体育平台

NVIDIA最新发布的JetPack 7.2，让Jetson软件定义平台的价值又进了一步：AI智能体开箱即用、多任务确定性执行、量产更灵活、AGX Orin 32GB性能提升超过20%。目前，体育平台基于Jetson的AI边缘计算产品，已完成对JetPack 7.2的全面适配。

AI智能体，开箱即用

以往在Jetson上搭建智能体环境，依赖项多、配置复杂，从零到跑通往往需要数天。JetPack 7.2最显著的变化，就是把这个过程缩短为一条命令。

NemoClaw是NVIDIA推出的开源智能体堆栈，为OpenClaw添加了隐私和安全控制。JetPack 7.2预先配置了全部依赖，一条命令就能完成部署：

curl -fsSL nvidia.com/nemoclaw.sh | bash

🔹内存优化技能：自动调整从引导加载程序到内核再到用户空间的全栈内存分配，减少冗余进程，为给定工作负载构建内存效率最高的配置。更强大的工作负载能在更低内存配置上运行，直接降低总体拥有成本。

🔹模型基准测试技能：帮你在目标设备上找到效率最高的模型配置，覆盖模型基准测试、推理优化和Jetson诊断。比如构建基于NemoClaw的应用时，这些技能能快速确定哪个模型跑特定任务最合适。

简单说，以前数周的手工调优，现在智能体帮你自动完成。

不换硬件，性能提升20%

如果用的是Jetson AGX Orin 32GB，JetPack 7.2为其引入了新的超级模式。

GPU频率从930 MHz提升到1.3 GHz，AI性能从200 TOPS跃升到241 TOPS，提升超过20%。这意味着同样的硬件跑出了接近旗舰的性能。241 TOPS已经非常接近旗舰款AGX Orin 64GB的275 TOPS，但模组成本降低约45%。32GB内存跑出了接近64GB的性能，内存效率的提升直接转化为成本优势。

不换硬件，仅通过软件升级就能获得20%以上的AI性能提升。对决策者来说，这是直接的成本优化；对工程师来说，这意味着同样的设备能跑更大的模型、处理更复杂的任务。

Jetson AGX Orin 模组与 JetPack 7.2 的比较

多任务确定性执行，量产更灵活

Jetson平台上，多个AI工作负载同时跑是常态。感知、规划、控制、生成式AI、安全监控，它们共享同一个SoC，资源争用带来的延迟抖动，一直是混合关键度系统的痛点。

JetPack 7.2在Jetson Thor上引入了MIG（多实例GPU）支持，把一块GPU切成两个独立分区，各有专用的计算、缓存和内存带宽，一个跑推理，一个跑控制，互不干扰。具体来说，集成的Blackwell GPU被划分为两个实例：较大的分区（12 SM，1536个CUDA核心）用于推理、渲染和常规CUDA工作负载；较小的分区（8 SM，1024个CUDA核心）专用于机器人、控制、感知或安全关键型任务。

结合JetPack 7已有的抢占式RT内核，MIG为物理AI系统创造了更确定的执行环境。人形机器人、自主机器、工业自动化、医疗设备——这些对延迟敏感的场景，可以在单一平台上实现多工作负载的可靠共存。

走向量产的团队，还会关心系统镜像的灵活度。JetPack 7.2首次在Jetson上提供官方Yocto Project支持，Yocto Project是一个广泛用于嵌入式系统的Linux定制框架，此次支持包括经过验证的配方和参考镜像。

Yocto Project带来的核心优势：

🔹可定制性：构建仅包含所需服务和驱动的精简镜像，减少显存占用，优化系统性能，不再需要去裁剪Ubuntu L4T镜像。

🔹可复现性：每次构建生成相同的镜像，简化调试、测试和认证流程——在医疗、工业等受监管领域，这一点至关重要。

🔹开放生态：访问数千个适用于AI框架、工业协议和自定义中间件的方案和社区层。

此外，JetPack 7.2将基于Ubuntu 24.04、内核6.8和CUDA 13.0的统一计算堆栈从Jetson Thor扩展到了Orin系列。两个平台共享同一套软件基础，一套代码可以跨Orin和Thor无缝部署，显著减少多平台适配的工程工作量。

体育平台基于Jetson的AI边缘计算产品已全面支持JetPack 7.2。通过软件升级，让同样的内存跑更多工作负载、跑更大的模型，降低边缘AI的部署门槛和拥有成本。

如需了解AI边缘计算产品和JetPack 7.2的适配详情，欢迎联系我们。