Nvidia kieruje się ku fizycznej AI z nową platformą brzegową Jetson Orin Nano 2
Najważniejsze informacje
- •Nvidia zaprezentowała Jetson Orin Nano 2, platformę edge AI do robotów, dronów i systemów AI wizyjnej działających w czasie rzeczywistym, z dostępnością planowaną na pierwszą połowę 2027 roku.
- •Firma twierdzi, że platforma oferuje dwukrotnie wyższą wydajność niż poprzednia generacja albo do 40% niższe zużycie energii przy tym samym poziomie wydajności.
- •Pierwsi klienci — Cognex, Doosan Bobcat i Matic — obejmują zastosowania przemysłowe, komercyjne i konsumenckie.
- •Nvidia podaje, że platforma uruchamia małe i średnie modele językowe oraz vision-language w czasie rzeczywistym, a Nemotron 3.5 Lightning osiąga około 115 tokenów na sekundę na Jetsonie.
- •Analityk Omdia Alexander Harrowell ostrzegł, że pojemność pamięci prawdopodobnie będzie czynnikiem ograniczającym to, co sprzęt Orin Nano 2 może obsłużyć.
Robotyka
Generatywna AI
Wiadomości
Nvidia kieruje się ku fizycznej AI z nową platformą brzegową Jetson Orin Nano 2
Jetson Orin Nano 2 pojawia się, gdy gigant układów AI dąży do rozwoju fizycznej AI.
27 sierpnia 2026
Nvidia zaprezentowała Jetson Orin Nano 2, nową platformę edge AI zaprojektowaną do budowy robotów, dronów i systemów AI wizyjnej działających w czasie rzeczywistym, ponieważ firma nadal stara się przenieść fizyczną AI do świata rzeczywistego.
Platforma, ujawniona we wtorek i spodziewana na dostępność w pierwszej połowie 2027 roku, opiera się na nowej wersji krzemu w architekturze Ampere firmy Nvidia. Nvidia wskazała firmę zajmującą się wizyjną analizą obrazu Cognex, producenta sprzętu budowlanego Doosan Bobcat oraz startup Matic tworzący roboty odkurzające jako pierwszych klientów.
Według Nvidii Nano 2 oferuje dwukrotnie wyższą wydajność niż poprzednia generacja albo nawet o 40% niższe zużycie energii przy tym samym poziomie wydajności.
Podczas briefingu dla mediów Deepu Talla, wiceprezes ds. robotyki i edge AI w Nvidii, powiedział, że premiera jest odpowiedzią na osiągnięcie przez dokładność modeli „punktu przełomowego”.
„To, co wcześniej wymagało dużego centrum danych i wielu GPU, teraz można uruchomić na Nvidia Jetson”, powiedział. „Możemy teraz osiągnąć taką samą czołową dokładność jak największe modele z zeszłego roku.”
Powiązane: Chińska przewaga humanoidów to sprzęt, nie AI
Ta większa dostępność wysokowydajnych modeli AI dobrze wróży branży robotyki i, jak powiedział Talla, po raz pierwszy czyni zaawansowaną fizyczną AI praktyczną na brzegu sieci.
„Robotyka to problem trzech komputerów”, powiedział. „Pierwszy komputer to miejsce, gdzie prowadzimy całe szkolenie inteligencji, a drugi komputer pośrodku to miejsce, gdzie wykonujemy wszystkie testy i ewaluację polityk. Ostatni komputer, trzeci komputer, to runtime albo mózg robota i to jest Nvidia Jetson.”
Nvidia twierdzi, że Orin Nano 2 może uruchamiać najnowsze małe i średnie modele językowe oraz vision-language w czasie rzeczywistym. Talla wskazał własne modele Nvidii Nemotron jako przykład, zauważając, że najnowszy Nemotron 3.5 Lightning może działać z prędkością około 115 tokenów na sekundę na Jetsonie.
Na taką wydajność wpływ mają nie tylko ulepszenia sprzętowe, ale także postępy w trenowaniu modeli. Talla przypisał ten rozwój lepszym danym treningowym, ulepszeniom architektury modeli oraz możliwości używania większych modeli do trenowania lub destylacji mniejszych.
W rezultacie, jak powiedział, powstanie framework szkoleniowy dla robotyki, który będzie szybszy i prostszy niż wcześniejsze systemy.
Obniżenie kosztów robotyki
„W przeszłości programowanie robotów było niezwykle czasochłonne i drogie” — powiedział Talla. „Ale teraz, dzięki autonomicznym możliwościom, programowanie robotów stanie się niezwykle łatwe i już obserwujemy eksplozję zastosowań AI na poziomie wejściowym.”
