Nieuwe NVIDIA Jetson Thor-modules: Edge-AI voor robots

Toen Jensen Huang in Japan landde, begon het geruchtencircuit op volle toeren te draaien. Mensen verwachtten een grote aankondiging. NVIDIA kwam met twee nieuwe Jetson Thor-modules die aanvoelen als een duwtje richting iedereen die praktische AI bouwt: ga van labdemo's naar machines die daadwerkelijk werken in fabrieken, opslagplaatsen en op mobiele robots.

Kleine pakketten. Grote ambities.

Maak kennis met de Jetson Thor T3000 en T2000. Het zijn geen marginale updates. Zie ze als strakkere, efficiëntere gezinsleden van de Jetson AGX Thor-familie, ontworpen om serieuze inferentiekracht aan de edge te brengen zonder het formaat of het energieverbruik op te blazen.

De T3000 is de slanke, hoog-efficiënte variant. Hij levert ongeveer 865 teraflops aan FP4-rekenkracht en verkleint ongeveer de helft van het formaat en stroomverbruik van de flagship Thor T5000. Onder de motorkap: een GPU gebaseerd op Blackwell, tot acht Arm Neoverse-cores, 32 gigabyte LPDDR5X-geheugen dat volgens opgave 273 gigabyte per seconde haalt, en 25 GbE-connectiviteit. NVIDIA zegt dat hij bij veel inference-workloads die er het meest toe doen voor robotica en multimodale AI gelijkwaardig is aan de T5000, van grote taalmodellen tot vision-language-systemen, terwijl het typische vermogen rond de 70 watt wordt gehouden.

De T2000 richt zich op een ander segment: kostenbewuste, mobiele en vision-voorop agenten. Hij biedt ongeveer 400 teraflops FP4 en wordt geleverd met 16 gigabyte geheugen. Het stroomprofiel ligt hier rond 40 watt. Dat maakt hem een natuurlijke keuze voor autonome mobiele robots, basale humanoïde toepassingen en ontwikkelaars die embodied AI verkennen zonder zich vast te leggen op topklasse hardware.

• Hoge reken­dichtheid met geschaalde energieprofielen
• Hardware gericht op massamarkt-robotica en edge-AI
• Software-eerst optimalisaties om geheugengebruik en kosten te verlagen

Waarom is dit nu belangrijk? Omdat de industrie verschuift van experimenten naar uitrol. Bedrijven zoals Boston Dynamics, Amazon Robotics, Tesla, Agility en Agile Robots zetten allemaal in op fysieke AI. De economische rek verandert wanneer de rekenkracht binnen de energie- en kostengrenzen past die op fabriekvloeren en logistieke knooppunten gelden.

NVIDIA stopt niet bij silicium. Het introduceerde een set softwaretools genaamd Jetson Agent Skills om ontwikkelaars te helpen meer uit de stack te halen. Het idee is eenvoudig: optimaliseer de volledige softwarepijplijn zodat een applicatie minder RAM nodig heeft en op een lager geprijsde SKU kan draaien. Het resultaat is praktisch. NVIDIA liet voorbeelden zien waarin Jetson AGX Orin-opstellingen het geheugenverbruik halveerden terwijl vergelijkbare resultaten werden geleverd. Zulke optimalisaties vertalen zich rechtstreeks naar lagere rekeningen en langere batterijduur voor uitgerolde robots.

Wat beschikbaarheid betreft zegt het bedrijf dat de T3000 nu al in simulatie toegankelijk is met JetPack versie 7.2.1, terwijl de T2000 in toekomstige software-updates zal verschijnen. Commerciële leveringen van beide modules staan gepland voor het eerste kwartaal van 2027.

Deze modules draaien om het wegnemen van barrières: lagere kosten, lager energieverbruik en de software om alles passend te maken.

Voor systeembouwers is de keuze duidelijker. Heb je bijna-flagship inferentie nodig met een fractie van de footprint, dan is de T3000 de keuze. Bouw je grote vloot vision-agenten of compacte humanoïden en moet je prestaties balanceren met energie en prijs, dan biedt de T2000 een verstandige instapoptie.

Verwacht dat Jetson Thor terug te vinden zal zijn in next-generation robotcontrollers, autonome logistieke voertuigen en ingebedde machines die real-time multimodale AI nodig hebben. Het bedrijf heeft het productaanbod gevuld van instap-Orin-gebaseerde computers tot de hogere Thor-familie, en positioneert zich zo als de go-to voor robotica-ontwerpers die AI-onderzoek in betrouwbare hardware moeten omzetten.

Niet elke doorbraak is show. Soms ziet vooruitgang eruit als efficiëntie: slimere software, strakker silicium en een helderdere weg van prototype naar productie. NVIDIA's nieuwe Jetson Thor-modules herinneren eraan dat in robotica bruikbare rekenkracht vaak belangrijker is dan koppen haalbare benchmarks.