NVIDIA Jetson系列产品线选型指南——从 Nano 到 AGX Orin，选对那台“AI 之车”

可视化演示

交互式散点图展示NVIDIA Jetson各型号的算力(TOPS)与功耗(W)权衡关系，点击数据点查看详细规格，切换模式对比能效比。

家族谱系

走进 Jetson 的 4S 店，你会看到展台上按从小到大排列的四款“车”。最左边是 Jetson Nano，一台精致灵巧的代步小车，身材只有信用卡大小，却能跑基本的图像分类和轻量检测任务，适合学生、创客和原型验证。往右是 Jetson Orin Nano，它是 Nano 的全面升级版，像一台换了新发动机的紧凑型轿车，算力飙升至 40 TOPS，能流畅跑现代视觉 Transformer 模型。再往右是 Jetson Orin NX，相当于中型轿跑，100 TOPS 的算力让它成为工业视觉和机器人的主力选择。展台最右端是 Jetson AGX Orin，一台 275 TOPS 的超级跑车，专为自动驾驶、多路视频分析等重载场景打造。

这个家族谱系其实是 NVIDIA 按“算力-功耗-成本”三个坐标精心布局的矩阵。Nano 诞生于 2019 年，属于 Xavier 时代之前的入门方案；Orin 系列则是 2022 年后的新一代架构，从 Orin Nano 到 AGX Orin 覆盖了从 40 到 275 TOPS 的完整算力阶梯。每一代产品的升级，都伴随着 GPU 架构的革新——从 Maxwell 到 Ampere，再到更新的架构，AI 推理性能和能效比实现了数倍跃升。

理解家族谱系的核心，是把它看作一张“四档定位表”：入门验证档（Nano）、轻量部署档（Orin Nano）、性能均衡档（Orin NX）、极速旗舰档（AGX Orin）。定位决定了你的项目在哪个档位寻找答案——如果一个机器人项目只需要运行 YOLOv5s 做简单避障，杀鸡用牛刀上 AGX Orin，只会让功耗和成本双双失控。

核心规格

配置单上的第一行永远是“马力”——对 Jetson 而言，这个数字叫 TOPS（Tera Operations Per Second，每秒万亿次运算）。Nano 的 0.5 TOPS 像一台 60 马力的微型车，能拉动轻量级 MobileNet；Orin Nano 的 40 TOPS 像 200 马力的家用车，日常 AI 任务游刃有余；Orin NX 的 100 TOPS 是 350 马力的性能车，能同时处理多路视频流；AGX Orin 的 275 TOPS 则是 600 马力以上的超跑，只有自动驾驶级的融合感知才配得上它。

第二个关键规格是显存——你可以把它理解为“油箱”。Nano 只有 4GB，跑大模型时很快就“亮油灯”；Orin Nano 提供 8GB/16GB 两个配置，相当于标准油箱和加大油箱；Orin NX 最高 16GB；AGX Orin 则提供 32GB 和 64GB 的“双油箱”版本。显存直接决定了你能装下多大的神经网络：一个 ResNet-50 大约需要 200MB，而一个现代视觉 Transformer 可能吃掉 2GB 以上。显存不足时，模型会因内存交换而速度骤降，甚至无法加载。

除了算力和显存，CPU 和 GPU 的架构代际同样重要。Orin 系列搭载的是 Arm Cortex-A78AE 架构 CPU（AE 后缀意为 Automotive Enhanced，车规级增强）和 Ampere 架构 GPU，相比 Nano 的老架构，不仅算力提升，还支持第二代光线追踪和更先进的 INT8 量化加速——这意味着同样跑一个模型，Orin 系列能以更低的功耗、更快的速度完成推理。

选型时，把需求算力除以 0.5 再去找对应 TOPS 的型号，你就能避免“理论上够、实测卡成 PPT”的尴尬——这就像买车时看“综合工况油耗”，而非厂家宣传的“理论油耗”。

