Google i Nvidia pokazały, jak zaawansowany model multimodalny Gemma 4 VLA radzi sobie na mobilnym procesorze graficznym Jetson Orin Nano Super. Chodzi o urządzenie rozmiaru pudełka od mleka, które mimo swoich ograniczeń potrafił uruchomić agent łączący widzenie komputerowe z przetwarzaniem języka naturalnego. To znaczący krok w demokratyzacji sztucznej inteligencji, bo do tej pory złożone modele vision-language wymagały serwerów lub przynajmniej znacznie mocniejszych komputerów stacjonarnych.
Jetson Orin Nano Super dysponuje 8 rdzeniami procesorów ARM i 8 GB pamięci graficznej GDDR6, co niewiele kosztuje i zajmuje mało miejsca. Gemma 4 VLA to względnie kompaktowy model, który potrafi analizować obrazy, odpowiadać na pytania na ich temat oraz podejmować decyzje w oparciu o widzenie kamery. Demo pokazało, że urządzenie potrafi działać w czasie rzeczywistym, obsługując zadania takie jak identyfikacja obiektów czy interpretacja wizualna scen. To otwiera drzwi dla robotów autonomicznych, systemów nadzoru brzegowego i urządzeń IoT wyposażonych w real-time AI.
Praktyczne zastosowania mogą być ogromne - od autonomicznych robotów pomocniczych w fabrykach, przez kamery inteligentne w magazynach, aż po domowe roboty asystujące osobom starszym czy niepełnosprawnym. Wszystko to bez konieczności wysyłania danych do chmury, co oznacza lepszą prywatność i mniejsze opóźnienia. Gemma 4 VLA na Jetson Orin Nano Super to praktyczny dowód na to, że przyszłość AI to nie tylko mocne serwery w datacenterach, ale również inteligencja rozproszona na urządzeniach na krawędziach sieci.