Nvidia Jetson Orin Nano 2
Nvidia Jetson Orin Nano 2
Yapay zekâ denildiğinde bugün hâlâ çoğunlukla büyük veri merkezlerini, binlerce GPU’dan oluşan sunucuları ve bulutta çalışan dev modelleri düşünüyoruz. Oysa AI’ın bir sonraki büyük sıçraması yalnızca daha güçlü modeller üretmekten değil, bu modelleri fiziksel dünyanın içine taşımaktan gelebilir. Robotlar, dronlar, güvenlik kameraları, otonom makineler ve endüstriyel sistemler yalnızca internete bağlanıp uzaktaki bir sunucudan cevap beklemek yerine görüntüyü, sesi ve çevresindeki veriyi kendi üzerinde işleyebildiğinde yapay zekâ çok daha farklı bir şeye dönüşüyor.
Nvidia’nın yeni Jetson Orin Nano 2 platformu tam olarak bu dönüşüm için geliştirildi. Şirket, giriş seviyesi edge AI ve robotik platformunu aynı kompakt form faktöründe ciddi biçimde güçlendirirken, önceki Jetson Orin Nano Super’a kıyasla iki kata kadar daha yüksek inference performansı ve aynı performans seviyesinde yüzde 40 daha düşük enerji tüketimi vaat ediyor. Nvidia’nın hedefi oldukça açık: ileri seviye generative AI ve vision-language modellerini yalnızca dev laboratuvarların değil, çok daha geniş bir geliştirici kitlesinin robotlarının içine taşıyabilmek.
Jetson Nedir ve Neden Nvidia İçin Bu Kadar Önemli?
Jetson ailesini klasik mini PC’lerden ayırmak gerekiyor. Bu sistemler yalnızca küçük bilgisayarlar değil; doğrudan robotik, computer vision ve edge AI için tasarlanmış gömülü bilgi işlem platformları.
Bir Jetson sistemi fabrikanın üretim hattındaki kameradan gelen görüntüyü analiz edebilir, bir dronun çevresindeki nesneleri tanımasına yardımcı olabilir, küçük bir ev robotunun kullanıcıyla konuşmasını sağlayabilir veya mobil bir cihazın çevresini gerçek zamanlı olarak anlamasına yardımcı olabilir.
Buradaki önemli kavram edge AI.
Bulut AI sisteminde veri önce uzak bir veri merkezine gönderilir. Model veriyi işler ve sonucu geri gönderir. Edge AI’da ise işlem doğrudan cihazın bulunduğu noktada gerçekleşir.
Bu fark küçük görünse de robotik için kritik.
Bir robotun önüne insan çıktığında yüzlerce milisaniye boyunca buluttan cevap beklemesini istemeyiz. Bir güvenlik kamerasının bütün görüntüsünü sürekli internete göndermesi gizlilik ve bant genişliği açısından problem yaratabilir. Bir dronun bağlantısı kesildiğinde tamamen işlevsiz hâle gelmesi de kabul edilebilir değildir.
Bu yüzden fiziksel yapay zekânın büyümesi, AI işlem gücünün veri merkezlerinden cihazlara doğru yayılmasını gerektiriyor.
Jetson ailesi Nvidia’nın bu alandaki ana platformlarından biri.
Jetson Orin Nano 2 Ne Kadar Güçlü?
Yeni Jetson Orin Nano 2, 40W güç zarfında 78 TOPS’a kadar yoğun INT8 AI performansı sunuyor. Nvidia, cihazın geliştirilmiş Tensor Core yapısı ve artırılmış bellek bant genişliği sayesinde önceki Orin Nano Super’ın inference performansını yaklaşık ikiye katladığını belirtiyor.
TOPS, “trillion operations per second”, yani saniyede trilyon işlem anlamına geliyor. Fakat bu rakamı masaüstü işlemcilerdeki GHz gibi tek başına kalite göstergesi olarak değerlendirmemek gerekiyor. Modelin kullandığı veri tipi, yazılım optimizasyonu, bellek bant genişliği ve sistemin gerçek workload’u alınan sonucu ciddi biçimde değiştirebilir.