功耗等级

油耗，是买车的第二本账。Jetson 家族的功耗跨度从 5W 到 60W，像一个从“混动小车”到“V8 猛兽”的油耗光谱。Nano 默认 5-10W，靠一块散热片就能安静运行，适合电池供电的移动设备；Orin Nano 在 7-15W 之间，需要主动风扇，常见于智能摄像头和桌面级 AI 盒子；Orin NX 的 15-25W 配置需要更扎实的散热设计，适合装在工业机柜里；AGX Orin 最高可到 60W，必须配水冷或大尺寸散热器——就像超跑需要专门的冷却系统，否则发动机分分钟过热。

功耗不只是散热问题，它直接影响部署场景的可行性。在户外太阳能供电的农业监测站里，5W 的 Nano 是唯一可行的选择；在车载系统中，功耗预算被严格锁定在 15-25W 区间，因为整车电源和散热系统早已设计定型；而在固定电源的工业 PC 里，60W 的 AGX Orin 才放开手脚。

Jetson 还提供可调节的功耗模式（nvpmodel），允许你在同一颗芯片上在 5W 和 15W 之间切换，类似汽车的“经济模式”和“运动模式”。这意味着选型的功耗维度不是死的，你可以在项目初期用低功耗模式验证，后期再解锁更高性能——但代价是散热的预留，硬件设计必须按最高功耗模式预留余量。

| 功耗档位 | 代表型号 | 散热方式 | 典型场景 |

|---------|---------|---------|---------|

| 5-10W | Nano | 被动散热片 | 电池供电手持设备 |

| 7-15W | Orin Nano | 小型主动风扇 | AI 摄像头、桌面盒子 |

| 15-25W | Orin NX | 大尺寸散热器 | 工业视觉、机器人 |

| 30-60W | AGX Orin | 水冷/大风扇 | 自动驾驶、多路视频 |

做选型时，把功耗预算写到需求文档的第一页——它决定了供电方案、散热成本、外壳尺寸和整机可靠性，远比“多花 200 元买更高配”要影响深远。

接口生态

选车时你还会看“接口”：有没有 USB？能不能拖挂房车？Jetson 的接口生态决定了你的设备能和哪些“外设”连接。最核心的是 CSI 摄像头接口——这是连接图像传感器的高速专用通道，类似车的“原厂倒车影像接口”，即插即用且延迟极低。Nano 和 Orin Nano 支持 1-2 路 CSI，AGX Orin 最多支持 8 路，这对多目视觉系统的选型至关重要。

第二组接口是数据扩展类：USB 3.0 用于接普通摄像头和存储设备，PCIe 用于扩展高速设备——比如插入专用的 AI 加速卡或多个 NVMe 固态硬盘，相当于给车加装拖挂和行李架。工业场景还看重千兆以太网口，用于接入工业相机的 GigE Vision 协议；车载场景则需要 CAN 总线，用于和车辆底盘通信，这是 AGX Orin 等车规级方案的标配。

接口生态还引出一个选型陷阱：载板决定接口，模块决定算力。Jetson 的算力核心是贴着“系统模块”（System-on-Module）的主板，它就像车的发动机总成；而开发板或你自研的载板则像车身框架。同样一颗 Orin NX 模块，安在不同载板上会呈现完全不同的接口数量。选型时不能只盯着模块参数，必须确认载板的接口是否覆盖你的外设需求——否则就会出现“算力很猛，但接不上你的工业相机”的尴尬。

接口生态的本质是“外部世界的连接能力”。正如买车要看后备箱能不能装下婴儿车，选 Jetson 要看接口能不能接上你已有的全套传感设备。

价格区间

价格是多数人打开配置单时最先看的一栏。Jetson 的价目表从几百到几千美元，跨度比马力还夸张。Jetson Nano 开发者套件售价约 249 美元（二手市场甚至百美元上下），是学生和创客的启蒙神车；Orin Nano 开发套件约 459 美元，性价比之王；Orin NX 开发套件约 999 美元，面向专业开发者；AGX Orin 开发套件起价 2499 美元，堪称硬件界的高性能奢侈品。

