QR code per la pagina originale

Cos’è il progetto Jetson Nano di Nvidia

Nvidia ha rilasciato le informazioni su Jetson Nano, il chip dedicato ai prodotti IoT e embedded device, che farà il suo debutto anche in versione Mini.

,

Nvidia ha presentato un nuovo chip della linea Jetson, dedicato a prodotti embedded, IoT, che vogliono beneficiare dell’intelligenza artificiale. Chiamato Jetson Nano, si tratta di un processore CUDA-X con 472 GFLOP di potenza, 4 GB di memoria e capace di funzionare con soli 5 watt di potenza. Jetson Nano ha fatto il suo debutto alla Nvidia GPU Tech Conference (GTC) a San Jose, in California e segue il rilascio del chip Jetson AGX Xavier, visto nel 2018, poco dopo il Jetson TX2 del 2017.

Il kit di sviluppo Jetson Nano è disponibile al prezzo di 100 dollari quale prodotto standalone, mentre arriverà più avanti, a 129 dollari, il Jetson Mini, pensato per un’integrazione in vari tipi di hardware. Come i suoi predecessori, Jetson Nano sarà in grado di lavorare con Nvidia con oltre 40 librerie di deep learning CUDA-X AI.

Stiamo portando Jetson nel mercato mainstream, e lo facciamo perchè siamo convinti che in questo modo il settore possa trarre un vantaggio sostanziale in termini di tecnologia e innovazione – ha detto oggi il vicepresidente del settore macchine autonome di Nvidia, Deepu Talla.

Il sistema Jetson per l’edge computing su dispositivi mobili o embedded è attualmente utilizzato da 200 mila sviluppatori. Il motivo di tale aumento è dovuto alla crescita dell’edge computing, che aiuta lo sviluppo di nuovi sistemi di potenza per robot, droni, telecamere di sicurezza e molti altri device che possono fare a meno di una connessione internet per funzionare. Nano, TX2 e AGX Xavier possono essere utilizzati sia per creare robot, come Kaya, Carter e Link, sia simulatori al pari di Isaac Gym, resi possibili dall’apertura, da parte di Nvidia, dei suoi laboratori di ricerca. In altre recenti notizie sull’apprendimento automatico, Google ha rilasciato TensorFlow Lite 1.0 il mese scorso al Summit TensorFlow Dev.