Jetson Orin Nano 2 ger 78 TOPS till mindre robotar och drönare

NVIDIA presenterade Jetson Orin Nano 2 den 25 augusti 2026 och positionerar den som en ny instegsdator för edge AI och robotik. Modulen är byggd för robotar, leverans- och inspektionsdrönare samt visionsystem som behöver förstå sin omgivning och reagera i realtid direkt på enheten. 1

De viktigaste siffrorna är 78 TOPS – alltså 78 biljoner AI-operationer per sekund – 8 GB minne och en åttakärnig Arm-processor. NVIDIA uppger att systemet ger dubbla inferensprestandan jämfört med Jetson Orin Nano Super, samtidigt som det behåller samma kompakta format. I 15-wattsläge ska det kunna leverera föregångarens prestanda med 40 procent lägre energiförbrukning. 17

Vad NVIDIA har presenterat

Jetson Orin Nano 2 är främst avsedd för fysiska maskiner med begränsad budget och energibudget – inte för datacenter. NVIDIA nämner autonoma robotar, leverans- och inspektionsdrönare samt inbyggda visionsystem som behöver lokal AI för perception, språk- och bildförståelse samt styrning. 1

För robotar och batteridrivna system är lokal inferens viktig eftersom en ständig molnanslutning inte alltid är möjlig. När modellen körs nära sensorer och motorer kan systemet reagera inom gränserna för enhetens nätverk och strömförsörjning. NVIDIA beskriver därför Orin Nano 2 som ett sätt att få in mer avancerad generativ och fysisk AI i mindre maskiner. 17

Specifikationer och prestanda

Den presenterade hårdvaran omfattar:

• 78 TOPS AI-beräkning
• 8 GB minne
• Åttakärnig Arm-processor
• Samma kompakta formfaktor som Jetson Orin Nano Super
• Dubbla den uppgivna inferensprestandan jämfört med Jetson Orin Nano Super
• 40 procent lägre energiförbrukning vid motsvarande prestanda i 15-wattsläge 17

NVIDIA kopplar prestandalyftet till uppdaterade Tensor Cores och högre minnesbandbredd. Jämförelsen är ett prestandapåstående från företaget, vilket innebär att verkliga resultat kommer att bero på modell, numerisk precision, programvarustack och arbetsbelastning. 7

För utvecklare innebär kombinationen mer utrymme för lokal AI utan att gå upp till en större modul. Energisnåla konstruktioner kan samtidigt sikta på liknande prestanda vid lägre effekt. Det är särskilt relevant för mobila robotar, drönare och kompakt inspektionsutrustning.

Vilka AI-modeller stöds?

NVIDIA uppger att Jetson Orin Nano 2 fungerar med företagets öppna programvarustack och Jetson Agent Skills för minneseffektiv inferens på kanten. Det presenterade modellekosystemet omfattar NVIDIA Cosmos och Nemotron samt öppna modeller som Gemma 4 och Qwen 3. 7

Poängen är inte bara antalet modeller. Mindre språkmodeller och vision-language-modeller kan köras närmare den fysiska miljön och hjälpa en robot att tolka multimodala intryck, förstå sammanhang och välja åtgärder. NVIDIA hävdar dessutom att nya små och medelstora frontiermodeller kan nå ungefär samma noggrannhet som betydligt större modeller från föregående år. Det skulle göra lokal slutledning mer praktisk i begränsade system – men i det tillgängliga underlaget är detta NVIDIAs beskrivning, inte ett oberoende benchmarkresultat. 7

Därför spelar frontiermodeller roll i robotik

Traditionella edge-AI-system fokuserar ofta på avgränsade uppgifter, som att identifiera ett objekt eller upptäcka ett fel. Generativa och multimodala modeller kan bredda rollen genom att låta maskinen tolka språk, bilder och den omgivande miljön tillsammans.

För en robot kan det innebära att kombinera en muntlig instruktion med visuell förståelse. För en drönare kan det ge snabbare tolkning av förändrade förhållanden. För en hemrobot kan samtal, kartläggning och navigering kopplas samman. Fördelen NVIDIA lyfter fram är lokalt beslutsfattande i realtid: enheten kan bearbeta en scen eller interaktion där handlingen sker, i stället för att skicka varje steg till en fjärrserver. 17

Orin Nano 2 tar dock inte bort behovet av modelloptimering. Med 8 GB minne och en positionering i instegsklassen blir val av modell, kvantisering och effektiv driftsättning fortfarande avgörande för utvecklare som bygger produktionssystem.

Tidiga användare och konkreta användningsområden

NVIDIA säger att mer än 3 miljoner utvecklare har byggt på företagets robotikstack och nämner Cognex, Doosan Bobcat, Matic och Wing som tidiga användare eller utvärderare. 17

Det tillgängliga materialet ger tydligast information om två av företagen:

• Wing undersöker modulen för leveransdrönare, med fokus på bättre reaktionsförmåga och energieffektivitet.
• Matic Robotics planerar att använda den i robotar för hemstädning, bland annat för konversations-AI, gestigenkänning, precisionskartläggning, semantisk förståelse av hem och autonom städning. 7

Cognex och Doosan Bobcat nämns också i samband med tidig användning eller utvärdering. Underlaget bekräftar däremot inte någon specifik offentlig Cognex-utrullning och anger inte exakt vilken produkt eller implementering hos Doosan Bobcat som ska använda modulen. 17

Vad beskedet bekräftar – och inte bekräftar

NVIDIAs besked fastställer Jetson Orin Nano 2 som en kompakt plattform i instegsklassen för edge AI, tillsammans med företagets uppgifter om prestanda, energiförbrukning och modellstöd. Det placerar också enheten i NVIDIAs bredare ekosystem för robotik.

Det tillgängliga underlaget bekräftar inte ett förväntat lanseringsdatum under första halvåret 2027. Det styrker inte heller att presentationen den 25 augusti innehöll en specifik ”tre datorer”-arkitektur som kopplar samman Omniverse, Cosmos och DGX, eller verifierade detaljer om en ny Orin NX-version. Att Cosmos stöds på enheten är belagt, men den bredare ansvarsfördelningen mellan produkterna bör inte beskrivas som en officiellt presenterad arkitektur utan starkare källstöd. 7

Slutsatsen

Jetson Orin Nano 2 är NVIDIAs försök att få mer avancerad AI-inferens att rymmas i små och energibegränsade robotsystem. De 78 TOPS, 8 GB minne och den åttakärniga Arm-processorn är betydelsefulla, men den viktigaste kombinationen är den uppgivna dubbla inferensprestandan, det oförändrade kompakta formatet och lägre effektförbrukning vid motsvarande prestandanivå. 17

För utvecklare är möjligheten att köra allt mer kapabla språk- och vision-language-modeller direkt i robotar, drönare och visionsystem den stora nyheten. Brasklappen är att NVIDIAs jämförelser och påståenden om frontiermodeller fortfarande behöver prövas mot konkreta modeller och arbetsbelastningar när mer detaljer om hårdvara, programvara och tillgänglighet blir kända.