Yine de 78 TOPS gibi bir değer bu boyutta ve güç tüketimindeki cihaz için oldukça dikkat çekici.
Mevcut Jetson Orin Nano Super geliştirme kiti yaklaşık 67 TOPS seviyesine kadar çıkıyor. Yeni nesil ise yalnızca tepe performansını artırmıyor; Nvidia özellikle gerçek inference işlerinde yaklaşık iki katlık yükselişi vurguluyor.
Asıl Yenilik Performans Başına Watt
Robotik sistemlerde yalnızca “ne kadar hızlı?” sorusu yeterli değildir.
Daha önemli sorulardan biri:
Bu performansı ne kadar enerjiyle elde ediyor?
Bir veri merkezindeki GPU yüzlerce watt tüketebilir. Ancak küçük robotta pil vardır. Dron havada kalmaya çalışır. Endüstriyel cihaz pasif veya sınırlı soğutma kullanabilir.
Jetson Orin Nano 2’nin önemli özelliği burada.
Nvidia’ya göre yeni model 15W modunda önceki neslin performansını yüzde 40 daha az enerji tüketerek sağlayabiliyor. Aynı fiziksel boyutu korurken performans başına watt değerindeki bu iyileşme özellikle mobil robotlar açısından ham TOPS artışından daha değerli olabilir.
Robot tasarımında tüketilen her watt başka bir probleme dönüşür.
Daha büyük pil.
Daha ağır gövde.
Daha fazla soğutma.
Daha kısa çalışma süresi.
Bu nedenle enerji verimliliği doğrudan ürün tasarımını etkiler.
8 GB Bellek Küçük Görünüyor, Ama Mesele Nasıl Kullanıldığı
Jetson Orin Nano 2’de 8 GB LPDDR5X bellek ve yaklaşık 120 GB/sn bellek bant genişliği bulunuyor. Önceki Orin Nano Super geliştirme kitinde 8 GB LPDDR5 ve 102 GB/sn bant genişliği bulunuyordu.
Masaüstü AI dünyasında 8 GB bugün çok küçük görünebilir. Büyük dil modellerinin yüzlerce gigabayt bellek istediği bir dönemde bu oldukça sınırlı.
Ancak edge AI’nın yaklaşımı farklı.
Burada amaç çoğu zaman dünyanın en büyük modelini çalıştırmak değil.
Belirli bir görevi mümkün olan en küçük ve verimli modelle çözmek.
Bir robotun önündeki insanı tanıması için yüz milyarlarca parametreye ihtiyaç olmayabilir. Bir üretim hattında hatalı parçayı tespit etmek için küçük vision modeli yeterli olabilir. Bir ev robotunun basit konuşma ve görüntü anlama görevlerinde quantized modeller kullanılabilir.
Nvidia da Orin Nano 2’yi özellikle memory-efficient edge inference için optimize edilmiş modellerle konumlandırıyor.
Bu bize AI sektörünün diğer tarafını gösteriyor.
Bulutta yarış “model ne kadar büyük?” iken edge’de yarış çoğu zaman:
aynı işi ne kadar küçük modelle yapabiliriz?
Nvidia Cosmos, Nemotron, Gemma 4 ve Qwen 3 Cihaz Üzerinde
Nvidia’nın resmi açıklamasında Jetson Orin Nano 2’nin optimize edilmiş versiyonlarla Nvidia Cosmos, Nvidia Nemotron, Gemma 4 ve Qwen 3 gibi açık modellere destek vereceği belirtiliyor.
Bu oldukça önemli çünkü Jetson platformu artık yalnızca klasik object detection cihazı olmaktan çıkıyor.
Eski edge AI senaryolarında çoğunlukla şu tür işler vardı:
“Kamera insan gördü mü?”
“Bu parça hatalı mı?”
“Önümüzde araç var mı?”
Yeni nesilde ise robot aynı anda görüntüyü anlayabilir, doğal dili işleyebilir ve yaptığı işi açıklayabilir.