Ta zmiana może sprawić, że robotyka stanie się opłacalna także poza wysoko wolumenowymi zastosowaniami przemysłowymi, ponieważ modele AI automatyzują coraz więcej zadań programistycznych.
Ben Lee, profesor School of Engineering and Applied Science na University of Pennsylvania, powiedział, że obecna pozycja Nvidii w edge AI daje jej mocny punkt wyjścia, ponieważ roboty wymagają coraz bardziej zaawansowanych modeli do lokalnego działania.
Powiązane: Jednostka robotyki XPeng wyceniona na 6,3 mld USD po inwestycji
„Nvidia ma znaczący udział w rynku układów edge AI dzięki platformie Jetson” — powiedział Lee. „Integracja bardziej zaawansowanych procesorów AI i zapewnienie dodatkowego wsparcia programowego dla inferencji może umożliwić używanie nowszych modeli AI w robotyce i innych systemach autonomicznych.”
Lee zwrócił również uwagę na ekonomię wdrażania robotów poza tradycyjne środowiska przemysłowe. Powiedział, że bardziej dojrzały stos technologiczny oprogramowania mógłby zmniejszyć obciążenie inżynieryjne, które historycznie utrudniało uzasadnienie robotyki w zastosowaniach o niższej wartości.
„W robotyce wyzwaniem jest to, że koszty inżynieryjne trudno uzasadnić w ogólnych, mniej wartościowych przypadkach użycia” — powiedział. „Dojrzały stos oprogramowania, który ułatwia programowanie tych robotów i procesorów, zmniejszy nakład pracy inżynieryjnej i obniży koszty.”
Małe modele, większy zasięg
Według Alexandra Harrowella, analityka w Omdia, jednostce Informa TechTarget, oferta Nvidii dla rynku robotyki wpisuje się w szerszą zmianę definicji tego, co w ogóle uznaje się za mały model.
„To zdecydowanie prawda, że coraz więcej AI trafia do robotów, a małe multimodalne transformatory stają się w tej przestrzeni coraz powszechniejsze” — powiedział Harrowell.
Powiedział, że to rozróżnienie ma znaczenie dla tego, jak branża powinna odczytywać specyfikacje Nvidii.
„Chociaż małe modele AI stają się znacznie lepsze i ważniejsze, to zmienia się to, co uznajemy za mały model” — powiedział, zauważając, że typowy model na Hugging Face urósł z około 10–100 milionów parametrów do 3–8 miliardów.
Harrowell był bardziej sceptyczny co do tego, co sprzęt Orin Nano 2 może faktycznie obsłużyć.
„Patrząc na specyfikację Nano 2, czynnikiem ograniczającym jest pojemność pamięci” — powiedział.
O autorce
Scarlett Evans
Współpracująca autorka
Scarlett Evans jest niezależną autorką specjalizującą się w nowych technologiach i branży minerałów. Wcześniej była zastępczynią redaktora w IoT World Today, gdzie zajmowała się robotyką i technologiami inteligentnych miast. Scarlett ma również doświadczenie w sektorze górniczym i surowcowym, zdobyte w Mine Australia, Mine Technology i Power Technology. Dołączyła do Informa w kwietniu 2022 roku, a następnie przeszła na pracę freelancerską.
Chcesz więcej materiałów AI Business w wynikach wyszukiwania Google?
Najnowsze wiadomości
Chcesz więcej materiałów AI Business w wynikach wyszukiwania Google?
Popularne artykuły
27 sie 2026
26 sie 2026
Generatywna AI Matematyczne teorie mogą być kluczem do wyjaśnialnych systemów AI 24 sie 2026
Matematyczne teorie mogą być kluczem do wyjaśnialnych systemów AI
Generatywna AI Shutterstock zawiera umowy licencyjne na obrazy AI 11 sie 2026
Shutterstock zawiera umowy licencyjne na obrazy AI
Generatywna AI AI trafia do biznesu rynków prywatnych 28 lip 2026
AI trafia do biznesu rynków prywatnych
Agentic AI Wykorzystywanie agentów AI do współpracy z ludzkimi pracownikami 10 lip 2026
Wykorzystywanie agentów AI do współpracy z ludzkimi pracownikami
Sponsorowane przez Google Cloud
Wybór pierwszych przypadków użycia generatywnej AI
Aby rozpocząć pracę z generatywną AI, należy najpierw skupić się na obszarach, które mogą poprawić doświadczenia ludzi związane z informacją.
The AI Summit New York 2026