但要注意，开发板价格只是“入场券”。实际项目成本包含三部分：开发板/模块采购价、载板设计与制造成本、散热与外壳的结构件成本。工程师圈子里流传一个经验法则：一个 Jetson 方案的整机物料成本（BOM）大约是模块单价的 2-3 倍。因此，当你的量产规划是 1000 台设备时，模块单价差 100 美元，就意味着 10 万美元的总成本差异——这可不是小数。

价格维度还要考虑“隐性成本”：开发效率（贵 500 美元的模块可能帮你省一个月加班时间）、软件生态（Jetson 的 CUDA 生态让开发更顺滑）、以及长期供应风险（量产阶段必须选生命周期充足的型号）。因此，价格选型的正确姿势是算总账，而不是只看单个模块的标价。

价格的本质是“算力买到手，踩坑也买单”。预算有限的早期项目，先买一台 Nano 把算法跑通，远比一步到位买 AGX 明智——毕竟车再好，开不上路的赛道也只是摆设。

选型方法

经过前面四节，你手里已经有了配置单、油耗表、接口清单和价目表，现在到了真正的“试驾决策”环节。我把选型方法论浓缩成“需求三问”。

第一问：跑什么模型？ 你的算法是轻量级的 MobileNet（每帧约 0.5 GFLOPs），还是 ResNet-50 级别（每帧约 8 GFLOPs），或是视觉 Transformer 大模型（每帧约 50 GFLOPs）？把单帧计算量乘以目标帧率，再除以 0.5 的利用率系数，就得到你需要的 TOPS。第二问：设备装在哪里？ 口袋里的手持设备只能给 5W，室外的智能灯柱最多 15W，车载网关最多 25W，固定机柜电源不限——功耗约束直接卡死你的候选型号。第三问：预算和批量有多少？ 试产 10 台随便买，量产 10000 台必须把模块单价压到最低。

三问之后，你会得到一个候选列表，然后用“算力-功耗-成本三角”做最终裁决。这三者互相牵制：想要最高算力，就得接受高功耗和高成本；想要低功耗，就必须在算力上妥协。真正的赢家不是算力最高者，而是恰好满足需求的型号。

一个实用的决策技巧是“向上留一档”：如果算力需求估算下来略低于 Orin Nano 的 40 TOPS，毫不犹豫选 Orin NX。因为 AI 模型迭代很快，半年后你的模型可能会更大、更复杂，留出冗余等于为未来预装了一块“升级空间”。

开发板与量产

原型阶段与量产阶段，你面对的是两种完全不同的“车”。开发板（Developer Kit）是一台完整的、可上路的整车：带外壳、带电源、带接口，开箱就能开发调试。而量产模块（Production Module）只是一台“发动机总成”——一块信用卡大小的核心板，必须插在你自研的载板（底板）上才能工作。

这两者的差距，就像“概念车”和“量产车”。概念车用来验证技术和展示设计，跑起来风驰电掣，但成本高昂、不适合批量生产；量产车则基于成熟的供应链，以可靠性、可制造性和成本为第一目标。Jetson 产品线的精妙之处在于，开发板上的软件环境与量产模块完全一致——你在开发板上调通的模型、写好的代码、优化的性能，可以直接烧录到量产模块上，无缝迁移。

但硬件上必须提前规划：开发板的标准载板接口布局，和你自研载板的接口布局不同；开发板的大外壳散热方案，也不能直接搬到量产设备的紧凑机身里。因此，从原型到量产的路径一般是：先用开发板跑通算法（验证“发动机能跑多快”），再根据量产需求设计定制载板（为“发动机”造一辆合身的车），最后把散热、电源、接口环境统一起来做可靠性测试。

供应链规划

选型到了最后一公里，是很多人忽略却最致命的环节——供应链。Jetson 模块作为 NVIDIA 的硬件产品，同样受全球芯片产能、贸易政策、分销渠道的影响。型号选得再对，买不到货或者交期长达 6 个月，项目一样黄。供应链规划的核心词是“交货周期（Lead Time）”和“供货承诺（Longevity）”。