Örneğin kullanıcı robota:
“Masanın üzerindeki kırmızı kupayı getir.”
dediğinde sistemin yalnızca konuşmayı anlaması yetmez.
“Kırmızı kupa” kavramını anlamalı.
Kameradan masayı görmeli.
Nesneyi tespit etmeli.
Konumunu belirlemeli.
Hareket planı oluşturmalı.
Ve görevi gerçekleştirmeli.
Yani dil + görme + robotik aynı sistemde birleşmeye başlıyor.
Vision-Language Model Robotlara Neden Bu Kadar Lazım?
Vision-language modeller, görüntü ile dili aynı sistem içerisinde ilişkilendirebilen AI modelleridir.
Bir klasik kamera sistemi görüntüde “köpek” olduğunu söyleyebilir.
Vision-language model ise:
“Kapının önünde duran küçük kahverengi köpek sağ tarafa bakıyor.”
gibi daha bağlamsal bir yorum üretebilir.
Robotik için bu kritik.
Çünkü gerçek dünya yalnızca kategorilerden oluşmaz.
Konum.
İlişki.
Bağlam.
Hareket.
Amaç.
Bunların birlikte anlaşılması gerekir.
Jetson Orin Nano 2 gibi cihazların daha güçlü generative ve multimodal modelleri çalıştırabilmesi, robotların önceden programlanmış birkaç komutun dışına çıkmasına yardımcı olabilir.
Reachy Mini Demosu Neden Önemli?
Nvidia, yeni sistemi göstermek için Reachy Mini robot üzerinde çalışan bir demo sergiledi. Bu senaryoda robot aynı cihaz üzerinde dil modeli, konuşma modeli ve gerçek zamanlı görsel algılama sistemlerini birlikte çalıştırabiliyor.
Bu gösterinin değeri “küçük robot konuşabiliyor” olmasından daha büyük.
Eskiden bu işlerin her biri ayrı sistem veya bulut servisi gerektirebilirdi.
Speech-to-text.
LLM.
Computer vision.
Text-to-speech.
Jetson yaklaşımı bunların daha büyük bölümünü aynı edge bilgisayarın içine taşımaya çalışıyor.
Bu da robotu internete daha az bağımlı hâle getirebilir ve tepki süresini düşürebilir.
Robotların ChatGPT Anı Yaklaşıyor mu?
2022 sonrasında büyük dil modellerinde yaşanan dönüşümün benzerini robotikte yaşamaya başlıyor olabiliriz.
ChatGPT öncesinde doğal dil modelleri vardı.
Ama kullanmak zordu.
Sonra modeller yeterince güçlü ve kolay kullanılabilir hâle geldi ve bir anda milyonlarca insan günlük hayatında AI kullanmaya başladı.
Robotikte de uzun yıllardır computer vision, SLAM, motion planning ve speech recognition sistemleri bulunuyor.
Eksik olan şey bunları aynı anda anlamlı ve esnek biçimde bir araya getiren katmandı.
Multimodal ve agentic AI sistemleri bu eksik parçaya dönüşebilir.
Jetson Orin Nano 2 gibi cihazlar da bu modelleri gerçek dünyaya taşıyan donanım katmanlarından biri.
Bu nedenle ürün yalnızca daha hızlı Jetson değil.
Fiziksel AI’nın ucuzlamasının küçük bir işareti.
Physical AI Nedir?
Nvidia son dönemde giderek daha fazla physical AI ifadesini kullanıyor.
Generative AI bize dijital çıktı üretir.
Metin.
Görsel.
Video.
Kod.
Physical AI ise fiziksel dünyayı algılar ve ona tepki verir.
Robot kolu.
Otonom araç.
Dron.
İnsansı robot.
Depo sistemi.
Akıllı kamera.
Bu sistemler AI’ın kararlarını gerçek dünyadaki eylemlere dönüştürür.
Burada hata maliyeti çok daha yüksektir.
Bir chatbot yanlış cevap verebilir.
Bir robot yanlış hareket ederse fiziksel zarar verebilir.
Dolayısıyla latency, güvenlik, sensör entegrasyonu ve gerçek zamanlı işlem kritik hâle gelir.
