英伟达正把 Jetson Orin Nano 2 打造成“物理 AI”的新入口：这是一款面向机器人、无人机和视觉系统的紧凑型计算机，目标是在不完全依赖云端连接的情况下，为设备提供更强的本地 AI 推理能力。

英伟达于 2026 年 8 月 25 日宣布推出这款产品。Jetson Orin Nano 2 的 AI 算力为 78 TOPS，即每秒可执行约 78 万亿次 AI 运算；英伟达称，其推理性能达到上一代 Jetson Orin Nano Super 的两倍。 356

真正值得关注的并不只是参数表上的数字。英伟达希望借助这款设备，让体积更小、功耗受限的机器也能在本地运行更复杂的模型，理解语言、图像和环境上下文，并减少向远程服务器发送请求所产生的延迟。

Jetson Orin Nano 2 的主要规格

目前公布的核心硬件规格包括：

• 78 TOPS AI 算力
• 8GB 内存
• 8 核 Arm CPU
• 与前代相同的紧凑型外形尺寸
• 据报道，内存带宽为 120GB/s

性能提升主要来自改进的 Tensor Cores 和更高的内存带宽，而不是通过扩大设备体积实现。 4611 对机器人开发者而言，这一点十分关键：机身尺寸、散热条件和电源预算，往往与原始算力一样会限制产品设计。

保持小巧体积，推理性能提升一倍

英伟达表示，Jetson Orin Nano 2 在维持前代紧凑型外形的同时，推理性能达到 Jetson Orin Nano Super 的两倍。 356 这意味着开发者可以在更小的机器人和自主设备中，部署更多本地 AI 任务。

不过，这一对比是英伟达公布的性能声明，并非所提供资料中的独立基准测试结果。实际表现仍会受到模型类型、量化方式、软件栈、工作负载和散热设计等因素影响。

15W 模式下，功耗降低 40%

英伟达称，Jetson Orin Nano 2 在 15W 模式下可以达到与前代相当的性能，同时功耗降低 40%。 568 对移动机器人和无人机来说，这项改进可能和 78 TOPS 算力同样重要：更低的功耗意味着更小的散热压力，也可能为移动、传感器或通信系统保留更多电池容量。

需要注意的是，该说法指的是“相同性能下”的功耗对比，并不意味着所有工作负载都能节省 40% 的能源。实际功耗仍取决于设备运行模式和具体应用。

为什么机器人需要本地运行 LLM 和 VLM？

大语言模型（LLM）可以帮助机器理解自然语言指令；视觉语言模型（VLM）则能够把摄像头看到的内容与语言理解、上下文推理联系起来。将这类工作负载放在设备端运行，可以让机器人直接分析环境并作出响应，而不必把每一次请求都发送到云端。 46

这种能力尤其适用于对响应速度、网络连接或运行隐私有要求的场景。配送无人机、巡检设备或家用机器人在移动过程中必须持续感知环境，通常不能等到云端返回结果后才决定下一步动作。

英伟达将这一机会描述为在紧凑型物理设备上运行“前沿级”生成式 AI。现有报道支持其对 LLM 和 VLM 的整体定位，但并不能证明所有前沿模型都能在 8GB 内存设备上运行，或都能取得相同效果。模型规模、内存需求、压缩方式和任务复杂度仍然是重要限制。

支持 Cosmos、Nemotron、Gemma 4 和 Qwen 3

有关此次发布的报道将英伟达的 Cosmos、Nemotron，以及谷歌的 Gemma 4 和阿里巴巴的 Qwen 3 列为面向高内存效率边缘推理的 LLM 和 VLM 选项。 2021

这份名单体现了 Jetson Orin Nano 2 的软件方向，但“支持”并不意味着不同模型在所有应用中都能达到相同性能。开发者仍需针对具体机器人或视觉系统，验证模型版本、内存占用、运行时兼容性和响应延迟。

Wing、Matic Robotics 等企业正在探索应用

Jetson Orin Nano 2 的目标应用包括机器人、配送与巡检无人机，以及视觉 AI 系统。 34 英伟达表示，已有超过 300 万名开发者基于其机器人软件栈进行开发，并提到 Cognex、Doosan Bobcat 和 Matic Robotics 等正在采用或探索该平台的企业。 4

配送无人机公司 Wing 正在探索使用这款计算机，重点关注响应速度和能源效率。Matic Robotics 则计划将其用于家用机器人，包括对话交互、手势识别、家庭语义理解、精确建图和自主清洁等功能。 4

