NVIDIA 發布 Jetson Thor T3000／T2000 邊緣 AI 模組，量產機器人部署開始有算力底座
- NVIDIA 發布 Jetson Thor T3000 與 T2000 兩款新模組：T3000 算力 865 FP4 teraflops、32GB 記憶體，T2000 算力 400 FP4 teraflops、16GB 記憶體，兩款預計 2027 年第一季量產。
- 新推出的 Jetson agent skills 可自動優化記憶體用量，UBTech、Agile Robots 等實際使用後最多節省 15GB 記憶體，NoTraffic 在舊款 Jetson TX2 NX 上也省了 30%。
- NVIDIA 同步發布 Cosmos 3 Edge，這是一個 40 億參數的輕量世界基礎模型，設計用於在 Thor 平台設備端執行即時視覺推論與機器人動作預測。
- T3000 在體積與功耗減半的前提下維持 T5000 的推論表現，等於讓人形機器人廠商不必為了算力犧牲機體設計，量產成本的天花板也直接往下壓。
- Agent skills 把記憶體優化這件過去靠人工的事自動化，代表軟體層的效率提升可以直接兌換成硬體降規、降成本，這對需要部署數千台機器人的場景影響不小。
- 台灣硬體廠——達明機器人、ADLINK、研華、AAEON、圓剛——已在 Thor 生態系名單裡，這條供應鏈的卡位比晶片上市還早，2027 年量產潮來臨時是現成優勢還是入場門檻，現在決定。
機器人從實驗室走向量產，卡住的問題之一是邊緣端的算力：要跑基礎模型、要省電、要夠小、還要能塞進人形機器人的軀幹。NVIDIA 這次推的 T3000 和 T2000，就是衝著這個缺口來的。
T3000 是這次的主力。它搭載 Blackwell GPU、八核 Neoverse Arm CPU、32GB LPDDR5X 記憶體，AI 算力 865 FP4 teraflops，體積與功耗大約是 T5000 的一半，但多模態推論表現卻與 T5000 相當。NVIDIA 的說法是，在記憶體價格居高不下的環境下，遷移到 T3000 可以直接降系統成本。T2000 則是入門款，400 FP4 teraflops、16GB 記憶體，拿來對準工業機械臂、自主移動機器人、視覺 AI 代理這類對算力需求沒那麼極端的應用場景。兩款模組預計 2027 年第一季量產。
更值得看的是這次一起推出的 Jetson agent skills。這個功能直接自動化記憶體優化，過去工程師要花幾週手動調的事，現在幾天搞定。成效不是吹出來的：UBTech、Agile Robots 實際把記憶體用量壓低了最多 15GB，從 AGX Orin 64GB 直接降到 32GB 模組；智慧交通業者 NoTraffic 在 Jetson TX2 NX 上省了 30% 記憶體；零售場景的 SandStar 省了 4GB，從 16GB 配置降到 8GB 模組就能跑。這不是邊際改善，是直接讓同一個應用能用更便宜的硬體跑，對需要大規模部署的場景意義很大。
同步推出的還有 Cosmos 3 Edge——一個 40 億參數的世界基礎模型輕量版，設計上就是要跑在 Thor 平台的設備端，讓機器人能即時做視覺推論與動作預測，而不必把資料傳回雲端。開發者用開源 Cosmos 框架大約一天就能針對特定機器人形態做後訓練，直接縮短 sim-to-real 的落差。
已經押注這個平台的名字說明它不只是 paper launch：1X、Boston Dynamics、Amazon Robotics、FANUC、Hitachi 都在上面開發，台灣廠商包括 Techman Robot（達明機器人）、ADLINK、Advantech、AAEON、AVerMedia 也在生態系名單裡。這條供應鏈裡的台灣硬體廠，等於已經提前拿到入場券。
從 70 TOPS 到 2,000 teraflops 的完整產品線齊全之後，NVIDIA 在邊緣 AI 這條賽道上構築的護城河不只是算力數字——而是整套從模擬（Isaac）、基礎模型（Cosmos、GR00T）、到記憶體優化（agent skills）的軟硬體閉環。競爭對手要打進來，單靠一塊更快的晶片是不夠的，得把這套生態系一起複製。量產時程在 2027 年 Q1，留給開發者的窗口是現在就用 emulation mode 卡位——這個節奏，是 NVIDIA 在替自己的護城河澆水。
訂閱品富智圖 AI 新聞
每日 AI 產業要聞彙整，一封信直送信箱。