NVIDIA 4月份推出了新一代嵌入式开发套件Jetson AGX Orin,这是目前市场上性能强大、体积小巧,且节能的AI超级计算机,适用于高级机器人、自主机器以及下一代嵌入式和边缘计算。
这个系列,我们将介绍如何利用Jetson AGX Orin开发套件进行嵌入式边缘计算开发。
机器人技术的新时代正在出现,需要数量级更高的计算机器人现在正在进入人类世界,而不是孤立地工作,这需要多传感器感知、映射和定位、路径规划和控制、感知和安全,这些不断增加的任务正在推动对更多计算的需求
Jetson AGX Orin 每秒可提供 275 万亿次操作,为客户提供比其前身 Jetson AGX Xavier 高出 8 倍以上的处理能力,同时保持相同的手掌大小的外形尺寸和引脚兼容性。AGX Orin具有 NVIDIA Ampere 架构 GPU、Arm Cortex-A78AE CPU、下一代深度学习和视觉加速器、高速接口、更快的内存带宽和多模式传感器支持,以支持多个并发的 AI 应用。
让我们对比一下Jetson AGX Orin开发套件和Jetson AGX Xavier 开发套件的规格。
Jetson AGX |
Jetson AGX |
|
AI性能 |
32TOPS |
200TOPS |
GPU |
512-Core |
1792-Core |
64Tensor |
56 |
|
CPU |
8-core |
12-core |
DLA |
2x |
2x |
Vision |
2x |
PVA |
Memory |
32GB |
32GB |
存储 |
32GB |
64GB |
CSI Camera |
16 |
16 |
PCIe |
x16 connector with x8 PCIe Gen4 or x8 |
x16 PCIe slot: |
网络 |
Gigabit Ethernet |
Up |
Display |
HDMI |
DisplayPort 1.4a (+MST) |
USB Type-C |
2x USB-C 3.1 (supporting DIsplayPort and USB |
2x |
USB Type-A |
2x |
|
USB Micro-B |
USB |
USB |
M.2 Key M |
NVME |
x4 |
M.2 Key E |
PCIe |
x1 |
Other |
40-pin header (UART, SPI, CAN, I2C, I2S, |
40-pin header (I2C, GPIO, SPI, CAN, I2S, |
尺寸 |
105mm x 105mm x 65mm |
110mm x 110mm x 71.65mm |
NVIDIA Jetson AGX Orin开发套件的外箱为黑色。
侧面列出了开发套件的规格
请注意,购买Jetson AGX Orin开发套件后,需要将原包装和配件保留至少一年。一年内如果有质量问题需要保修,必须是原包装和配件返回给供应商。
打开外箱后,可以看到开发套件躺在里面,颜值很高啊!
我们会看到附送的3根电源线和1根USB-Type C线,以及一个适配器,这些都必须要保留好,不能弄丢哟
注意AGX Orin附赠的电源适配器规格:
再看看接口:
这里有三个按钮,分别是Power键、Force Recovery键和Reset键,同时有一个micro SD插槽。
这一面分别是USB Type-C接口,以及40-pin Expansion Header,还有2个USB3.2接口
这一面有电源插口,插口的上面是一个USB Type C接口,接着是一个网口,然后又是两个USB 3.2的接口(大家可以注意到AGX Orin总共有4个USB3.2接口)。
关键来了,AGX Orin配备了一个DP接口,跟AGX Xavier的HDMI接口不同,是要接DP显示器作为输出。DP接口旁边是一个Micro USB2.0接口。
将AGX Orin开发套件的底部朝上,我们看到这里可以外接一个M.2的SSD卡。与AGX Xavier不同,AGX Orin有自带无线网卡,而前者出厂是没有,需要自己安装,这样可以节省很多事情了。
同时我们也可以看到这里有2个MIPI CSI接口。
下篇文章,我们将在AGX Orin开发套件上配置操作系统。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。