NVIDIA dubblar AI-prestandan i Jetson Orin Nano 2 för robotar

NVIDIA vill göra mer avancerad AI tillgänglig även i små, batteridrivna maskiner. Den 25 augusti 2026 presenterade företaget Jetson Orin Nano 2, en kompakt robotdator för robotar, leverans- och inspektionsdrönare samt visionsystem. Plattformen uppges nå 78 biljoner AI-operationer per sekund, eller 78 TOPS, och ge dubbla inferensprestandan jämfört med föregångaren Jetson Orin Nano Super. 356

Poängen är inte bara en högre siffra i specifikationsbladet. NVIDIA positionerar datorn som ett sätt att köra mer avancerade språk-, bild- och multimodala modeller direkt i maskinen. Det kan minska behovet av att skicka varje fråga till en molntjänst och vänta på svar.

Jetson Orin Nano 2 – viktigaste specifikationerna

Den nya plattformen har följande huvudegenskaper:

• 78 TOPS AI-beräkningskraft
• 8 GB minne
• Åttakärnig Arm-processor
• Samma kompakta format som föregångaren
• Rapporterad minnesbandbredd på 120 GB/s

Prestandalyftet kopplas till förbättrade Tensor Cores och högre minnesbandbredd, snarare än till en större fysisk konstruktion. 4611 För robotikutvecklare är det viktigt: utrymme, kylning och batteribudget kan vara minst lika begränsande som den råa beräkningskapaciteten.

Dubbla inferensprestandan i samma storlek

Enligt NVIDIA levererar Jetson Orin Nano 2 dubbla inferensprestandan jämfört med Jetson Orin Nano Super, samtidigt som den behåller föregångarens kompakta format. 356 Det innebär i praktiken att mer AI-arbete kan utföras i en dator som fortfarande kan byggas in i mindre robotar och autonoma maskiner.

Detta är dock ett prestandapåstående från NVIDIA, inte resultatet av ett oberoende test i det tillgängliga underlaget. Den faktiska hastigheten beror bland annat på modell, kvantisering, mjukvarustack, arbetsbelastning och kylning.

Lägre energiförbrukning kan vara avgörande

NVIDIA uppger att Jetson Orin Nano 2 kan ge motsvarande prestanda som föregångaren med 40 procent lägre effektförbrukning i 15-wattsläge. 568 För en mobil robot eller drönare kan det vara minst lika betydelsefullt som 78 TOPS. Lägre förbrukning kan minska kylbehovet och frigöra batterikapacitet för exempelvis motorer, sensorer eller kommunikation.

Formuleringen ska läsas som en jämförelse vid samma prestandanivå – inte som ett löfte om att varje program eller modell alltid drar 40 procent mindre energi. Förbrukningen påverkas av valt driftläge och av den konkreta applikationen.

Därför spelar LLM:er och VLM:er roll i robotar

Stora språkmodeller, LLM:er, kan hjälpa en maskin att tolka instruktioner på naturligt språk. Bildspråksmodeller, VLM:er, kopplar i sin tur ihop kamerabilder med språk och kontextuell förståelse.

När sådana arbetslaster körs lokalt kan en robot tolka vad den ser och reagera utan att skicka varje förfrågan till en extern server. Det kan vara användbart när låg fördröjning, begränsad uppkoppling eller lokal hantering av data är viktigt. En drönare som levererar varor, ett inspektionssystem eller en hemrobot behöver kunna fatta nästa beslut medan den rör sig – inte först efter en tur fram och tillbaka till molnet. 46

NVIDIA beskriver möjligheten som generativ AI i "frontier-klass" för små fysiska system. Underlaget stöder företagets breda inriktning mot LLM- och VLM-användning, men visar inte att alla avancerade modeller kan köras på en enhet med 8 GB minne eller att de får likvärdig prestanda. Modellstorlek, minneskrav, komprimering och arbetsbelastning är fortfarande avgörande begränsningar.

Cosmos, Nemotron, Gemma 4 och Qwen 3 nämns

Rapporter om lanseringen pekar ut NVIDIAs modeller Cosmos och Nemotron samt Googles Gemma 4 och Alibabas Qwen 3 bland de LLM- och VLM-alternativ som stöds för minneseffektiv inferens i kanten av nätverket. 2021

Att en modell stöds betyder inte nödvändigtvis att den fungerar lika bra i alla användningsfall. Utvecklare behöver fortfarande kontrollera modellversion, minnesanvändning, kompatibilitet med körmiljön och fördröjning för den aktuella roboten eller kamerabaserade lösningen.

Intresse från utvecklare och robotikföretag

Jetson Orin Nano 2 riktar sig mot robotar, leverans- och inspektionsdrönare samt visionsystem med AI. 34 NVIDIA uppger att mer än tre miljoner utvecklare har byggt med företagets robotikplattform och nämner Cognex, Doosan Bobcat och Matic Robotics bland företag som använder eller undersöker plattformen. 4

Wing undersöker datorn för leveransdrönare, med fokus på snabbare respons och bättre energieffektivitet. Matic Robotics planerar att använda den för bland annat samtalsinteraktion, gestigenkänning, semantisk förståelse av hem, precisionskartläggning och autonom städning. 4

NVIDIA uppger också att samarbetspartner utvecklar bärarkort, kompletta hårdvarusystem och referenslösningar. Sådana komponenter kan minska mängden egen hårdvaruutveckling som krävs för att gå från prototyp till en produktionsklar maskin. 4

Tillgänglighet och plats i Jetson-familjen

Moduler och utvecklarkit för Jetson Orin Nano 2 väntas enligt den tillgängliga rapporteringen bli tillgängliga under första halvåret 2027. 1521 Något mer exakt leveransdatum eller pris framgår inte av underlaget.

Produkten blir instegsmodellen i den bredare Jetson Orin-familjen. NVIDIA beskriver familjen som sju moduler med gemensam arkitektur, med skalning upp till 275 TOPS för multimodal AI-inferens. 23

NVIDIAs övergripande robotikstrategi bygger på att kompakta Jetson-datorer kör inferens i den färdiga maskinen, medan större system och mjukvara kan användas för utveckling, simulering och träning. Det tillgängliga materialet bekräftar däremot inte någon specifik integration mellan Jetson Orin Nano 2 och en formell tre-dator-strategi med DGX, Omniverse och Cosmos. Den kopplingen bör därför ses som strategisk bakgrund, inte som en bekräftad funktion i just denna produktlansering.

Vad betyder det för utvecklare?

Jetson Orin Nano 2:s starkaste erbjudande är kombinationen av högre inferenskapacitet, lägre energiförbrukning vid motsvarande prestanda och oförändrat kompakt format. Det är en kombination som riktar sig till team som behöver lokal AI i maskiner där batteritid, värme, utrymme och svarstid alla spelar stor roll.

För den som utvärderar plattformen är de praktiska frågorna fortfarande viktigast: vilka modeller klarar applikationens krav på fördröjning, hur mycket minne återstår när resten av robotikstacken är laddad och hur beter sig systemet under långvarig belastning och begränsad batteritid?

NVIDIAs besked visar en ambitiös riktning för hårdvara och mjukvara. Men de utlovade toppsiffrorna behöver fortfarande verifieras i den robot, drönare eller visionslösning där datorn faktiskt ska användas.