英伟达还表示，生态合作伙伴正在开发载板、硬件系统和参考方案。对于产品团队而言，这些配套组件有助于减少定制硬件开发工作，缩短从 AI 原型走向可部署设备的时间。 4

预计 2027 年上半年上市

现有报道显示，Jetson Orin Nano 2 模块和开发者套件预计于 2027 年上半年上市。 1521 目前提供的资料没有给出更具体的发货日期或价格。

在英伟达更大的 Jetson Orin 产品线中，Jetson Orin Nano 2 被定位为入门级产品。英伟达称，Jetson Orin 家族包含七款采用统一架构的模块，整体算力最高可达 275 TOPS，可用于多模态 AI 推理。 23

它在英伟达机器人战略中的位置

Jetson Orin Nano 2 延续了英伟达机器人平台的分工思路：由部署在机器人上的紧凑型 Jetson 设备负责实时推理，更大型的系统和软件则用于开发、仿真和训练。

从更广泛的战略背景看，英伟达通常将 DGX、Omniverse、Cosmos 与 Jetson 分别放在训练、仿真及世界模型工作流、以及设备端推理等环节。不过，现有发布证据并未直接确认 Jetson Orin Nano 2 与某个包含 DGX、Omniverse 和 Cosmos 的正式“三计算机”技术栈完成产品级整合。因此，这一联系应被视为战略背景，而不是此次产品发布已经确认的功能。

对开发者意味着什么？

Jetson Orin Nano 2 最具吸引力的组合是：更强的推理能力、更低的相同性能功耗，以及不变的紧凑型外形。这正面向那些需要在电池续航、散热、空间和响应速度之间反复权衡的机器人开发者。

但最终决定产品价值的，仍是实际部署测试：哪些模型能满足应用的延迟要求？加载完整机器人软件栈后还剩多少可用内存？设备在持续运行和电池供电条件下能否稳定散热？

英伟达此次发布确立了一个积极的硬件与软件方向，但在把 78 TOPS、性能翻倍或功耗降低 40% 等 headline 指标转化为产品结论之前，开发团队仍需要基于具体模型和应用进行验证。

英伟达正把 Jetson Orin Nano 2 打造成“物理 AI”的新入口：这是一款面向机器人、无人机和视觉系统的紧凑型计算机，目标是在不完全依赖云端连接的情况下，为设备提供更强的本地 AI 推理能力。

英伟达于 2026 年 8 月 25 日宣布推出这款产品。Jetson Orin Nano 2 的 AI 算力为 78 TOPS，即每秒可执行约 78 万亿次 AI 运算；英伟达称，其推理性能达到上一代 Jetson Orin Nano Super 的两倍。 356

真正值得关注的并不只是参数表上的数字。英伟达希望借助这款设备，让体积更小、功耗受限的机器也能在本地运行更复杂的模型，理解语言、图像和环境上下文，并减少向远程服务器发送请求所产生的延迟。

Jetson Orin Nano 2 的主要规格

目前公布的核心硬件规格包括：

• 78 TOPS AI 算力
• 8GB 内存
• 8 核 Arm CPU
• 与前代相同的紧凑型外形尺寸
• 据报道，内存带宽为 120GB/s

性能提升主要来自改进的 Tensor Cores 和更高的内存带宽，而不是通过扩大设备体积实现。 4611 对机器人开发者而言，这一点十分关键：机身尺寸、散热条件和电源预算，往往与原始算力一样会限制产品设计。

保持小巧体积，推理性能提升一倍

英伟达表示，Jetson Orin Nano 2 在维持前代紧凑型外形的同时，推理性能达到 Jetson Orin Nano Super 的两倍。 356 这意味着开发者可以在更小的机器人和自主设备中，部署更多本地 AI 任务。

不过，这一对比是英伟达公布的性能声明，并非所提供资料中的独立基准测试结果。实际表现仍会受到模型类型、量化方式、软件栈、工作负载和散热设计等因素影响。

15W 模式下，功耗降低 40%

英伟达称，Jetson Orin Nano 2 在 15W 模式下可以达到与前代相当的性能，同时功耗降低 40%。 568 对移动机器人和无人机来说，这项改进可能和 78 TOPS 算力同样重要：更低的功耗意味着更小的散热压力，也可能为移动、传感器或通信系统保留更多电池容量。

