Nvidia punta sulla Physical AI con la nuova piattaforma edge Jetson Orin Nano 2
Punti chiave
- •Nvidia ha presentato Jetson Orin Nano 2, una piattaforma edge AI per robot, droni e sistemi di visione AI in tempo reale, con disponibilità prevista nella prima metà del 2027.
- •L’azienda sostiene che la piattaforma offra prestazioni doppie rispetto alla generazione precedente o fino al 40% di consumo energetico in meno a parità di prestazioni.
- •I clienti iniziali Cognex, Doosan Bobcat e Matic coprono applicazioni industriali, commerciali e consumer.
- •Nvidia afferma che la piattaforma esegue in tempo reale modelli linguistici e vision-language di piccole e medie dimensioni, con Nemotron 3.5 Lightning che raggiunge circa 115 token al secondo su Jetson.
- •L’analista di Omdia Alexander Harrowell ha avvertito che la capacità di memoria è probabilmente il fattore limitante per l’hardware di Orin Nano 2.
Nvidia ha presentato Jetson Orin Nano 2, una nuova piattaforma edge AI progettata per realizzare robot, droni e sistemi di visione AI in tempo reale, mentre il produttore di chip continua a spingere la physical AI — macchine che percepiscono e agiscono nel mondo fisico invece di limitarsi a generare testo o immagini — verso applicazioni concrete.
La piattaforma, annunciata martedì e attesa per la disponibilità nella prima metà del 2027, si basa su una nuova versione del silicio con architettura Ampere di Nvidia. Nvidia ha indicato l’azienda di machine vision Cognex, il produttore di macchine per costruzioni Doosan Bobcat e la startup di aspirapolveri robot Matic come clienti iniziali, in un insieme che copre applicazioni industriali, commerciali e consumer.
Secondo Nvidia, Nano 2 offre il doppio delle prestazioni della generazione precedente, oppure fino al 40% di consumo energetico in meno a parità di prestazioni. Poiché i sistemi edge eseguono l’AI direttamente sul dispositivo anziché in un data center, entrambi i dati sono rilevanti per robot e droni alimentati a batteria che devono reagire in tempo reale senza il budget energetico o di raffreddamento di un server.
Durante un briefing con la stampa, Deepu Talla, vicepresidente robotics and edge AI di Nvidia, ha affermato che il lancio risponde al raggiungimento di un “punto di svolta” nell’accuratezza dei modelli.
“Ciò che prima richiedeva un grande data center e molte GPU, ora può essere eseguito su Nvidia Jetson”, ha detto. “Ora possiamo raggiungere la stessa accuratezza frontier dei modelli più grandi dello scorso anno.”
Questa maggiore accessibilità ai modelli AI ad alte prestazioni è positiva per il settore della robotica e, secondo Talla, sta finalmente rendendo praticabile la physical AI sofisticata all’edge.
“La robotica è un problema di tre computer”, ha detto. “Il primo computer è quello in cui facciamo tutto l’addestramento dell’intelligenza, il secondo computer nel mezzo è quello in cui facciamo tutti i test e la valutazione delle policy. L’ultimo computer, il terzo, è il runtime o il cervello del robot, ed è Nvidia Jetson.”
Modelli in tempo reale all’edge
Nvidia afferma che Orin Nano 2 può eseguire in tempo reale gli ultimi modelli linguistici e vision-language di piccole e medie dimensioni. Talla ha citato i modelli Nemotron di Nvidia come esempio, osservando che l’ultimo Nemotron 3.5 Lightning può funzionare a circa 115 token al secondo su Jetson.
Queste prestazioni sono rese possibili non solo dai miglioramenti hardware, ma anche dai progressi nell’addestramento dei modelli. Talla ha attribuito il miglioramento a dati di training migliori, a evoluzioni nell’architettura dei modelli e alla possibilità di usare modelli più grandi per addestrarne o distillarne di più piccoli. Il risultato, ha detto, è un framework di addestramento robotico più rapido e più semplice rispetto ai sistemi precedenti.
