Jetson Thor: AI vid kanten för robotar och fysisk AI

Jetson Thor är NVIDIAs nästa generation av AI-datorer vid kanten, utformade för att driva intelligenta maskiner som robotar, industriella system och autonoma enheter.

Plattformen bygger på NVIDIA Blackwell GPU-arkitekturen och utvecklarkitet Jetson AGX Thor levererar upp till 2 070 FP4 TFLOPS AI-prestanda med 128 GB minne inom en effektbudget på cirka 130 watt. Jämfört med föregångaren Jetson AGX Orin är prestandaökningen upp till 7,5 gånger mer AI-kraft och cirka 3,5 gånger bättre energieffektivitet.

Det här prestandalyftet möjliggör en helt ny klass av tillämpningar, ofta kallad ”fysisk AI.” Istället för att vara beroende av molnservrar kan robotar köra avancerade modeller direkt på enheten, inklusive vision-språk- och resonemangsmodeller som tolkar sensordata i realtid.

De viktigaste förbättringarna:

• Högpresterande slutledning vid kanten för generativa och resonerande modeller
• Realtidsbearbetning av flera sensorer, såsom kameror och lidar
• Energieffektiv drift, lämplig för mobila robotar och industriella system

För robotutvecklare innebär det att maskiner kan utföra mer komplex perception, planering och interaktion lokalt – med minskad fördröjning och minskat beroende av externa beräkningsresurser.

Vera Rubin NVL72: Rackskalig infrastruktur för AI-fabriker

Medan Jetson Thor fokuserar på kanten, riktar sig Vera Rubin NVL72 till motsatt ändamål: storskalig AI-infrastruktur.

Systemet är en rackskalig AI-superdator som integrerar 36 NVIDIA Vera-processorer och 72 Rubin GPU:er via sjätte generationens NVLink, så att GPU:erna fungerar som en enda accelererad enhet.

Arkitekturen är optimerad för nästa generations AI-arbetsbelastningar, inklusive modeller med biljoner parametrar, efterträning, storskalig slutledning och långa resonemangsuppgifter.

NVIDIA rapporterar flera stora effektivitetsförbättringar jämfört med föregångaren Blackwell:

• Upp till 10 gånger högre slutledningsprestanda per watt
• Upp till 10 gånger lägre kostnad per token vid slutledning
• Träning av stora modeller med cirka en fjärdedel så många GPU:er

Dessa vinster beror på djup systemintegration. Plattformen kombinerar flera specialiserade chip – Rubin GPU, Vera CPU, NVLink 6-omkopplare, ConnectX‑9 SuperNIC, BlueField‑4 DPU och Spectrum-nätverk – i en enda arkitektur utformad för att fungera som ett AI-system.

En annan anledning till att systemet fick priset för hållbar teknik är dess infrastrukturdesign. Modulära brickor och vätskekylningssystem förbättrar driftsättningseffektiviteten och dataenergiprestandan.

I praktiken speglar Vera Rubin NVL72 en förändring i AI-kapplöpningen: prestanda handlar inte längre bara om enskilda GPU:er utan om hela rack – eller till och med hela AI-fabriker – konstruerade som enhetliga datorsystem.

Alpamayo: Resonemangsbaserad AI för självkörande fordon

Den tredje prisbelönta tekniken, Alpamayo, tar sig an ett av de svåraste problemen inom AI: säker och pålitlig autonom körning.

Alpamayo är en öppen utvecklingsplattform och en familj av modeller för autonoma fordon, utformad för att gå längre än traditionella perceptionsstyrda system. Istället för att bara upptäcka objekt använder modellerna vision-språk-handling (VLA) med resonemang för att tolka trafiksituationer och bestämma hur de ska agera.

Till exempel kan modellen Alpamayo 1 bearbeta videoinmatning och generera:

• körbanor (styrning, bromsning, acceleration)
• resonemangsspår som förklarar besluten

Detta tillvägagångssätt är avsett att göra självkörande system mer transparenta och lättare att analysera, vilket är avgörande för att testa säkerhet i ovanliga eller komplexa trafiksituationer.

En annan viktig funktion är träningsflödet. Alpamayomodeller tränas med en kombination av:

• verkliga kördemonstrationer
• stora syntetiska datamängder från simulering
• noggrant annoterade körexempel

Att kombinera verkliga och simulerade data hjälper modellerna att exponeras för betydligt fler gränsfall än vad vägtestning ensam kan ge.

En fullstackstrategi för AI-eran

Tillsammans representerar de tre prisbelönta teknikerna NVIDIAs bredare strategi för AI-eran.

• Jetson Thor tar kraftfull AI-resonemang direkt till robotar och kant-enheter.
• Vera Rubin NVL72 ger den massiva infrastruktur som krävs för att träna och köra modeller med biljoner parametrar i stor skala.
• Alpamayo tillämpar resonemangsbaserad AI på autonoma fordon med hjälp av datapipelines som kombinerar verkliga och syntetiska miljöer.

Kombinationen pekar mot en framtid där AI-system verkar på flera nivåer: träning i massiva AI-fabriker, driftsättning i datacenter och realtidsbeslut på kant-enheter och autonoma maskiner.

Denna fullstackstrategi – som spänner över chip, rack och intelligenta agenter – är en viktig anledning till att NVIDIA framstod som en av de mest framträdande vinnarna på COMPUTEX 2026.

