NVIDIA Jetson
NVIDIA推出的边缘AI计算平台，搭载GPU与ARM处理器，专为在边缘端运行AI推理任务设计，广泛用于机器人、自动驾驶、工业视觉等场景
时间轴 (近 90 天)
Industrial ReMEmbR 在每台机器人上部署 NVIDIA Jetson 进行边缘编码。
NVIDIA 的 Isaac 平台和 Jetson 生态走的是端侧路线，可能构成 Dreamscale Labs 的竞争。
传统上在机器人上运行大型视觉-语言-动作模型需要搭载 NVIDIA Jetson 或更高规格的 GPU 模块，带来硬件成本高、功耗大、散热困难、整机重量增加等问题。
边缘部署涉及模型压缩（量化、剪枝、知识蒸馏）、专用加速硬件（如NVIDIA Jetson、Google Coral、神经处理单元NPU）以及推理框架（TensorRT、ONNX Runtime、TFLite）的选型与优化。
顶配Master Agent搭载NVIDIA Jetson，提供超过2000 TFLOPS算力和最高128GB内存，即便享受50% Kickstarter折扣也要1万美元
采用容器化开发模式时，应用容器自带 CUDA 库和 AI 依赖，因此宿主机上不需要安装完整的 JetPack SDK，只需兼容的 NVIDIA 驱动和 GPU 容器运行时
USB Gadget / RNDIS 技术将 Jetson 设备模拟为 USB 以太网网卡，主机识别后自动分配本地链路 IP（通常是 192.168.55.100/192.168.55.1 这个地址对），从而无需 Wi-Fi 或路由器建立点对点网络连接
NVIDIA Jetson 设备技能（device skills）提供 Jetson 专属操作指引和辅助工具，用于检查设备状态、管理内存及选择 AI 模型的运行方式
Codex 桌面应用可注册 Jetson 的 SSH 连接并指向项目文件夹，使用户在统一界面操作设备文件和运行命令
低延迟推理可部署在NVIDIA Jetson系列等边缘计算设备上，或通过模型量化、剪枝将推理时间压缩到个位数毫秒级别
还有 6 条时间轴事件
全部知识事实 (16)
NVIDIA Jetson系列采用SoC统一内存架构，CPU和GPU共享同一块物理内存
70%待验证2B参数模型在INT4量化后通常仅需约1-2GB内存，能在主流智能手机、NVIDIA Jetson系列等边缘设备上运行
60%待验证NVIDIA Jetson和Google Coral是可用于在摄像头本地部署的轻量推理芯片
60%待验证Industrial ReMEmbR 在每台机器人上部署 NVIDIA Jetson 进行边缘编码。
50%待验证NVIDIA 的 Isaac 平台和 Jetson 生态走的是端侧路线，可能构成 Dreamscale Labs 的竞争。
50%待验证传统上在机器人上运行大型视觉-语言-动作模型需要搭载 NVIDIA Jetson 或更高规格的 GPU 模块，带来硬件成本高、功耗大、散热困难、整机重量增加等问题。
50%待验证边缘部署涉及模型压缩（量化、剪枝、知识蒸馏）、专用加速硬件（如NVIDIA Jetson、Google Coral、神经处理单元NPU）以及推理框架（TensorRT、ONNX Runtime、TFLite）的选型与优化。
50%待验证USB Gadget / RNDIS 技术将 Jetson 设备模拟为 USB 以太网网卡，主机识别后自动分配本地链路 IP（通常是 192.168.55.100/192.168.55.1 这个地址对），从而无需 Wi-Fi 或路由器建立点对点网络连接
50%待验证采用容器化开发模式时，应用容器自带 CUDA 库和 AI 依赖，因此宿主机上不需要安装完整的 JetPack SDK，只需兼容的 NVIDIA 驱动和 GPU 容器运行时
50%待验证NVIDIA Jetson 设备技能（device skills）提供 Jetson 专属操作指引和辅助工具，用于检查设备状态、管理内存及选择 AI 模型的运行方式
50%待验证Codex 桌面应用可注册 Jetson 的 SSH 连接并指向项目文件夹，使用户在统一界面操作设备文件和运行命令
50%待验证低延迟推理可部署在NVIDIA Jetson系列等边缘计算设备上，或通过模型量化、剪枝将推理时间压缩到个位数毫秒级别
50%待验证边缘计算芯片如NVIDIA Jetson系列需要在10-50毫秒内完成目标检测、威胁评估和动作规划
50%待验证NVIDIA Jetson系列嵌入式AI模块功耗5-30瓦、重量数十克，已成为军用无人机改装的标准选择之一
50%待验证本地推理生态由硬件（NVIDIA Jetson系列、Google Coral TPU、Apple Silicon和高通骁龙NPU）和软件（ONNX Runtime、TensorRT、llama.cpp）支撑
50%待验证CV工程师的完整技术栈包括数据采集标注、模型架构选择与训练、推理优化（如TensorRT、ONNX Runtime进行模型量化和加速）、边缘设备部署（如NVIDIA Jetson或高通芯片）
50%