需要注意的是，该说法指的是“相同性能下”的功耗对比，并不意味着所有工作负载都能节省 40% 的能源。实际功耗仍取决于设备运行模式和具体应用。

为什么机器人需要本地运行 LLM 和 VLM？

大语言模型（LLM）可以帮助机器理解自然语言指令；视觉语言模型（VLM）则能够把摄像头看到的内容与语言理解、上下文推理联系起来。将这类工作负载放在设备端运行，可以让机器人直接分析环境并作出响应，而不必把每一次请求都发送到云端。 46

这种能力尤其适用于对响应速度、网络连接或运行隐私有要求的场景。配送无人机、巡检设备或家用机器人在移动过程中必须持续感知环境，通常不能等到云端返回结果后才决定下一步动作。

英伟达将这一机会描述为在紧凑型物理设备上运行“前沿级”生成式 AI。现有报道支持其对 LLM 和 VLM 的整体定位，但并不能证明所有前沿模型都能在 8GB 内存设备上运行，或都能取得相同效果。模型规模、内存需求、压缩方式和任务复杂度仍然是重要限制。

支持 Cosmos、Nemotron、Gemma 4 和 Qwen 3

有关此次发布的报道将英伟达的 Cosmos、Nemotron，以及谷歌的 Gemma 4 和阿里巴巴的 Qwen 3 列为面向高内存效率边缘推理的 LLM 和 VLM 选项。 2021

这份名单体现了 Jetson Orin Nano 2 的软件方向，但“支持”并不意味着不同模型在所有应用中都能达到相同性能。开发者仍需针对具体机器人或视觉系统，验证模型版本、内存占用、运行时兼容性和响应延迟。

Wing、Matic Robotics 等企业正在探索应用

Jetson Orin Nano 2 的目标应用包括机器人、配送与巡检无人机，以及视觉 AI 系统。 34 英伟达表示，已有超过 300 万名开发者基于其机器人软件栈进行开发，并提到 Cognex、Doosan Bobcat 和 Matic Robotics 等正在采用或探索该平台的企业。 4

配送无人机公司 Wing 正在探索使用这款计算机，重点关注响应速度和能源效率。Matic Robotics 则计划将其用于家用机器人，包括对话交互、手势识别、家庭语义理解、精确建图和自主清洁等功能。 4

英伟达还表示，生态合作伙伴正在开发载板、硬件系统和参考方案。对于产品团队而言，这些配套组件有助于减少定制硬件开发工作，缩短从 AI 原型走向可部署设备的时间。 4

预计 2027 年上半年上市

现有报道显示，Jetson Orin Nano 2 模块和开发者套件预计于 2027 年上半年上市。 1521 目前提供的资料没有给出更具体的发货日期或价格。

在英伟达更大的 Jetson Orin 产品线中，Jetson Orin Nano 2 被定位为入门级产品。英伟达称，Jetson Orin 家族包含七款采用统一架构的模块，整体算力最高可达 275 TOPS，可用于多模态 AI 推理。 23

它在英伟达机器人战略中的位置

Jetson Orin Nano 2 延续了英伟达机器人平台的分工思路：由部署在机器人上的紧凑型 Jetson 设备负责实时推理，更大型的系统和软件则用于开发、仿真和训练。

从更广泛的战略背景看，英伟达通常将 DGX、Omniverse、Cosmos 与 Jetson 分别放在训练、仿真及世界模型工作流、以及设备端推理等环节。不过，现有发布证据并未直接确认 Jetson Orin Nano 2 与某个包含 DGX、Omniverse 和 Cosmos 的正式“三计算机”技术栈完成产品级整合。因此，这一联系应被视为战略背景，而不是此次产品发布已经确认的功能。

对开发者意味着什么？

Jetson Orin Nano 2 最具吸引力的组合是：更强的推理能力、更低的相同性能功耗，以及不变的紧凑型外形。这正面向那些需要在电池续航、散热、空间和响应速度之间反复权衡的机器人开发者。

但最终决定产品价值的，仍是实际部署测试：哪些模型能满足应用的延迟要求？加载完整机器人软件栈后还剩多少可用内存？设备在持续运行和电池供电条件下能否稳定散热？

英伟达此次发布确立了一个积极的硬件与软件方向，但在把 78 TOPS、性能翻倍或功耗降低 40% 等 headline 指标转化为产品结论之前，开发团队仍需要基于具体模型和应用进行验证。