Edge compute tam olarak bu nedenle fiziksel AI’nın temel parçalarından biri.
Bulut AI ile Edge AI Arasındaki Fark
Bir robotun her soruyu veri merkezine göndermesinin birkaç problemi bulunuyor.
İlki latency.
Bir robot çevresindeki hareketli nesnelere milisaniyeler içerisinde tepki vermek zorunda olabilir.
İkincisi bağlantı.
Wi-Fi veya mobil bağlantı her zaman güvenilir değildir.
Üçüncüsü gizlilik.
Ev robotunun kameradan gördüğü her şeyi buluta göndermesi kullanıcı açısından ciddi mahremiyet problemi oluşturabilir.
Dördüncüsü ise maliyet.
Binlerce robotun 7/24 bulut inference servisi kullanması ciddi API ve veri merkezi maliyetine dönüşebilir.
Bu nedenle gelecekteki sistemlerin büyük bölümünün hibrit olması muhtemel.
Hızlı ve özel işlemler cihaz üzerinde.
Çok ağır işlemler bulutta.
Jetson bu hibrit yapının edge tarafını hedefliyor.
Küçük Bir İşletme Jetson ile Ne Yapabilir?
Jetson platformu yalnızca insansı robot yapan milyar dolarlık şirketlere yönelik değil.
Daha küçük ölçekli birçok kullanım alanı var.
Perakende mağazasında rafların doluluk durumunu analiz eden kamera sistemi kurulabilir.
Bir üretim tesisinde ürün kusurları gerçek zamanlı olarak tespit edilebilir.
Bir restoran veya mutfakta belirli operasyonlar gözlemlenebilir.
Tarım alanında bitki hastalıkları görüntü üzerinden sınıflandırılabilir.
Depoda ürün sayımı yapılabilir.
Dron görüntüsünden belirli yapılar tespit edilebilir.
Güvenlik kameralarında lokal insan ve nesne analizi gerçekleştirilebilir.
Ve bütün bunlarda görüntüyü sürekli dışarı göndermek zorunlu olmayabilir.
Bu, özellikle veri gizliliğinin önemli olduğu işletmeler için değerli.
Reklamcılık ve Perakendede Edge AI Kullanılır mı?
Voldi Creative açısından konunun ilginç taraflarından biri de burada.
Edge AI yalnızca sanayi veya robotikten ibaret değil.
Fiziksel mağazalar da akıllı sistemlere dönüşebilir.
Örneğin bir dijital ekran önünden geçen kişinin yüzünü kaydetmeden yalnızca yaklaşık bakış süresini analiz edebilir.
Hangi ürün standının daha fazla ilgi gördüğü ölçülebilir.
Mağaza içerisindeki yoğunluk haritalanabilir.
Bir interaktif installation izleyicinin hareketlerine gerçek zamanlı tepki verebilir.
Bir etkinlikte ziyaretçinin hareketlerine göre generative görseller değişebilir.
Müze veya marka deneyim alanında kullanıcı konuşarak ve hareket ederek dijital sistemle iletişime geçebilir.
Bunların her biri büyük bir bulut servisine bağlı olmak zorunda değil.
Jetson gibi edge bilgisayarlar fiziksel reklam deneyimlerinin içerisinde görünmez bir teknoloji katmanı olabilir.
Yeni Nesil Billboard Sizi Görmek Zorunda mı?
Burada biraz daha ilginç bir tasarım alanına giriyoruz.
Geleceğin DOOH sistemlerinde reklam yalnızca oynatılan video olmayabilir.
Ekranın önündeki kalabalık yoğunluğunu anlayabilir.
Hava durumuna tepki verebilir.
Gerçek zamanlı trafik verisini analiz edebilir.
Çevredeki objelerle görsel etkileşim kurabilir.
Bütün bunları kişisel kimlik toplamadan da yapmak teorik olarak mümkün.
Örneğin sistem “bu kişi kim?” sorusunu hiç sormaz.
Sadece “ekranın önünde şu anda üç kişi var ve ikisi görüntüye bakıyor” gibi anonim verileri değerlendirir.
