NVIDIA Jetson Thor T3000 och T2000 för kant-AI i robotik

När Jensen Huang landade i Japan gick ryktena i spinn. Folk väntade sig en stor tillkännagivelse. NVIDIA svarade med två nya Jetson Thor-moduler som känns som en knuff till alla som bygger verklig AI: gå från labbdemonstrationer till maskiner som verkligen fungerar i fabriker, lager och på mobila robotar.

Små paket. Stora ambitioner.

Möt Jetson Thor T3000 och T2000. De är inga inkrementella uppdateringar. Tänk på dem som mer kompakta, effektiva syskon i Jetson AGX Thor-familjen, utformade för att ge seriös inferenskraft vid kanten utan att blåsa upp storlek eller effektbudgetar.

T3000 är den slanka, högeffektiva varianten. Den levererar cirka 865 teraflops FP4-beräkning samtidigt som den minskar ungefär hälften av storleken och effektförbrukningen jämfört med flaggskeppet Thor T5000. Under huven: en Blackwell-baserad GPU, upp till åtta Arm Neoverse-kärnor, 32 gigabyte LPDDR5X-minne som enligt uppgift körs i 273 gigabyte per sekund, och 25 GbE-anslutning. NVIDIA säger att den matchar T5000 i många inferensarbetsbelastningar som är viktigast för robotik och multimodal AI, från stora språkmodeller till visions- och språkssystem, samtidigt som typisk effekt hålls kring 70 watt.

T2000 riktar sig mot en annan nisch: kostnadsmedvetna, mobila och synfokuserade enheter. Den innehåller cirka 400 teraflops FP4 och levereras med 16 gigabyte minne. Effektbudgeten här är runt 40 watt. Det gör den till ett naturligt val för autonoma mobila robotar, grundläggande humanoida tillämpningar och utvecklare som utforskar förkroppsligad AI utan att binda sig till topputrustning.

• Hög beräkningsdensitet med skalade effektprofiler
• Hårdvara riktad mot massmarknadsrobotik och edge-AI
• Programvaruförst-optimiseringar för att minska minnesanvändning och kostnader

Varför spelar detta roll nu? För att branschen går från experimenterande till driftssättning. Företag som Boston Dynamics, Amazon Robotics, Tesla, Agility och Agile Robots pressar alla in i fysisk AI. Ekonomin förändras när beräkningarna får plats inom de effekt- och kostnadsbegränsningar som finns på fabriksgolv och logistiknav.

NVIDIA stannar inte vid kisel. Företaget presenterade en uppsättning mjukvaruverktyg kallade Jetson Agent Skills för att hjälpa utvecklare att pressa ut mer ur stacken. Idén är enkel: optimera hela mjukvarupipelinen så att en applikation kräver mindre RAM och kan köras på en lägre nivå av SKU. Vinsten är praktisk. NVIDIA visade fall där Jetson AGX Orin-uppsättningar halverade minnesanvändningen samtidigt som de levererade jämförbara resultat. Sådan optimering översätts direkt till lägre kostnader och längre batteritid för utplacerade robotar.

När det gäller tillgänglighet säger företaget att T3000 kommer vara tillgänglig i simulering redan nu med JetPack version 7.2.1, medan T2000 kommer i framtida programuppdateringar. Kommersiella leveranser för båda är planerade till första kvartalet 2027.

Dessa moduler handlar om att ta bort hinder: lägre kostnader, lägre effekt och den mjukvara som får allt att fungera tillsammans.

För systembyggare blir valet tydligare. Om du behöver närapå flaggskeppsinferens med en bråkdel av fotavtrycket är T3000 valet. Om du bygger stora flottor av visionsagenter eller kompakta humanoider och måste balansera prestanda mot energi och pris, erbjuder T2000 en vettig ingångspunkt.

Räkna med att se Jetson Thor i nästa generations robotkontroller, autonoma logistikfordon och inbäddade maskiner som behöver realtids multimodal AI. Företaget har fyllt produktkartan från instegs-Orin-datorer upp till den mer högpresterande Thor-familjen, vilket positionerar dem som det självklara valet för robotikdesigners som måste omvandla AI-forskning till pålitlig hårdvara.

Inte varje genombrott är spektakulärt. Ibland ser framsteg ut som effektivitet: smartare mjukvara, tajtare kisel och en tydligare väg från prototyp till produktion. NVIDIAs nya Jetson Thor-moduler påminner om att i robotik gäller ofta att användbar beräkning betyder mer än rubriksättande prestandamått.