Le 25 août 2026, Nvidia a annoncé le Jetson Orin Nano 2, son nouvel ordinateur robotique d’entrée de gamme. Objectif : mettre la puissance des modèles génératifs entre les mains de millions de développeurs qui construisent robots, drones de livraison et systèmes de vision. La promesse tient en deux chiffres : 2x la performance d’inférence de son prédécesseur dans le même format, et 40 % de consommation en moins à performance égale.
Ce qui s’est passé
Le Jetson Orin Nano 2 embarque 78 TOPS (trillions d’opérations par seconde) de calcul IA, 8 Go de mémoire et un CPU Arm 8 cœurs. Nvidia annonce qu’il fait tourner les derniers LLM et modèles vision-langage optimisés pour l’inférence edge — dont Cosmos et Nemotron, mais aussi des modèles ouverts comme Gemma 4 et Qwen 3.
La thèse de Nvidia : les petits modèles frontier d’aujourd’hui ont rejoint la précision des gros modèles de l’année dernière, ce qui rend l’inférence temps réel à la périphérie enfin crédible. « Les modèles frontier petits et moyens d’aujourd’hui ont atteint la précision des plus grands modèles de l’année dernière », résume Deepu Talla, VP robotics and edge AI chez Nvidia.
Côté adoption, le communiqué cite Cognex, Doosan Bobcat et Matic parmi les premiers à explorer la plateforme, et Wing (la filiale de livraison par drone d’Alphabet) prévoit de l’évaluer pour sa flotte. Plus de 3 millions de développeurs construisent déjà sur la stack robotics de Nvidia, et une vingtaine de partenaires (Aptiv, ADLINK, Seeed Studio, Antmicro…) préparent cartes porteuses et kits de référence. Disponibilité du module et du dev kit : premier semestre 2027.
Pourquoi c’est important
C’est la démonstration que la convergence « modèles plus petits + hardware plus efficace » n’est plus un vœu pieux. Jusqu’ici, l’IA générative temps réel à la périphérie restait le privilège de hardware haut de gamme. En doublant les perfs du Nano dans le même boîtier tout en baissant la consommation, Nvidia abaisse le coût d’entrée de la physical AI : robots domestiques, drones d’inspection, caméras intelligentes.
Le signal est aussi économique : pendant que les frontier labs se battent sur les prix des tokens dans le cloud, Nvidia pousse le calcul IA là où il n’y a pas de cloud — dans l’appareil. C’est la stratégie edge qui se concrétise, avec un argument massue : la souveraineté des données et la latence, qui n’existent plus comme problème quand le modèle tourne sur place.
Implications pour les devs et le web
- L’edge devient une cible viable pour les LLM. Avec 78 TOPS et 8 Go de RAM, on peut envisager d’embarquer un modèle de 7-8 Md de paramètres quantisé. Les API ne sont plus la seule option pour les apps temps réel.
- Le trio gagnant : petits modèles + quantisation + edge. Les écosystèmes Gemma/Qwen/Nemotron se jouent maintenant aussi sur device — à suivre de près si vous faites de la vision ou du traitement local.
- Pensez aux contraintes hardware dès la conception. Form factor, consommation et thermique deviennent des variables de design au même titre que la précision du modèle. Le 15 W en mode basse consommation change la donne pour les appareils sur batterie.
- Côté web, la tendance est au « hybrid AI » : le cloud pour les tâches lourdes, l’edge pour la latence critique. Les architectures qui mixent les deux vont se généraliser.