做边缘 AI 项目，选 Jetson 几乎是默认的第一反应。但 Jetson 不是一个型号，而是一个系列——从 0.5 TFLOPS 的 Nano 到 275 TOPS 的 AGX Orin，跨度超过 500 倍。选错了型号，要么性能不够跑不了模型，要么多花钱用不上。
这篇文章把所有 Jetson 型号一网打尽，讲清楚每款的真实定位。
一、Jetson 产品线：五档划分
先给一张总表。注意：算力单位不统一——老型号用 TFLOPS（浮点），新型号用 TOPS（整数），不能直接比数字大小。
| 型号 | GPU 架构 | AI 算力 | CPU | 内存 | 功耗 | 价格带 | 定位 |
|---|---|---|---|---|---|---|---|
| Nano (已停产) | Maxwell 128核 | 0.5 TFLOPS | 4×A57 | 4GB | 5~10W | 低 | 入门学习 |
| Orin Nano 4GB | Ampere 512核 | 20 TOPS | 6×A78AE | 4GB | 5~10W | 低~中 | 性价比量产 |
| Orin Nano 8GB | Ampere 1024核 | 40 TOPS | 6×A78AE | 8GB | 7~15W | 中 | 主流工业部署 |
| Orin NX 8GB | Ampere 1024核 | 70 TOPS | 6×A78AE | 8GB | 10~25W | 中~高 | 多模型并行 |
| Orin NX 16GB | Ampere 1024核 | 100 TOPS | 8×A78AE | 16GB | 10~25W | 中~高 | 复杂视觉AI |
| AGX Orin 32GB | Ampere 2048核 | 200 TOPS | 12×A78AE | 32GB | 15~40W | 高 | 高性能边缘 |
| AGX Orin 64GB | Ampere 2048核 | 275 TOPS | 12×A78AE | 64GB | 15~60W | 很高 | 服务器级边缘 |
朗锐创新当前主力推荐的三款（加粗），覆盖了从入门量产到高性能工作站的全部需求。
二、每款适合什么场景
Orin Nano 4GB（20 TOPS）— 轻量推理，跑单模型刚刚好
这是一个被低估的型号。很多人觉得 4GB 内存不够，但实际上如果只是跑一个 YOLOv8 nano/s 级别的检测模型（模型文件 < 10MB），20 TOPS 绰绰有余。
✅ 单路摄像头物体检测
✅ QR/条码读码器
✅ 简单的分类模型（缺陷分类、字符识别）
❌ 不适合多模型级联、不适合 LLM、不适合大分辨率（>1080p 多路）
Orin Nano 8GB（40 TOPS）— 工业部署的甜点
算力翻倍，内存翻倍，但价格涨得不多，是目前性价比最高的工业部署平台。40 TOPS 意味着可以在 1080p 分辨率下流畅跑 YOLOv8m/l 级别的模型，帧率 30fps 打底。
✅ 工业视觉 AOI 检测
✅ 双摄像头目标跟踪
✅ 小型 AMR/AGV 的感知决策
✅ 边缘 AI 盒子产品化
朗锐创新 AIC-9111 就是基于 Jetson NANO 平台的早期产品，而现在 AIC-211 已升级到 Orin 平台，适配国产化需求。
Orin NX 16GB（100 TOPS）— 多模型流水线
当你需要跑的不只是一个检测模型，而是"检测→分类→分割→OCR→决策"的多级推理流水线，且每帧都需要在 50ms 内完成，Orin NX 就是底线。
✅ 多路相机同时 AI 处理
✅ YOLO + DeepSORT 多目标跟踪
✅ 语义分割 + 3D 检测融合
✅ Transformer 轻量模型部署
256 个 CUDA 核心 + 32 个 Tensor Core，加上 16GB 共享内存，可以同时加载 3~4 个中等大小模型。
AGX Orin 64GB（275 TOPS）— 服务器算力的边缘化
这相当于把一台 AI 服务器压进一个巴掌大的模组。275 TOPS 能做的事情：
✅ 8~16 路 1080p 视频同步分析
✅ 4~8 路 4K 视频流实时检测
✅ 边缘端 LLM 推理（小参数模型本地运行）
✅ 自动驾驶/高级机器人的多传感器融合
三、选型中最容易踩的坑
坑 1：只看 TOPS 不顾内存
TOPS 是峰值算力，不等于实际跑模型的速度。一个 40 TOPS 配 8GB 内存的 Orin Nano，实际跑一个复杂模型可能比 70 TOPS 配 8GB 的 Orin NX 更快——因为模型和中间张量都装进内存了，不需要频繁 swap。
规则：算力 × 内存的匹配度比单独看算力更重要。Orin Nano 8GB 的 40 TOPS，实际体验比一些纸面算力更高但内存更小的方案更顺畅。
坑 2：NGC 容器镜像的版本兼容性
Jetson 的软件环境跟 x86 Linux 不完全一样。TensorRT、CUDA、cuDNN、DeepStream 的版本绑定非常严格。你如果拿着 x86 上配好的 Dockerfile 直接往 Jetson 上部署，大概率报错。
建议：在项目开始阶段就拉 NVIDIA 官方的 l4t 容器镜像，在上面开发，不要在 x86 开发完再移植。
坑 3：功率模式设置
Jetson 全系列都支持多个功率档位。出厂默认可能是最低档，测性能时务必到 nvpmodel 切换到最大功率模式。很多人以为"Jetson 跑得很慢"，其实是功率模式没调。
四、三个真实场景的推荐配置
场景 A：产线外观缺陷检测（单相机 + YOLOv8）
相机：1 路 500 万像素 GigE，30fps
模型：YOLOv8n（目标检测）
推荐：Orin Nano 8GB（40 TOPS）
够用吗：完全够，实测 30fps 无压力，占用率约 40%
场景 B：智能安防多路分析（4 路 1080p 相机 + 行为检测）
相机：4 路 200 万像素 RTSP 流
模型：YOLOv8m + DeepSORT 多目标跟踪 + 越界检测逻辑
推荐：Orin NX 16GB（100 TOPS）
够用吗：4 路同时 25fps，CPU 和 GPU 占用都在 70% 以内
场景 C：AGV 自主导航（多传感器融合 + SLAM）
传感器：激光雷达 + 深度相机 + IMU + 轮速计
算法：Cartographer/GMapping + ROS 2 Navigation2 + YOLO 避障
推荐：Orin AGX 32GB（200 TOPS）
够用吗：SLAM 定位更新频率 > 20Hz，避障检测延迟 < 30ms
五、朗锐创新 Jetson 产品线
我们不做 Jetson 模组本身（那是 NVIDIA 的事），但我们做 Jetson 模组的整机集成：
AIC-9111：基于 Jetson NANO，5 路千兆网口，宽温设计，适合入门级 AI 推理部署
AIC-9211：国产算能 AI 边缘盒子，16 TOPS，适配国产化 AI 场景
定制服务：Jetson Orin NX/Nano 整机定制——你的接口需求、外壳设计、散热方案、认证（CE/FCC），我们帮你搞定
六、最后一句选型口诀
单模型轻推理 → Orin Nano 8GB 多模型级联 → Orin NX 16GB 多路大模型 → AGX Orin 国产化合规 → 算能/瑞芯微路线
算法团队评估阶段先用 开发套件测性能，确认部署型号后直接找整机厂商做集成——比你自己画载板、做散热、过认证快得多。
