Du Jetson Nano à Jetson Orin : l’évolution des plateformes NVIDIA pour l’IA embarquée

L’intelligence artificielle ne se limite plus aux centres de données. Caméras, robots, drones et machines industrielles exécutent désormais des modèles directement sur le terrain, avec des contraintes sévères de consommation et d’encombrement. La gamme Jetson de NVIDIA accompagne cette évolution depuis plusieurs générations. Entre le Jetson Nano et les modules Jetson Orin, la progression ne tient pas seulement à la puissance brute : elle transforme les applications réellement accessibles à l’IA embarquée.

Jetson Nano a démocratisé l’IA embarquée

Le Jetson Nano a marqué un tournant en proposant une plateforme compacte capable d’exécuter localement des traitements de vision et des réseaux neuronaux. Sa configuration repose sur un GPU Maxwell à 128 cœurs CUDA, un processeur ARM Cortex-A57 quatre cœurs et 4 Go de mémoire LPDDR4. NVIDIA indique une puissance de calcul de 472 GFLOPS, avec une enveloppe énergétique pouvant descendre à 5 W. Des caractéristiques modestes selon les standards actuels, mais suffisantes pour faire fonctionner de la détection d’objets, de la classification d’images ou certains traitements vidéo sans dépendre systématiquement du cloud.

Cette logique de traitement local constitue précisément le principe de l’Edge AI : rapprocher le calcul de la caméra, du capteur ou de la machine qui produit les données. Le gain ne concerne pas uniquement la latence. Une architecture locale réduit aussi les volumes de données à transmettre et permet de maintenir certaines fonctions lorsque la connexion réseau devient limitée ou indisponible. Pour des équipements destinés à des environnements exigeants, la carte ou le module NVIDIA ne représente toutefois qu’une partie du système. Alimentation, refroidissement, connectique, stockage et résistance mécanique doivent également être dimensionnés. Un calculateur Edge AI intégrant un Jetson AGX Orin illustre cette évolution vers des systèmes complets capables d’exécuter des traitements d’IA en temps réel dans des usages embarqués.

Orin change l’échelle des applications

La génération Orin fait entrer Jetson dans une autre catégorie. NVIDIA s’appuie désormais sur une architecture GPU Ampere avec des Tensor Cores spécialisés dans les opérations utilisées par les réseaux neuronaux. La gamme s’étend du Jetson Orin Nano au Jetson AGX Orin. Elle permet d’adapter la puissance, la mémoire et la consommation aux contraintes du projet. Le Jetson Orin Nano atteint jusqu’à 67 TOPS, l’Orin NX jusqu’à 157 TOPS et l’AGX Orin jusqu’à 275 TOPS selon les configurations présentées par NVIDIA. L’AGX Orin peut fonctionner dans une plage comprise entre 15 et 60 W. Les modèles plus compacts consomment moins d’énergie. Ils ciblent ainsi des enveloppes énergétiques inférieures.

Cette réserve de calcul permet de dépasser les scénarios simples de reconnaissance d’image. Plusieurs flux vidéo peuvent être analysés simultanément. Différents modèles peuvent travailler dans une même chaîne de traitement. Des architectures plus exigeantes deviennent accessibles à proximité des capteurs.

NVIDIA positionne d’ailleurs Orin sur la robotique, la vision industrielle et, désormais, l’IA générative en périphérie. Le logiciel reste un élément déterminant pour les plateformes Jetson. JetPack fournit un environnement commun et simplifie le passage du développement au déploiement.

Le choix d’un module ne doit donc pas reposer uniquement sur le nombre de TOPS annoncé. Le budget doit intégrer la mémoire nécessaire, la consommation maximale et la dissipation thermique. Il faut aussi prévoir les interfaces des capteurs et le coût du système final. Pour une preuve de concept légère, un Orin Nano peut suffire. Une application combinant plusieurs caméras, une inférence continue et des traitements complexes peut nécessiter un Orin NX ou un AGX Orin. Il faut toutefois que l’alimentation et le refroidissement suivent.

Une plateforme devenue système

NVIDIA est passé du Jetson Nano, une plateforme compacte d’initiation à l’IA, à une gamme plus complète.
Elle couvre désormais des systèmes embarqués nettement plus exigeants. Le dimensionnement devient donc un exercice d’équilibre entre modèle d’IA, consommation, interfaces, contraintes environnementales et budget global du produit.