse för besluten är viktig. Träningen kombinerar verklig kördata med simuleringsdata, vilket gör att systemet får en bredare täckning än vad vägtestning ensam kan ge.

Sammanfattning

• Jetson Thor förbättrar AI vid nätverkskanten och robotik med mycket högre lokal prestanda och bättre energieffektivitet.
• Vera Rubin NVL72 förbättrar centraliserad AI-infrastruktur med rackskalig prestanda, lägre tokenkostnad och bättre prestanda per watt för stora resonemangsmodeller.
• Alpamayo förbättrar programvaran för självkörande fordon genom att lägga till resonemangsbaserade modeller tränade på bredare data, inklusive verkliga körningar.

Notera: Uppgifterna om Alpamayo bygger i högre grad på sekundär rapportering än på officiella tekniska dokument från NVIDIA.