NVIDIA выпустила одноплатный ИИ-компьютер Jetson Orin Nano с производительностью 67 TOPS

Компания NVIDIA выпустила одноплатный компьютер Jetson Orin Nano, предназначенный для локального запуска нейросетей и работы с задачами компьютерного зрения. Аппаратная часть системы построена на базе шестиядерного процессора Cortex A78E и графической архитектуры Ampere, которая включает 1024 ядра CUDA и 32 тензорных ядра. В результате устройство обеспечивает производительность на уровне 67 TOPS при выполнении операций INT8, что позволяет обрабатывать потоковые данные в реальном времени при настраиваемом энергопотреблении от 7 до 25 Вт.
Вычислительные мощности дополнены оперативной памятью стандарта LPDDR5 объемом 8 ГБ с пропускной способностью 102 ГБ/с, что необходимо для работы с крупными моделями машинного обучения без обращения к облачным вычислительным кластерам. Для интеграции в сложные аппаратные комплексы плата оснащена интерфейсами MiPi для подключения внешних камер, гигабитным Ethernet-портом и тремя слотами M.2, позволяющими устанавливать NVMe-накопители или дополнительные модули беспроводной связи.
Выпуск устройства стоимостью 249 долларов отражает тенденцию к развитию граничных вычислений (edge computing), при которых первичная обработка информации происходит непосредственно на физическом объекте. Совместимость с фреймворками TensorFlow, PyTorch и ONNX через программную экосистему Jetson означает, что инженеры в сфере робототехники и промышленной автоматизации получают стандартизированную платформу для портирования и развертывания существующих ИИ-решений в компактном форм-факторе.
Поделиться:
Ещё из архива
Все публикации
Интервью с Владимиром Аюевым: графический язык бигтеха, студия SASHA и дизайн-образование
1 месяц назад
Jockey от TwelveLabs: ИИ-агент для семантического поиска по видеоархивам и извлечения метаданных
1 месяц назад
Архитектура винной этикетки: баланс наборного шрифта и каллиграфии в кейсе Winecraft
1 месяц назад
Оптимизация контекста в Claude Code: как работает кэширование промптов и за что мы платим
1 месяц назад
Архитектура памяти для LLM-агентов: от базового SQLite до Graph RAG
1 месяц назад