当生成式 AI 从云端走向真实世界，问题正在发生变化。
当生成式 AI 从云端走向真实世界，问题正在发生变化。
过去一年，大模型的进步更多发生在数据中心：更大的参数、更强的推理、更高的训练效率。但对于机器人、无人机、工业视觉系统和家用智能设备来说，真正关键的问题不是模型能不能变聪明，而是这种智能能不能在有限空间、有限功耗和实时场景里稳定运行。
这也是边缘 AI 重新变得重要的原因。越来越多设备需要在本地理解图像、语言、空间和环境变化，并在毫秒级完成判断。云端可以提供强大的智能底座，但在配送无人机避障、清洁机器人建图、工业视觉检测等场景中，低延迟、可靠性、能效和数据本地处理同样决定了 AI 能不能真正进入产品。
8 月 25 日，NVIDIA 发布全新机器人计算机 Jetson Orin Nano 2，试图把这一能力进一步推向入门级边缘 AI 市场。官方信息显示，Jetson Orin Nano 2 拥有 78 TOPS AI 算力、8GB 内存和 8 核 Arm CPU，在保持紧凑尺寸的同时，推理性能较前代产品实现翻倍；在同等性能下，功耗降低 40%。
这意味着，对数百万机器人和边缘 AI 开发者来说，更高性能的本地推理能力，正在进入一个更容易部署的计算平台。
物理 AI 需要新的边缘计算入口
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。
这句话背后，是一个重要变化：模型能力正在从「只能在云端运行」向「可以被压缩、优化并部署到设备端」迁移。随着视觉语言模型、端侧大语言模型和多模态模型变得更高效，机器人不再只是执行固定程序的自动化设备，而开始具备更强的环境理解和交互能力。
但这种变化要落到真实设备上，不能只依赖模型本身。机器人、无人机和视觉 AI 系统往往受限于电池、散热、体积、成本和实时控制链路。它们需要的不是单纯更大的算力，而是在更低功耗下稳定运行多种 AI 任务的能力。
Jetson Orin Nano 2 正是面向这一位置推出的产品。它不在 NVIDIA 产品阵列中追求最高算力，而是位于 Jetson 机器人计算平台中更靠近开发者和规模化设备的一层：为小型机器人、配送和巡检无人机、视觉 AI 系统、边缘摄像头和家用机器人提供紧凑、高能效的本地 AI 计算基础。
从 NVIDIA 更大的产品阵列看，数据中心 GPU 负责大模型训练和云端推理，Jetson AGX Orin、Jetson Thor 等平台面向更高性能的机器人和自动化系统，而 Jetson Orin Nano 2 则承担另一种任务：把物理 AI 的能力下沉到更多入门级、低功耗、可量产的边缘设备中。
性能翻倍，不只是峰值算力的提升
在硬件参数上，Jetson Orin Nano 2 提供 78 TOPS AI 算力、8GB 内存和 8 核 Arm CPU。对于边缘设备来说，这类配置的意义不只是能跑更大的模型，而是能在同一设备上同时处理视觉感知、语义理解、导航规划、人机交互等多种任务。
据 NVIDIA 介绍，Jetson Orin Nano 2 通过改进的 Tensor Core 和更高内存带宽，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 15W 功耗模式下，它可以在实现与前代产品相同性能表现的同时，将功耗降低 40%。
这对机器人和无人机尤其关键。功耗降低意味着更长续航、更低散热压力和更灵活的结构设计；推理性能提升则意味着设备可以处理更复杂的模型和更多传感器输入。对于部署在家庭、工厂、仓库、道路和低空环境中的机器而言，这些指标最终都会转化为产品体验和运行可靠性。
软件生态也是 Jetson Orin Nano 2 的核心部分。依托 NVIDIA 开放软件栈、Jetson AI Lab 以及 AI 生态系统，开发者可以运行面向高能效边缘推理优化的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。
这让 Jetson Orin Nano 2 不只是一个硬件模块，而是 NVIDIA 物理 AI 技术栈中的入口级平台。开发者可以基于同一套生态完成模型部署、视觉感知、机器人控制和应用开发，从而缩短从原型到产品的路径。
从开发板到真实机器，生态决定落地速度
NVIDIA 披露，目前已有超过 300 万名开发者基于其机器人技术栈进行开发。Jetson Orin Nano 2 发布后，康耐视、斗山山猫、Matic 和 Wing 等企业已经率先采用或计划评估这一平台，探索其在真实边缘 AI 应用中的能力。
在配送无人机场景中，Alphabet 旗下无人机配送公司 Wing 正在其配送无人机机队中使用 Jetson Orin Nano Super 和 NVIDIA 软件栈，并计划评估 Jetson Orin Nano 2，以进一步提升实时 AI 感知和推理能力。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，希望打造响应更迅速且能效更高的无人机。
在家用机器人场景中，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。按照公司说法，这一平台将帮助机器人实现对话式 AI、手势识别，并通过精准建图和语义理解，更深入地理解家庭环境并自主完成清洁。
这些场景共同指向同一件事：物理 AI 的落地，不只取决于模型能力，还取决于计算平台能否适应真实设备的工程约束。家用机器人需要安静、低功耗、低延迟；无人机需要轻量化和稳定感知；工业视觉系统需要长时间运行和可靠识别。边缘计算平台越成熟，开发者越有可能把 AI 能力从演示带到产品。
围绕 Jetson Orin Nano 2，NVIDIA 的硬件生态也在同步跟进。研扬科技、凌华科技、研华科技、安提国际、Antmicro、Aptiv、Auvidea、圆刚科技、Connect Tech、ForeCR、智微智能、RidgeRun、矽递科技、YUAN 等合作伙伴，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。
对于 NVIDIA 来说，Jetson Orin Nano 2 的意义，是在高端 AI 基础设施之外，继续扩大物理 AI 的开发者和设备基座。对于开发者和硬件厂商来说，它提供了一个更低门槛的入口：在有限功耗和成本里，把本地感知、语言理解和实时推理放进更多真实机器。
当 AI 开始进入会移动、会观察、会与人互动的设备，边缘端算力就不再只是配套能力，而会成为物理 AI 规模化的基础设施。Jetson Orin Nano 2 所要推进的，正是这一层能力的普及。