Jetson Thor: AI vid kanten för robotar och fysisk AI

Jetson Thor är NVIDIAs nästa generation av AI-datorer vid kanten, utformade för att driva intelligenta maskiner som robotar, industriella system och autonoma enheter.

Plattformen bygger på NVIDIA Blackwell GPU-arkitekturen och utvecklarkitet Jetson AGX Thor levererar upp till 2 070 FP4 TFLOPS AI-prestanda med 128 GB minne inom en effektbudget på cirka 130 watt. Jämfört med föregångaren Jetson AGX Orin är prestandaökningen upp till 7,5 gånger mer AI-kraft och cirka 3,5 gånger bättre energieffektivitet.

Det här prestandalyftet möjliggör en helt ny klass av tillämpningar, ofta kallad ”fysisk AI.” Istället för att vara beroende av molnservrar kan robotar köra avancerade modeller direkt på enheten, inklusive vision-språk- och resonemangsmodeller som tolkar sensordata i realtid.

De viktigaste förbättringarna:

• Högpresterande slutledning vid kanten för generativa och resonerande modeller
• Realtidsbearbetning av flera sensorer, såsom kameror och lidar
• Energieffektiv drift, lämplig för mobila robotar och industriella system

För robotutvecklare innebär det att maskiner kan utföra mer komplex perception, planering och interaktion lokalt – med minskad fördröjning och minskat beroende av externa beräkningsresurser.

Vera Rubin NVL72: Rackskalig infrastruktur för AI-fabriker

Medan Jetson Thor fokuserar på kanten, riktar sig Vera Rubin NVL72 till motsatt ändamål: storskalig AI-infrastruktur.

Systemet är en rackskalig AI-superdator som integrerar 36 NVIDIA Vera-processorer och 72 Rubin GPU:er via sjätte generationens NVLink, så att GPU:erna fungerar som en enda accelererad enhet.

Arkitekturen är optimerad för nästa generations AI-arbetsbelastningar, inklusive modeller med biljoner parametrar, efterträning, storskalig slutledning och långa resonemangsuppgifter.

NVIDIA rapporterar flera stora effektivitetsförbättringar jämfört med föregångaren Blackwell:

• Upp till 10 gånger högre slutledningsprestanda per watt
• Upp till 10 gånger lägre kostnad per token vid slutledning
• Träning av stora modeller med cirka en fjärdedel så många GPU:er

Dessa vinster beror på djup systemintegration. Plattformen kombinerar flera specialiserade chip – Rubin GPU, Vera CPU, NVLink 6-omkopplare, ConnectX‑9 SuperNIC, BlueField‑4 DPU och Spectrum-nätverk – i en enda arkitektur utformad för att fungera som ett AI-system.

En annan anledning till att systemet fick priset för hållbar teknik är dess infrastrukturdesign. Modulära brickor och vätskekylningssystem förbättrar driftsättningseffektiviteten och dataenergiprestandan.

I praktiken speglar Vera Rubin NVL72 en förändring i AI-kapplöpningen: prestanda handlar inte längre bara om enskilda GPU:er utan om hela rack – eller till och med hela AI-fabriker – konstruerade som enhetliga datorsystem.

Alpamayo: Resonemangsbaserad AI för självkörande fordon

Den tredje prisbelönta tekniken, Alpamayo, tar sig an ett av de svåraste problemen inom AI: säker och pålitlig autonom körning.

Alpamayo är en öppen utvecklingsplattform och en familj av modeller för autonoma fordon, utformad för att gå längre än traditionella perceptionsstyrda system. Istället för att bara upptäcka objekt använder modellerna vision-språk-handling (VLA) med resonemang för att tolka trafiksituationer och bestämma hur de ska agera.

Till exempel kan modellen Alpamayo 1 bearbeta videoinmatning och generera:

• körbanor (styrning, bromsning, acceleration)
• resonemangsspår som förklarar besluten

Detta tillvägagångssätt är avsett att göra självkörande system mer transparenta och lättare att analysera, vilket är avgörande för att testa säkerhet i ovanliga eller komplexa trafiksituationer.

En annan viktig funktion är träningsflödet. Alpamayomodeller tränas med en kombination av:

• verkliga kördemonstrationer
• stora syntetiska datamängder från simulering
• noggrant annoterade körexempel

Att kombinera verkliga och simulerade data hjälper modellerna att exponeras för betydligt fler gränsfall än vad vägtestning ensam kan ge.

En fullstackstrategi för AI-eran

Tillsammans representerar de tre prisbelönta teknikerna NVIDIAs bredare strategi för AI-eran.

• Jetson Thor tar kraftfull AI-resonemang direkt till robotar och kant-enheter.
• Vera Rubin NVL72 ger den massiva infrastruktur som krävs för att träna och köra modeller med biljoner parametrar i stor skala.
• Alpamayo tillämpar resonemangsbaserad AI på autonoma fordon med hjälp av datapipelines som kombinerar verkliga och syntetiska miljöer.

Kombinationen pekar mot en framtid där AI-system verkar på flera nivåer: träning i massiva AI-fabriker, driftsättning i datacenter och realtidsbeslut på kant-enheter och autonoma maskiner.

Denna fullstackstrategi – som spänner över chip, rack och intelligenta agenter – är en viktig anledning till att NVIDIA framstod som en av de mest framträdande vinnarna på COMPUTEX 2026.