Nvidia a présenté la Jetson Orin Nano 2, une nouvelle plateforme d’IA en périphérie conçue pour développer des robots, des drones et des systèmes de vision IA fonctionnant en temps réel, alors que le fabricant de puces poursuit ses efforts pour amener l’IA physique — des machines qui perçoivent le monde physique et agissent dans celui-ci plutôt que de seulement générer du texte ou des images — dans le monde réel.

La plateforme, dévoilée mardi et attendue au premier semestre 2027, repose sur une nouvelle version du silicium basé sur l’architecture Ampere de Nvidia. Nvidia a cité comme clients initiaux Cognex, société de vision industrielle, Doosan Bobcat, fabricant d’équipements de construction, et Matic, une startup de robots aspirateurs, un ensemble couvrant des usages industriels, commerciaux et grand public.

Selon Nvidia, la Nano 2 offre deux fois les performances de la génération précédente, ou jusqu’à 40 % de consommation d’énergie en moins à niveau de performance égal. Comme les systèmes en périphérie exécutent l’IA directement sur l’appareil plutôt que dans un centre de données, ces deux chiffres sont importants pour les robots et drones alimentés par batterie qui doivent réagir en temps réel sans le budget énergétique ou de refroidissement d’un serveur.

Lors d’un point presse, Deepu Talla, vice-président de la robotique et de l’IA en périphérie chez Nvidia, a indiqué que cette annonce répond à un seuil critique atteint par la précision des modèles.

« Ce qui nécessitait auparavant un grand centre de données et de nombreux GPU peut désormais fonctionner sur Nvidia Jetson », a-t-il déclaré. « Nous pouvons maintenant atteindre la même précision de pointe que les plus grands modèles de l’année dernière. »

Cette accessibilité accrue des modèles d’IA hautes performances est favorable au secteur de la robotique et, selon Talla, elle rend enfin l’IA physique sophistiquée პრაქტique à l’edge.

« La robotique est un problème à trois ordinateurs », a-t-il expliqué. « Le premier ordinateur est celui où nous effectuons tout l’entraînement de l’intelligence, et le deuxième, au milieu, est celui où nous faisons tous les tests et l’évaluation des politiques. Le dernier ordinateur, le troisième, est l’exécution, ou le cerveau du robot, et c’est Nvidia Jetson. »

Des modèles en temps réel à l’edge

Nvidia affirme que l’Orin Nano 2 peut exécuter en temps réel les derniers modèles de langage et de vision-langage de petite et moyenne taille. Talla a cité les modèles Nemotron de Nvidia comme exemple, en précisant que le dernier Nemotron 3.5 Lightning peut fonctionner à environ 115 tokens par seconde sur Jetson.

Cette performance repose non seulement sur des améliorations matérielles, mais aussi sur des avancées dans l’entraînement des modèles. Talla a attribué ces progrès à de meilleures données d’entraînement, à des améliorations de l’architecture des modèles et à la possibilité d’utiliser des modèles plus grands pour entraîner, ou distiller, des modèles plus petits. Il en résulte, a-t-il dit, un cadre d’entraînement robotique plus rapide et plus simple que les systèmes précédents.

Réduire la facture de la robotique

« Dans le passé, la programmation robotique était extrêmement longue et coûteuse », a déclaré Talla. « Mais désormais, avec les capacités autonomes, la programmation des robots va devenir extrêmement simple, et nous observons déjà une explosion des applications d’IA au niveau d’entrée de gamme. »

Cette évolution pourrait rendre la robotique économiquement viable au-delà des applications industrielles à forte volumétrie, les modèles d’IA automatisant davantage de tâches de programmation.

Ben Lee, professeur à la School of Engineering and Applied Science de l’Université de Pennsylvanie, a déclaré que la position existante de Nvidia dans l’IA en périphérie lui donne un solide point de départ, alors que les robots nécessitent des modèles toujours plus performants pour fonctionner localement.

