NVIDIA Jetson Thor: Mindre moduler til industrirobotter

Da Jensen Huang landede i Japan, gik rygtemøllen i overdrive. Folk forventede en stor meddelelse. NVIDIA svarede med to nye Jetson Thor-moduler, der føles som et skub til alle, der bygger AI til den virkelige verden: gå fra laboratoriedemoer til maskiner, der faktisk fungerer i fabrikker, lagre og på mobile robotter.

Små pakker. Store ambitioner.

Præsenterer Jetson Thor T3000 og T2000. De er ikke blot trinvise opdateringer. Tænk på dem som strammere, mere effektive søskende i Jetson AGX Thor-familien, designet til at placere seriøs inferenskraft ved kanten uden at øge størrelse eller strømforbrug.

T3000 er den slanke, høj-effektive variant. Den leverer omkring 865 teraflops FP4-beregning samtidig med at den reducerer omtrent halvdelen af størrelsen og strømforbruget sammenlignet med flagskibet Thor T5000. Under overfladen: en GPU baseret på Blackwell-arkitekturen, op til otte Arm Neoverse-kerner, 32 gigabyte LPDDR5X-hukommelse med en påstået båndbredde på 273 gigabyte per sekund, og 25 GbE-forbindelse. NVIDIA siger, at den matcher T5000 på mange inferens-workloads, som betyder mest for robotik og multimodal AI, fra store sprogmodeller til syns-sprog-systemer, alt sammen mens den typisk holder effekt omkring 70 watt.

T2000 sigter mod et andet segment: prisbevidste, mobile og syns-fokuserede agenter. Den rummer omkring 400 teraflops FP4 og leveres med 16 gigabyte hukommelse. Strømforbruget ligger omkring 40 watt. Det gør den til et naturligt valg for autonome mobile robotter, simple humanoide applikationer og udviklere, der udforsker embodied AI uden at binde sig til topklasses hardware.

• Høj beregningstæthed med skalerede effektprofiler
• Hardware rettet mod massemarkedsrobotik og edge-AI
• Software-først optimeringer for at reducere hukommelsesbrug og omkostninger

Hvorfor betyder det noget nu? Fordi branchen bevæger sig fra eksperimenter til udrulning. Virksomheder som Boston Dynamics, Amazon Robotics, Tesla, Agility og Agile Robots skyder alle ind i fysisk AI. Økonomien ændrer sig, når beregning kan indpasses i de strøm- og omkostningsrammer, der ses på fabriksgulve og i logistikhubs.

NVIDIA stopper ikke ved silicium. De introducerede et sæt softwareværktøjer kaldet Jetson Agent Skills for at hjælpe udviklere med at presse mere ud af stakken. Ideen er enkel: optimer hele softwarepipelinjen, så en applikation kræver mindre RAM og kan køre på et lavere SKU-niveau. Gevinsten er praktisk. NVIDIA viste tilfælde, hvor Jetson AGX Orin-opsætninger halverede hukommelsesforbruget samtidig med at de leverede sammenlignelige resultater. Den slags optimering oversættes direkte til lavere regninger og længere batterilevetid for udrullede robotter.

Med hensyn til tilgængelighed siger selskabet, at T3000 vil være tilgængelig i simulation nu med JetPack version 7.2.1, mens T2000 vil dukke op i kommende softwareopdateringer. Kommercielle leverancer for begge er planlagt til første kvartal 2027.

Disse moduler handler om at fjerne barrierer: lavere omkostninger, lavere effekt og softwaren til at få det hele til at hænge sammen.

For systembyggere er valget klarere. Hvis du har brug for næsten flagskibsinferens i en brøkdel af pladsen, er T3000 valget. Hvis du bygger store flåder af synsagenter eller kompakte humanoider og skal afveje ydeevne mod energi og pris, giver T2000 et fornuftigt indgangspunkt.

Forvent at se Jetson Thor inde i næste generation af robotcontrollere, autonome logistik-køretøjer og indlejrede maskiner, der har brug for realtids multimodal AI. Selskabet har fyldt produktkortet fra entry-level Orin-baserede computere op gennem den højere ende af Thor-familien og positionerer sig til at være go-to for robotdesignere, der skal omsætte AI-forskning til pålidelig hardware.

Ikke hver gennembrud er prangende. Nogle gange ser fremgang ud som effektivitet: klogere software, strammere silicium og en klarere vej fra prototype til produktion. NVIDIAs nye Jetson Thor-moduler minder om, at i robotik betyder brugbar beregning ofte mere end flotte benchmarks.