NVIDIA推出更輕量的AI電腦，美金99元的Jetson Nano開發平台更適合邊緣裝置

NVIDIA的Jetson是專為AI運算所設計的平台，目前除了有TX1、TX2等主流等級產品外，先前也推出效能更強悍的Jetson AGX Xavier，以滿足運算需求更大的人工智慧應用情境。這次NVIDIA則是針對輕量應用的情境推出Jetson Nano，與Raspberry Pi搭配Intel Movidius組成的運算平台競爭。

針對終端、輕量運算需求

邊緣運算所謂的「邊緣」，指的是如行動通訊基地台、環境監控感測器等終端設備，相對的名詞為位於「中央」的雲端伺服器，將運算從中央移至邊緣，有助於分擔雲端伺服器的負荷，並降低處理資料的延遲。

舉例來說，如果我們透過監視器進行智慧零售分析，研究消費者選購商品的習慣，在傳統雲端運算的架構下，需要將監視器拍攝的高畫質影片上傳至雲端伺服器進行影響辨識與分析，所需傳送的資料量就非常大。但是如果我們在監視器旁先完成辨識，然後只回傳分析後的數據（每小時的資料量可能從數GB下降至數KB），就能大幅降低整體運算與傳輸的負擔。

Jetson Nano就是針對這種情境所推出的AI運算平台，它具有充沛的資料吞吐量與運算效能，足以支應8路Full HD影像輸入與即時分析，並可支援多款深度學習、影像辨識、感應器SDK，方便開發者能快速轉移平台。

▲ 在許多AI應用中，運算平台除了需要有充沛的效能外，還需要具體豐富的感應器連接能力。

▲ 尺寸小巧的Jetson Nano能滿足邊緣裝置的需求。

▲ Jetson Nano運算模組的外型與Raspberry Pi Compute Module相近。

▲ Jetson Nano能夠即時分析8路Full HD影像。

▲ 並且能夠支援多款現有SDK與API，加速軟體開發流程。

一體機取代拼裝方案

Jetson Nano在市場上的目標相當明確，就是瞄準透過Raspberry Pi搭配Intel Movidius或是Coral USB Accelerator等外接式運算加速裝置組合。透過SoM的模組化設計，讓整體尺寸更小巧、易於植入不同裝置中。

Jetson Nano搭載4核心Arm Cortex-A57處理器，但最高時脈限制為1.43GHz，繪圖處理器部分採用與GeForce 900系列、Tegra X1相同的Maxwell架構，具有128個CUDA核心，並搭載4GB LPDDR4記憶體與16GB eMMC儲存媒體，支援具桌面環境的Uduntu作業系統。

連接能力部分具有PCIe、USB 3.0、SDIO各1組，以及HDMI 2.0或DisplayPort 1.2加上eDP 1.4、DSI等影音輸出（最多同時2組），此外還有2組SPI、5組SysIO、13組GPIO、6組I2C方便連接各種感應器、攝影機。

Jetson Nano模組的價格為美金129元（約合新台幣4,020元），而具有完整I/O端子的開發套件價格為美金99元（約合新台幣3,080元）。2者最大的差異在於模組提供5年保固服務並具有內建儲存媒體，適合實際安裝至最終產品內，開發套件僅有1年保固，且不具儲存媒體，適合在開發階段使用。

Jetson Nano並不具有Tensor處理器，所以在AI運算的部分由繪圖處理器擔當，其單精度浮點運算（FP16）效能為472GFLOPs。根據官方資料，Jetson Nano在實際應用的效能比Raspberry Pi搭配Intel Movidius還高，但在特定情境下會落後搭載Tensor處理器的Coral Dev Board。

▲ Jetson Nano具有472GFLOPs FP16運算效能，最高功耗為10W。

▲ Jetson Nano開發套件的價格比模組，但保固縮水且無內建儲存媒體。

▲ Jetson Nano開發套件的外觀則與一般開發板接近。

▲ Jetson Nano補足Jetson家族在輕量平台的空缺。

▲ Jetson Nano效能表現優於Raspberry Pi搭配Intel Movidius。

雖然Jetson Nano是針對AI運算規劃的產品，但是筆者不禁想到Jetson Nano開發套件相當適合用來執行模擬器，以現在比較廣泛應用於模擬器且效能較高的Odroid XU4開發板為例，其SoC為Samsung Exynos 5422，具有4+4個Arm Cortex-A15、Cortex-A7處理器核心，最高時脈可達2.0GHz，搭配Mali-T628 MP6繪圖處理器，雖然Jetson Nano的處理器時脈比較低，但2者應該都能滿足執行Sega Dreamcast、Sony PlayStation Portable模擬器的需求。

反觀顯示效能部分，Odroid XU4的FP16運算效能約為102GFLOPs，Jetson Nano則高於它4倍以上，應該能將上述模擬器推進至全速運作，讓人更期待它的實際表現。