Bu tip fiziksel-dijital reklam sistemlerinde düşük latency’li edge AI giderek daha önemli olabilir.
Jetson Orin Nano 2 ile Kamera Sistemleri Daha Akıllı Hale Gelecek
Computer vision Jetson ailesinin en doğal kullanım alanlarından biri.
Yeni nesilde artan AI performansı aynı anda daha fazla kamera akışının analiz edilmesine veya daha gelişmiş modellerin çalıştırılmasına imkân verebilir.
Ancak “akıllı kamera” kavramı yalnızca yüz tanıma anlamına gelmiyor.
Kalite kontrol.
Nesne takibi.
Anomali tespiti.
Poz analizi.
Optik karakter tanıma.
Trafik analizi.
Robot yönlendirme.
Bunların hepsi computer vision kullanım alanları.
Generative ve vision-language modellerin edge’e gelmesiyle kullanıcı artık sistemden yalnızca koordinat değil, doğal dilde açıklama da alabilir.
Nvidia’nın Asıl Avantajı Donanım Değil, Ekosistem
Jetson Orin Nano 2’nin teknik özellikleri önemli.
Ama Nvidia’nın en büyük avantajı yalnızca 78 TOPS sunması değil.
CUDA.
TensorRT.
JetPack.
Isaac.
Cosmos.
Nemotron.
ROS entegrasyonları.
Hazır model optimizasyonları.
Carrier board üreticileri.
Geliştirici topluluğu.
Nvidia’nın açıklamasına göre 3 milyondan fazla geliştirici şirketin robotik stack’i üzerinde çalışıyor. Cognex, Doosan Bobcat, Matic ve Wing gibi şirketler de Orin Nano 2’yi gerçek dünya sistemlerinde değerlendiren ilk ortaklar arasında.
Bu ekosistem bir donanım şirketi için çok değerli.
Çünkü geliştirici yeni ürün yaparken yalnızca işlemci satın almıyor.
Yıllarca geliştirilmiş yazılım altyapısını da satın alıyor.
Nvidia’nın veri merkezinde CUDA ile yaptığı stratejinin küçültülmüş versiyonunu robotikte Jetson ile görüyoruz.
Raspberry Pi ile Karşılaştırılır mı?
Fiziksel boyut nedeniyle Jetson cihazları sık sık Raspberry Pi ile karşılaştırılıyor.
Ancak hedefleri farklı.
Raspberry Pi genel amaçlı düşük maliyetli geliştirme bilgisayarı.
Jetson ise GPU hızlandırmalı AI inference için tasarlanmış çok daha özel bir platform.
Basit sensör sistemi, web sunucusu veya elektronik prototipi için Raspberry Pi daha ekonomik olabilir.
Gerçek zamanlı vision modeli, multimodal AI veya robotik perception workload’u için Jetson çok daha uygun bir sınıfa giriyor.
Yani “hangisi daha iyi?” yerine:
hangi problem için?
diye sormak gerekiyor.
Ampere Kullanması Geri Kalmışlık mı?
Burada ilginç bir teknik ayrıntı var.
Jetson Orin Nano 2 hâlâ Ampere GPU mimarisini kullanıyor. Nvidia’nın masaüstü ve veri merkezi tarafında çok daha yeni mimarilere geçtiği düşünüldüğünde bu ilk bakışta garip görünebilir.
Ancak gömülü sistemlerde ürün döngüleri farklıdır.
Robotik üreticisi bugün sistem tasarlayıp gelecek yıl bütün donanım platformunu değiştirmek istemez.
Uzun dönem destek.
Termal davranış.
Yazılım kararlılığı.
Carrier board uyumluluğu.
Bunlar ham mimari yeniliğinden daha önemli olabilir.
Nvidia’nın Jetson Orin platformunun mevcut modüllerini 2032’ye kadar kullanılabilir tutmayı planlaması da bu uzun ürün döngüsü yaklaşımını gösteriyor.
Dolayısıyla edge AI dünyasında “en yeni GPU mimarisi” her zaman en önemli kriter değil.