根据行业经验，Jetson 开发板在正规渠道（如安富利、世健、贸泽等分销商）通常有现货；但量产模块的批量采购需要提前 8-16 周下单。热门型号（如 Orin Nano 模块）可能存在阶段性缺货，而即将进入停产周期的老型号（如初代 Nano）则可能被强制升级替代。因此，量产项目的供应链守则是：锁定型号后，第一时间联系分销商确认交期和最小起订量，并在预算中预留 10-20% 的备货缓冲。

另一个供应链策略是多源替代。如果你的算法并不依赖 Jetson 独有特性，可以提前调研同价位的替代方案（如瑞芯微、地平线等国产边缘 AI 芯片），作为备选。但也要清醒：从 Jetson 迁移到其他平台意味着整个软件栈要重写，迁移成本可能远超硬件价差。因此，替代方案的真正价值不是“平替”，而是“议价筹码”和“风险对冲”。

最后，别忘了评估 NVIDIA 官方的“产品生命周期”信息。Jetson 系列每款型号都有公告的长期供货计划（通常 5-10 年），这将直接影响你产品的维护周期。一个只打算卖 2 年的消费级产品，用生命周期已过半的老型号无妨；但一个想持续销售 8 年的工业设备，必须确认模块在整个生命周期内可采购。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""Jetson 选型助手：根据模型计算量、帧率和功耗预算推荐合适型号"""import math JETSON_CATALOG = [    {"name": "Jetson Nano",   "tops": 0.5,  "power": 10, "price": 249,  "memory": 4},    {"name": "Orin Nano",     "tops": 40,   "power": 15, "price": 459,  "memory": 8},    {"name": "Orin NX",       "tops": 100,  "power": 25, "price": 999,  "memory": 16},    {"name": "AGX Orin",      "tops": 275,  "power": 60, "price": 2499, "memory": 64},] def effective_tops(tops, util_ratio=0.5):    """标称 TOPS 乘以利用率系数得到有效算力"""    return tops * util_ratio def required_tops(gflops_per_frame, fps, redundancy=2):    """根据模型计算量估需求算力, 乘冗余系数"""    return gflops_per_frame * fps * redundancy / 1000 def recommend(gflops_per_frame, fps, power_budget, redundancy=2):    """返回满足功耗和算力要求的最便宜型号"""    need = required_tops(gflops_per_frame, fps, redundancy)    candidates = []    for m in JETSON_CATALOG:        if m["power"] <= power_budget and effective_tops(m["tops"]) >= need:            candidates.append(m)    if not candidates:        return None, need    best = min(candidates, key=lambda x: x["price"])    return best, need if __name__ == "__main__":    test_cases = [        ("YOLOv5s 30FPS", 8, 30, 20),        ("MobileNet 60FPS", 0.5, 60, 7),        ("VIT 25FPS", 50, 25, 60),    ]    for desc, gflops, fps, power in test_cases:        best, need = recommend(gflops, fps, power)        if best is None:            print(f"{desc}: 需求算力 {need:.2f} TOPS, 无满足功耗预算的型号")        else:            print(f"{desc}: 需求算力 {need:.2f} TOPS -> 推荐 {best['name']}, "                  f"价格 ${best['price']}, 功耗 {best['power']}W")

1. JETSON_CATALOG = [...]内置 Jetson 四款型号的规格字典，供后续查询
2. def effective_tops(tops, util_ratio=0.5):把标称 TOPS 乘以 0.5 的利用率系数，得到实际可用算力
3. def required_tops(gflops_per_frame, fps, redundancy=2):用“单帧计算量 × 帧率 × 冗余系数”估算需求算力
4. candidates = []筛选出同时满足功耗上限和算力需求的型号清单
5. best = min(candidates, key=lambda x: x["price"])按价格排序，选出最便宜的合格型号

常见误区

面试题