英伟达推出了Jetson Orin Nano 2，这是一款专为构建实时运行的机器人、无人机和视觉AI系统而设计的新型边缘AI平台。这家芯片制造商正持续推动将物理AI——即能够在物理世界中感知和行动、而不仅仅是生成文本或图像的机器——带入现实世界。

该平台于周二发布，预计于2027年上半年上市，基于新版英伟达Ampere架构芯片打造。英伟达将机器视觉公司Cognex、建筑设备制造商Doosan Bobcat以及扫地机器人初创公司Matic列为首批客户，这一客户阵容横跨工业、商业和消费应用领域。

据英伟达介绍，Nano 2的性能是上一代的两倍，或在同等性能水平下能耗最多降低40%。由于边缘系统直接在设备上运行AI而非依赖数据中心，对于必须实时响应、且没有服务器供电和散热预算的电池供电机器人和无人机而言，这两项指标都至关重要。

在媒体发布会上，英伟达机器人与边缘AI副总裁Deepu Talla表示，此次发布是为了应对模型精度达到“临界点”这一现状。

“过去需要一个大型数据中心和许多GPU才能完成的工作，现在可以在英伟达Jetson上运行，”他说，“我们现在能够达到与去年最大模型相同的前沿精度。”

高性能AI模型可及性的提升对机器人行业是个好兆头。Talla表示，这终于让复杂的物理AI在边缘侧变得切实可行。

“机器人技术是一个三计算机问题，”他说，“第一台计算机是我们进行所有智能训练的地方，中间的第二台计算机是我们进行所有测试和策略评估的地方。最后一台计算机，即第三台计算机，是运行时，也就是机器人的大脑，那就是英伟达Jetson。”

边缘侧的实时模型

英伟达表示，Orin Nano 2可以实时运行最新的小型和中型语言模型及视觉语言模型。Talla以英伟达自家的Nemotron模型为例指出，最新的Nemotron 3.5 Lightning在Jetson上的运行速度约为每秒115个token。

这一性能不仅得益于硬件改进，也源于模型训练方面的进步。Talla将这一进展归功于更优质的训练数据、模型架构的改进，以及利用更大的模型来训练（或蒸馏）较小模型的能力。他说，其成果是一个比以往系统更快、更易用的机器人训练框架。

降低机器人技术成本

“过去，机器人编程极其耗时且成本高昂，”Talla说，“但现在，凭借自主能力，机器人编程将变得非常简单，而且我们已经看到入门级AI应用的爆发式增长。”

随着AI模型将更多编程任务自动化，这一转变可能使机器人技术在批量工业应用之外也具备经济性。

Jetson系列自2014年起便由英伟达面向开发者推广，长期以来是其边缘计算业务的支柱，而且该公司在这一领域并非孤军奋战：高通、AMD和英特尔也在销售面向边缘AI工作负载的处理器。

宾夕法尼亚大学工程与应用科学学院教授Ben Lee表示，随着机器人需要越来越强大的模型在本地运行，英伟达在边缘AI领域的现有地位为其提供了坚实的起点。

“凭借Jetson平台，英伟达在边缘AI芯片市场占有重要地位，”Lee说，“整合更强大的AI处理器并为推理提供更多软件支持，将使更新的AI模型能够应用于机器人技术和其他自主系统。”

Lee还强调了在传统工业环境之外部署机器人的经济性问题。他表示，更成熟的软件栈可以减轻工程负担，而这一负担历来使机器人技术在低价值应用中难以立项。

“对于机器人技术来说，挑战在于工程成本在通用、低价值的使用场景中难以证明其合理性，”他说，“一个让这些机器人和处理器更易于编程的成熟软件栈将减少工程投入并降低成本。”

小型模型，更大体量

据Informa TechTarget旗下Omdia的分析师Alexander Harrowell称，英伟达对机器人市场的这一定位，正值业界对何为小型模型的定义发生更广泛转变之际。

“更多的AI确实正在进入机器人领域，小型多模态Transformer在该领域正变得越来越普遍，”Harrowell说。

他表示，这一区别对于业界应如何解读英伟达的规格参数至关重要。

“尽管小型AI模型正变得越来越好、越来越重要，但我们所认为的小型模型正在发生变化，”他说。他指出，Hugging Face上的典型模型已从大约1000万至1亿参数增长到30亿至80亿参数。Hugging Face是一个广泛使用的AI模型共享公共存储库。

对于Orin Nano 2硬件实际能支持什么，Harrowell则持更为怀疑的态度。

“从Nano 2的规格来看，限制因素是内存容量，”他说。

由于预计到2027年上半年才会上市，最终硬件搭载多少内存——以及哪些模型能够在其中运行——将是开发者围绕该平台规划系统时权衡的关键细节之一。

来源：AI Business