Fiyat Henüz Açıklanmadı
Nvidia, Jetson Orin Nano 2 modülü ve Developer Kit için henüz resmi fiyat açıklamadı. Şirket ürünlerin 2027’nin ilk yarısında kullanıma sunulacağını belirtiyor.
Karşılaştırma açısından mevcut Jetson Orin Nano Super Developer Kit’in resmi fiyatı 249 dolar seviyesinde. Yeni modelin aynı giriş seviyesi konumlandırmayı ne kadar koruyacağı, ürünün geniş geliştirici kitlesine ulaşması açısından önemli olacak.
Çünkü Jetson Orin Nano 2’nin asıl başarısı yalnızca performansına bağlı değil.
Erişilebilir olmasına bağlı.
Robotik geliştirmenin maliyeti düştükçe daha fazla küçük ekip fiziksel AI ürünleri geliştirebilir.
AI Dünyasının Bir Sonraki Büyük Yarışı Robotik Olabilir
Son birkaç yılda generative AI’ın gelişimine baktığımızda inanılmaz bir hız görüyoruz.
Önce metin.
Sonra görsel.
Video.
Ses.
Kod.
Şimdi ise bütün bu yetenekler tek sistemde birleşiyor.
Bir model görebiliyor.
Dinleyebiliyor.
Konuşabiliyor.
Akıl yürütebiliyor.
Araç kullanabiliyor.
Eksik olan şey fiziksel hareket.
İşte robotik bunun devamı.
AI artık ekrandaki dijital asistan olmaktan çıkıp fiziksel dünyada hareket eden sisteme dönüşmeye başladığında işlem gücünün bulunduğu yer de değişmek zorunda.
Dünyadaki her robotu dev Nvidia veri merkezine bağlamak pratik değil.
AI’ın bir kısmı robotun içine girmek zorunda.
Jetson Orin Nano 2 bunun için tasarlanan küçük ama önemli donanımlardan biri.
Voldi Creative Açısından Jetson Orin Nano 2’yi Neden İlginç Buluyoruz?
Bizi burada yalnızca Nvidia’nın yeni bir geliştirme kartı çıkarması ilgilendirmiyor.
Daha büyük değişim şu:
Dijital deneyim ile fiziksel deneyim arasındaki sınır ortadan kalkıyor.
Bugüne kadar interaktif web sitesi tasarlıyorduk.
Yakında interaktif mağaza tasarlayacağız.
Bugün kullanıcı mouse hareketiyle ekrandaki objeyi değiştiriyor.
Yarın fiziksel mekânda yürüdüğünde çevresindeki dijital sistem ona tepki verebilir.
Bugün chatbot markayla konuşuyor.
Yarın marka maskotu fiziksel bir robot olarak müşteriyi karşılayabilir.
Bugün kamera video kaydediyor.
Yarın kamera gördüğünü anlayıp tasarım sistemini gerçek zamanlı değiştirebilir.
Bunun yaratıcı sektör açısından potansiyeli son derece büyük.
Çünkü AI artık yalnızca Photoshop’un, Premiere’in veya browser’ın içinde olmayacak.
Mekânın içinde olacak.
Jetson Orin Nano 2 bu geleceği tek başına yaratmayacak. Ancak 40 wattlık küçük bir cihazın aynı anda görüntü, konuşma ve dil modellerini çalıştırabilecek seviyeye gelmesi teknolojinin hangi yöne ilerlediğini açık biçimde gösteriyor.
Bir dönem yapay zekânın büyük sorusu şuydu:
“Makine düşünebilir mi?”
Bugün bu sorunun cevabını büyük ölçüde tartışmayı bıraktık.
Yeni soru giderek şu oluyor:
Makine gördüğünü anlayıp gerçek dünyada harekete geçebilir mi?
Nvidia’nın Jetson ailesi tam olarak bu sorunun donanım tarafında çalışıyor.
Ve yapay zekânın bir sonraki büyük devrimi ekranda değil, belki de tam önümüzde hareket eden makinelerin içinde gerçekleşecek.
Nur Oğuz