英伟达Jetson Thor量产,边缘AI的“安卓时刻”来了?

上周，机器人圈子炸了。

不是因为哪家公司又融了多少钱，而是一个手掌大小的模块，悄悄改变了游戏规则。4月下旬，全球首款基于英伟达Jetson Thor的开发套件正式发布。消息一出，几乎所有做机器人AI研发的工程师都在讨论同一个问题：“这东西要铺开，我的竞争对手会怎么用？”

Jetson Thor直接把英伟达最先进的Blackwell GPU架构压缩进了一个模块。2560个CUDA核心，96颗第五代Tensor核心，AI算力达到2070 FP4 TFLOPS。与上一代Jetson AGX Orin相比，AI计算性能提升了7.5倍，能效提高了3.5倍，CPU性能增长了3.1倍，I/O吞吐能力飙升了10倍。内存堆到了128GB LPDDR5X，功耗却控制在40W到130W之间——还没一个电吹风费电。

跑模型的数据更直观。英伟达公布的内测显示，Jetson Thor运行阿里千问、DeepSeek-R1等大模型时，FP8精度下的性能比上一代提升了3到5倍。在单并发场景下，每秒可生成52个token，八并发时每秒可达273个token。简单算笔账：过去一个任务要跑两秒钟的模型推理，现在半秒就能搞定。在机器人实时决策的场景中，这1.5秒的差距，决定了机器人的运动控制是“顺滑”还是“卡顿”。

Jetson Thor真正的价值，不在于参数多华丽，而在于它重新定义了入局的门槛。

过去要跑一个高精度的人形机器人模型，你需要自己买GPU、搭服务器、做模型压缩、写底层驱动——一套下来，光算力基础设施就要烧掉大几百万，还得养一个至少三到五人的底层工程师团队专门伺候这些硬件。现在，你只需要一块开发板。一台笔记本电脑，一个开源模型库，就能开始在物理AI的赛道上进行原型验证。算力正在从一个“奢侈资源”变成“平价水电”。

英伟达自己也承认这一点。他们的机器人技术与边缘计算副总裁在发布时说了一句大实话：“如果要构建人形机器人或自动驾驶车辆应用，上一代芯片的性能确实不够用了。我们许多客户需要使用2到4个甚至更多。”现在，一块顶四块，还要更省电。

嗅觉最灵敏的国内玩家，早就行动了。

英伟达公布的首批合作伙伴名单里，优必选、银河通用、宇树科技、智元机器人这些头部玩家都已经率先部署了Jetson Thor。比如银河通用的人形机器人Premium，在工业码垛、拆垛和物料箱搬运这类复杂场景中，已经展现出了不错的流畅性和作业速度。

但真正值得注意的信号，是那些你可能没怎么听过的名字——比如某家做汽车电子的公司，基于Jetson Thor平台发布了人形机器人域控制器，专门为机器人狭长的腰腹部空间做了紧凑设计，还搭载了定制散热模块。再比如几家做工业计算的老牌厂商，他们的边缘AI平台搭载Jetson Thor后，已经用于医疗影像AI分析、手术器械异常检测等场景，整个系统只用130W功耗，不需要额外的GPU模块。

这不是一个独角兽的故事，这是一整个产业链的集体“换脑”。

算力平权之后，竞争回到哪里？这是每个创业者必须回答的问题。

第一，回到物理世界的“摩擦力”。 AI在数字世界里可以无限复制、零成本迭代。但在物理世界，每一次动作都有摩擦力、有功耗、有散热、有机械磨损。Jetson Thor把算力的天花板推得很高，但机器人最终能不能在产线上稳定工作，看的还是电机、减速器、关节模组、散热方案这些“硬家伙”的可靠性。这恰好是创业公司最容易忽视、也最难跨越的鸿沟。

第二，回到数据的壁垒。 算力可以被买走，供应链可以被复制，但高质量的场景数据，需要你在行业里“泡”出来。工业场景的真实操作数据、医疗影像的标注数据、仓储物流的运动轨迹数据——这些才是真正的护城河。

第三，回到应用层的想象力。 当硬件平台被标准化，创造力的主战场就会上移。就像安卓的出现让智能手机的竞争从“能不能做出一部智能手机”变成了“你的手机软件有什么不一样”，Jetson Thor也可能让机器人行业经历类似的转移。从“谁能造出机器人”转向“你的机器人能在什么场景下做什么事”。

精研孵化器一直陪伴硬科技创业者走过这段路。我们的一个深刻体感是：工具在快速拉平，但真正的差异永远来自团队对场景的理解深度。

这次GTC之后，无论你是不是那个能早期拿到样板的幸运儿，都需要认真回答一个问题：当所有人都在用同一个“大脑”时，你的机器人比别人的，到底多出了什么？这个问题的答案，不在英伟达的发布会PPT里，而在你自己的车间、实验室和客户现场里。

算力平权了，接下来，该创业者上场了。