« Nvidia dispose d’un marché important dans les puces d’IA en périphérie avec la plateforme Jetson », a déclaré Lee. « L’intégration de processeurs d’IA plus performants et un soutien logiciel supplémentaire pour l’inférence pourraient permettre l’utilisation de nouveaux modèles d’IA dans la robotique et d’autres systèmes autonomes. »

Lee a également souligné l’économie du déploiement de robots au-delà des environnements industriels traditionnels. Il a estimé qu’une pile logicielle plus mature pourrait réduire la charge d’ingénierie qui a historiquement rendu la robotique difficile à justifier pour des applications à plus faible valeur.

« Pour la robotique, le défi est que les coûts d’ingénierie sont difficiles à justifier pour des cas d’usage généraux à plus faible valeur », a-t-il déclaré. « Une pile logicielle mature qui rend ces robots et ces processeurs plus faciles à programmer réduira l’effort d’ingénierie et fera baisser les coûts. »

Petits modèles, empreinte plus large

L’offre de Nvidia pour le marché de la robotique s’inscrit dans une évolution plus large de ce qui est considéré, à l’origine, comme un petit modèle, selon Alexander Harrowell, analyste chez Omdia, une division d’Informa TechTarget.

« Il est tout à fait vrai que davantage d’IA entre dans les robots, avec des transformateurs multimodaux de petite taille qui deviennent plus courants dans cet espace », a déclaré Harrowell.

Cette distinction est importante pour la manière dont le secteur devrait interpréter les spécifications de Nvidia, a-t-il suggéré.

« Même si les petits modèles d’IA deviennent bien meilleurs et plus importants, notre définition d’un petit modèle évolue », a-t-il déclaré, notant qu’un modèle typique sur Hugging Face est passé d’environ 10 à 100 millions de paramètres à 3 à 8 milliards. Hugging Face est un dépôt public largement utilisé où les modèles d’IA sont partagés.

Harrowell s’est montré plus sceptique quant à ce que le matériel de l’Orin Nano 2 peut réellement prendre en charge.

« À la lecture des spécifications du Nano 2, le facteur limitant est la capacité mémoire », a-t-il déclaré.

À propos de l’auteur

Scarlett Evans

Rédactrice contributrice

Scarlett Evans est rédactrice indépendante, spécialisée dans les technologies émergentes et l’industrie minérale. Auparavant, elle a été rédactrice en chef adjointe chez IoT World Today, où elle couvrait la robotique et les technologies des villes intelligentes. Scarlett possède également une expérience dans les secteurs minier et des ressources, notamment chez Mine Australia, Mine Technology et Power Technology. Elle a rejoint Informa en avril 2022 avant de passer au travail indépendant.

Vous voulez davantage d’articles AI Business dans vos résultats de recherche Google ?

Dernières actualités

Vous voulez davantage d’articles AI Business dans vos résultats de recherche Google ?

Articles tendances

27 août 2026

26 août 2026

IA générative Les théories mathématiques pourraient être la clé de systèmes d’IA explicables 24 août 2026

Les théories mathématiques pourraient être la clé de systèmes d’IA explicables

IA générative Shutterstock se tourne vers des accords de licence pour images générées par IA 11 août 2026

Shutterstock se tourne vers des accords de licence pour images générées par IA

IA générative L’IA arrive dans le secteur des marchés privés 28 juillet 2026

L’IA arrive dans le secteur des marchés privés

IA agentique Utiliser des agents d’IA pour collaborer avec les travailleurs humains 10 juillet 2026

Utiliser des agents d’IA pour collaborer avec les travailleurs humains

Sponsorisé par Google Cloud

Choisir vos premiers cas d’usage de l’IA générative

Pour démarrer avec l’IA générative, concentrez-vous d’abord sur les domaines capables d’améliorer l’expérience humaine avec l’information.

The AI Summit New York 2026

Rassembler les dirigeants d’entreprise, les innovateurs technologiques et les décideurs en IA pour explorer les dernières avancées de l’IA commerciale.