Ridurre il conto della robotica
“In passato la programmazione della robotica era estremamente lunga e costosa”, ha detto Talla. “Ma ora, con la capacità autonoma, la programmazione dei robot diventerà estremamente semplice e stiamo già assistendo a una crescita esplosiva delle applicazioni AI a livello base.”
Il cambiamento potrebbe rendere la robotica economicamente sostenibile oltre le applicazioni industriali ad alto volume, poiché i modelli AI automatizzano un numero crescente di attività di programmazione.
Ben Lee, professore presso la School of Engineering and Applied Science dell’Università della Pennsylvania, ha affermato che la posizione già consolidata di Nvidia nell’edge AI le offre un buon punto di partenza, poiché i robot richiedono modelli sempre più capaci per operare localmente.
“Con la piattaforma Jetson, Nvidia ha avuto un mercato significativo nei chip edge AI”, ha detto Lee. “Integrare processori AI più capaci e fornire ulteriore supporto software per l’inference potrebbe consentire l’uso di modelli AI più recenti nella robotica e in altri sistemi autonomi.”
Lee ha inoltre evidenziato gli aspetti economici dell’impiego dei robot al di fuori degli ambienti industriali tradizionali. Ha detto che uno stack software più maturo potrebbe ridurre il carico ingegneristico che storicamente ha reso difficile giustificare la robotica per applicazioni a minor valore.
“Per la robotica, la sfida è che i costi ingegneristici sono difficili da giustificare per casi d’uso generali e di minor valore”, ha detto. “Uno stack software maturo che renda questi robot e questi processori più facili da programmare ridurrà l’impegno ingegneristico e abbasserà i costi.”
Modelli piccoli, impronta più ampia
La proposta di Nvidia per il mercato della robotica arriva in un contesto di cambiamento più ampio nel significato stesso di modello piccolo, secondo Alexander Harrowell, analista di Omdia, divisione di Informa TechTarget.
“È sicuramente vero che sempre più AI sta entrando nei robot, con i piccoli transformer multimodali che stanno diventando più comuni in quell’area”, ha detto Harrowell.
Questa distinzione conta per il modo in cui il settore dovrebbe leggere le specifiche di Nvidia, ha suggerito.
“Sebbene i piccoli modelli AI stiano diventando molto migliori e più importanti, ciò che consideriamo un modello piccolo sta cambiando”, ha detto, osservando che un modello tipico su Hugging Face è cresciuto da circa 10-100 milioni di parametri a 3-8 miliardi. Hugging Face è un repository pubblico ampiamente utilizzato in cui i modelli AI vengono condivisi.
Harrowell si è mostrato più scettico su ciò che l’hardware di Orin Nano 2 può effettivamente supportare.
“Guardando le specifiche di Nano 2, il fattore limitante è la capacità di memoria”, ha detto.
About the Author
Scarlett Evans
Contributing Writer
Scarlett Evans è una freelance writer con focus sulle tecnologie emergenti e sull’industria mineraria. In precedenza è stata assistant editor presso IoT World Today, dove si occupava di robotica e tecnologie per le smart city. Scarlett ha anche un background nel settore minerario e delle risorse, con esperienza presso Mine Australia, Mine Technology e Power Technology. È entrata in Informa nell’aprile 2022 prima di passare al lavoro freelance.
Want more AI Business stories in your Google search results?
Latest News
Want more AI Business stories in your Google search results?
Trending articles
Aug 27, 2026
Aug 26, 2026
Generative AI Mathematical Theories Could Be the Key to Explainable AI Systems Aug 24, 2026
Mathematical Theories Could Be the Key to Explainable AI Systems
Generative AI Shutterstock Embraces AI Image Licensing Deals Aug 11, 2026
Shutterstock Embraces AI Image Licensing Deals
Generative AI AI Arrives in the Private Markets Business Jul 28, 2026
AI Arrives in the Private Markets Business
Agentic AI Using AI Agents to Collaborate with Human Workers Jul 10, 2026
Using AI Agents to Collaborate with Human Workers
Sponsored by Google Cloud
Choosing Your First Generative AI Use Cases
To get started with generative AI, first focus on areas that can improve human experiences with information.
The AI Summit New York 2026
