ماژول های جدید جتسون ثور برای رباتیک صنعتی و لبه

وقتی جنسن هوانگ وارد ژاپن شد، شایعات به اوج رسید. مردم انتظار یک اعلامیه بزرگ داشتند. انویدیا با دو ماژول جدید Jetson Thor پاسخ داد که نوعی تلنگر برای کسانی است که هوش مصنوعی واقعی می‌سازند: از نمونه‌های آزمایشی به ماشین‌هایی که واقعاً در کارخانه‌ها، انبارها و روی ربات‌های متحرک کار می‌کنند منتقل شوید.

بسته‌های کوچک. جاه‌طلبی‌های بزرگ.

با Jetson Thor T3000 و T2000 آشنا شوید. آنها به‌روزرسانی‌های جزئی نیستند. آنها را مانند اعضای جمع‌وجورتر و کارآمدتر خانواده Jetson AGX Thor در نظر بگیرید که برای قرار دادن قدرت استنتاج جدی در لبه شبکه طراحی شده‌اند بدون اینکه اندازه یا محدودیت‌های توان را افزایش دهند.

T3000 نمونه‌ای باریک و بسیار کارآمد است. این ماژول حدود ۸۶۵ ترافلاپس محاسبات FP4 ارائه می‌دهد و در عین حال تقریباً نصف اندازه و مصرف برق پرچم‌دار Thor T5000 را کاهش می‌دهد. درون آن: یک واحد پردازش گرافیکی مبتنی بر معماری Blackwell، تا هشت هسته Arm Neoverse، ۳۲ گیگابایت حافظه LPDDR5X با پهنای باند اعلام‌شده حدود ۲۷۳ گیگابایت در ثانیه و اتصال اترنت ۲۵ گیگابیتی. انویدیا می‌گوید در بسیاری از بارهای کاری استنتاج که برای رباتیک و هوش مصنوعی چندمودالی اهمیت دارند، از مدل‌های زبان بزرگ گرفته تا سیستم‌های بینایی-زبان، عملکردی مشابه T5000 ارائه می‌دهد و در عین حال مصرف معمول را در حدود ۷۰ وات محدود می‌کند.

T2000 نقطه‌هدف متفاوتی دارد: عامل‌های همراه با بودجه محدود، متحرک و اولویت‌بخش به بینایی. این ماژول حدود ۴۰۰ ترافلاپس FP4 دارد و با ۱۶ گیگابایت حافظه عرضه می‌شود. محدوده توان آن حدود ۴۰ وات است. این ویژگی‌ها آن را به انتخابی طبیعی برای ربات‌های متحرک خودران، کاربردهای پایه‌ای انسان‌مانند و توسعه‌دهندگانی که می‌خواهند هوش مصنوعی تجسم‌یافته را بدون تعهد به سخت‌افزار رده‌بالا آزمایش کنند تبدیل می‌کند.

• تراکم محاسباتی بالا با پروفایل‌های توان مقیاس‌پذیر
• سخت‌افزاری که برای رباتیک بازار انبوه و هوش مصنوعی لبه طراحی شده است
• بهینه‌سازی‌های مبتنی بر نرم‌افزار برای کاهش استفاده از حافظه و هزینه

چرا این موضوع اکنون اهمیت دارد؟ زیرا صنعت از آزمایش و نمونه‌سازی به سمت استقرار حرکت می‌کند. شرکت‌هایی مانند بوستون داینامیکس، آمازون رباتیکس، تسلا، Agility و Agile Robots همگی در حال حرکت به سمت هوش مصنوعی فیزیکی هستند. اقتصاد پروژه‌ها زمانی تغییر می‌کند که محاسبات در چارچوب محدودیت‌های توان و هزینه‌ای قرار بگیرد که در خطوط تولید و مراکز لجستیک مشاهده می‌شود.

انویدیا به سیلیکون محدود نمی‌ماند. این شرکت مجموعه‌ای از ابزارهای نرم‌افزاری به نام Jetson Agent Skills معرفی کرده است تا به توسعه‌دهندگان کمک کند بیشترین بهره را از پشته ببرند. ایده ساده است: کل مسیر نرم‌افزاری را بهینه کنید تا یک برنامه به حافظه کمتری نیاز داشته باشد و بتواند روی نسخه‌های پایین‌تر اجرا شود. بازده این کار کاربردی است. انویدیا نمونه‌هایی نشان داد که در آن‌ها تنظیمات Jetson AGX Orin مصرف حافظه را تا نصف کاهش داد در حالی که نتایج قابل مقایسه‌ای ارائه می‌کرد. چنین بهینه‌سازی‌هایی مستقیماً به کاهش هزینه‌ها و افزایش عمر باتری ربات‌های مستقر ترجمه می‌شود.

در مورد دسترسی، شرکت می‌گوید T3000 هم‌اکنون در شبیه‌سازی با نسخه JetPack 7.2.1 قابل دسترسی خواهد بود، در حالی که T2000 در به‌روزرسانی‌های نرم‌افزاری آینده ظاهر خواهد شد. ارسال‌های تجاری هر دو برای فصل اول سال ۲۰۲۷ برنامه‌ریزی شده است.

هدف این ماژول‌ها حذف موانع است: کاهش هزینه، کاهش مصرف توان و ارائه نرم‌افزاری که همه اجزا را کنار هم قرار دهد.

برای سازندگان سیستم انتخاب واضح‌تر است. اگر به استنتاج نزدیک به سطح پرچم‌دار با کسری از ابعاد نیاز دارید، T3000 انتخاب مناسب است. اگر در حال ساخت ناوگان‌های بزرگ از عامل‌های بینایی یا انسان‌نماهای جمع‌وجور هستید و باید بین عملکرد، انرژی و قیمت تعادل برقرار کنید، T2000 نقطه ورود معقولی ارائه می‌دهد.

انتظار داشته باشید Jetson Thor را درون کنترلرهای نسل بعدی ربات‌ها، وسایل نقلیه لجستیک خودران و دستگاه‌های تعبیه‌شده‌ای که به هوش مصنوعی چندمودالی بلادرنگ نیاز دارند ببینید. شرکت نقشه محصول را از کامپیوترهای مبتنی بر Orin سطح ورودی تا خانواده Thor سطح بالاتر پر کرده است و خود را در موقعیتی قرار داده که برای طراحان رباتیک که باید پژوهش‌های هوش مصنوعی را به سخت‌افزار قابل اتکا تبدیل کنند، انتخاب اول باشد.

هر پیشرفتی لازم نیست چشم‌گیر باشد. گاهی پیشرفت به صورت کارآمدتر شدن ظاهر می‌شود: نرم‌افزار هوشمندتر، سیلیکون فشرده‌تر و مسیر روشن‌تر از نمونه اولیه تا تولید. ماژول‌های جدید Jetson Thor انویدیا یادآور این نکته‌اند که در رباتیک، محاسبات قابل استفاده اغلب از بنچمارک‌های بزرگ‌تر اهمیت بیشتری دارند.