【导读】边缘AI的落地，取决于算力、功耗与成本的平衡。随着中小模型能力快速提升，硬件平台能否跟上成为关键。8月25日，NVIDIA发布Jetson Orin Nano 2，在相同尺寸下推理性能翻倍，同性能下功耗降低40%，目标很明确：让数百万开发者手中的机器人、无人机等物理AI设备，能以更低门槛运行主流生成式AI模型。
随着 AI 模型变得更小及更高效，越来越多的边缘设备正演进为能够理解上下文、解析语言和图像，并实时采取响应的自主系统。为了将这些能力应用于机器人、配送和巡检无人机以及视觉 AI 系统等实体机器中，开发者需要专为边缘 AI 打造的紧凑且高能效机器人计算机。
NVIDIA 机器人与边缘 AI 副总裁 Deepu Talla 表示：“如今，中小型前沿模型的准确率已经达到去年最大型前沿模型的水平，为边缘设备实现实时智能提供了可能。Jetson Orin Nano 2 计算机让这一突破性能力惠及数百万开发者，并为在边缘端实现实时推理提供所需的性能和高能效。”
康耐视、斗山山猫和 Matic 已率先采用 Jetson Orin Nano 2 并展开相关探索。
入门级边缘 AI 的重大飞跃
Jetson Orin Nano 2 拥有 78 TOPS 的 AI 算力、8GB 内存和 8 核 Arm CPU，在兼顾成本效益和能效的系统中，在 AI 和视频处理性能方面实现了大幅提升。
通过改进的 Tensor Core 和更高的内存带宽，Jetson Orin Nano 2 在保持相同紧凑尺寸的前提下，推理性能较 Jetson Orin Nano Super 实现翻倍。在 15 瓦功耗模式下，Jetson Orin Nano 2 在实现与前代产品相同性能表现的同时，功耗降低 40%。
依托 NVIDIA 开放软件栈、NVIDIA Jetson™ 智能体技能以及丰富的 AI 生态系统，Jetson Orin Nano 2 可帮助开发者运行专为高能效边缘推理优化的最新大语言模型和视觉语言模型——包括 NVIDIA Cosmos™、NVIDIA Nemotron™、Gemma 4、Qwen 3 等开放模型——从而快速构建先进的 AI 应用。
合作伙伴生态系统与数百万机器人开发者基于 Jetson 开发
目前，已有超过 300 万名开发者基于 NVIDIA 机器人技术栈进行开发。借助 Jetson Orin Nano 2，康耐视、斗山山猫、Matic 和 Wing 等合作伙伴正在将现实世界的边缘 AI 应用引入紧凑型设备，涵盖家用机器人、视觉 AI 系统、配送和巡检无人机、载板、硬件系统以及参考解决方案。
Alphabet 旗下领先的无人机配送公司 Wing，正在其配送无人机机队中使用 Jetson Orin Nano Super 和 NVIDIA 软件栈。同时，该公司正计划评估 Jetson Orin Nano 2，以进一步提升实时 AI 感知和推理能力，从而为本地商家及居民提供更快速、更安全的配送服务。
Wing 感知负责人 Dinuka Abeywardena 表示：“无人机配送需要 AI 快速并可靠地理解现实环境。Wing 正在探索 Jetson Orin Nano 2，希望借此打造响应更迅速且能效更高的无人机，为客户提供更快捷、更可靠的配送服务。”
先进的消费级机器人公司 Matic Robots 正在采用 Jetson Orin Nano 2，为其家用清洁机器人打造更直观的交互体验，赋能机器人实现对话式 AI、手势识别，并能通过精准建图和语义理解更深入地理解家庭环境，实现自主清洁。
Matic Robotics 联合创始人兼首席执行官 Navneet Dalal 表示：“家用机器人需要理解用户的意图、精准绘制空间地图、掌握物体和空间的布局，并在动态且不断变化的环境中自主完成清洁。借助 Jetson Orin Nano 2，Matic 可以在专为实时感知、交互和导航打造的紧凑型家用机器人平台上运行最前沿的边缘 AI 模型。”
研扬科技、凌华科技、研华科技、安提国际、Antmicro、Aptiv、Auvidea、圆刚科技、Chuanglebo、Connect Tech、ForeCR、智微智能、Neurealm、Plink、Realtimes、RidgeRun、RS、矽递科技、Tauro Tech、Twowin和 YUAN 等 Jetson 合作伙伴，正在打造载板、硬件系统、定制化 AI 软件和参考解决方案，帮助客户加快产品上市进程。
上市时间
NVIDIA Jetson Orin Nano 2 模组和开发者套件预计将于 2027 年上半年上市。
结论
从康耐视、Matic到Wing，先行者的选择说明Jetson Orin Nano 2的价值不在于峰值算力，而在于让高能效边缘推理变得可规模化。三百多万开发者生态与十多家合作伙伴的配套方案，缩短了从评估到量产的距离。当开放模型能在紧凑功耗下顺畅运行，边缘设备从“感知”走向“理解”就有了更实在的硬件支点，一批此前止步于概念的机器人应用，有望真正进入开发和部署阶段。
