牛！用Jetson Orin Nano开发板做了一个AI版答案之书！
作者: DigiKey Editor
关键词：Jetson Orin Nano，开发板，答案之书
答案之书——随手一翻，随机获得一句人生建议，看似玄学却偶尔能带来灵感。《大模型实战》系列课程的第二节，就使用Jetson Orin Nano搭建了电子版的《答案之书》，让我们一起看看，大模型会给什么答案——
相关课程视频，请点以下图片到B站观看:
什么是电子版《答案之书》？
首先，我们要知道实物版答案之书的用法：使用者先想一个近期特别纠结的问题，例如是否要去表白、同事犯傻要不要告诉他、某支股票会不会涨等，然后拿着书专注 10 秒，再自然、随机地翻开这本书的一页，所看到的内容就是答案 。
本期在Jetson Orin Nano开发板上部署大模型，通过LED触摸屏+麦克风+扬声器，即可实现类似答案之书的功能：
1）语音提问，说出一个问题，比如说：我能不能一夜暴富？
2）开发板识别到语音，并通过麦克风语音说出：请输入你想知道的答案页数吧
3）屏幕上出现上面这句话，并出现输入数字的界面。
4）输入一个数字，点击确定，之后屏幕便出现答案，也就是这个页数对应的答案。
大模型在这个项目起到什么作用呢？实物版的答案之书由一个个如 “学会珍惜”“不要刻意压抑”“此时不宜” 等短句构成，局限性很明显，内容固定、缺乏互动性，而且无法结合具体问题给出动态反馈。
而电子版《答案之书》会根据语音内容，生成一个类似答案之书的答案，不是一本正经的回答问题，让我们在轻松愉快中得到答案。
为什么选择Jetson Orin Nano？
第一期视频中讲到，部署大模型要么调用云端的大模型接口，要么在本地。如果直接用云端大模型接口，响应延迟高，隐私性也存疑，所以选择在本地部署大模型，这对硬件开发板的性能提出了很高的要求。
Jetson Orin Nano 是英伟达（NVIDIA）面向边缘AI和机器人领域推出的嵌入式计算模组，它继承了Jetson Nano的“小身材大能量”特性，但性能直接碾压前代，堪称“边缘AI的核弹级升级”。
从下表中，可以看出与前一代Jetson Nano相比，Jetson Orin Nano各方面的性能，尤其是AI算力，大幅提升。
一句话总结：Jetson Orin Nano性能提升80倍，功耗仅增加50%，价格翻倍但性价比爆炸——“用两颗奶茶钱换一辆AI超跑”。
Jetson Orin Nano本地可以流畅运行Llama 3-8B、Qwen1.5-7B等大语言模型（FP8精度），问答延迟<2秒，跑大模型不再卡成PPT。原生支持Isaac Sim仿真工具链，训练到部署一条龙。
此外，Jetson Orin Nano可以实时处理多路1080P视频流：YOLOv8目标检测帧率50FPS+，比前代快20倍；还支持ROS 2 Humble，可同时处理激光雷达+摄像头+IMU数据，适合自主导航场景。Jetson Orin Nano还支持-25°C至80°C宽温工作，抗振动设计，直接塞进工厂机器毫无压力。
从软件开发生态上看，Jetson Orin Nano预装JetPack 6.0（基于Ubuntu 22.04），TensorRT、CuDNN等库，开箱即用。与NVIDIA TAO工具链无缝衔接，零代码实现模型迁移优化。
Jetson Orin Nano生态资源丰富，即使以前从未接触过Jetson系列板卡，也能从下面的资源中从容上手：
Jetson Orin Nano学习路径：
第一步：玩转NVIDIA Deep Learning Institute免费课程
第二步：复现Isaac Gym机器人仿真案例
第三步：用Metropolis框架落地智慧城市项目
推荐开源项目：
1）预训练模型全家桶：NVIDIA-AI-IOT/jetson-inference
2）超轻量系统镜像：Qengineering/Jetson-Nano-Ubuntu-Image
- Jetson Orin Nano + Qwen2.5模型：快速搭建AI答案之书
Jetson Orin Nano已安装Ubuntu系统，通过Ollama，直接拉取qwen2.5模型。
第一步，选择合适的大模型以及部署工具
选择什么模型，需要考虑模型参数所占的内存，以及推理过程临时占用的内存。为了加快响应速度，选择qwen2.5模型。
模型选择好了之后，就是部署的工具，这里选择Ollama，一款开源的、专注于本地化运行大语言模型（LLM）的工具。简单来说就是“让你在自己的电脑或开发板上轻松玩转AI大模型”的神器。它解决了传统大模型部署的三大痛点：复杂的配置、高昂的算力需求和云端依赖，堪称“平民玩家的AI启动器”。
在Ollama官网，也可以查看模型类型，以及占用的内存需求，模型的执行命令。
https://ollama.com/library/qwen2.5
第二步：安装大模型
首先，需要安装jeston-containers，这是NVIDIA 为 Jetson 系列边缘计算设备（如 Jetson Orin、Jetson Xavier 等）提供的官方容器化解决方案，基于 Docker 或 NVIDIA Container Toolkit，旨在简化边缘 AI 应用的开发、部署和管理。
git clone https://github.com/dusty-nv/jetson-containers
jetson-containers/install.sh
然后，安装docker，并拉取ollama docker镜像
sudo apt install docker.io
docker pull ollama/ollama
接着，运行docker以及qwen2.5：1.5b模型
docker run -itd –name ollama ollama/ollama
docker exec -it ollama bash.
ollama run qwen2.5:1.5b
第三步：与大模型进行交互
在docker中使用ollama运行大模型以后，下一步就是web页面或者软件app向模型发送问题，并接受回复，这就要启动Ollama容器时暴露端口，重新运行Ollama容器之后，就可以不通过终端命令行，让大模型远程问问题了。
docker run -d -p 11434:11434 –name ollama2 ollama/ollama
在主机上发送请求，并使用 curl 或 Python 代码与模型交互：
from fastapi import FastAPI
import requests
app = FastAPI()
@app.post("/ask")
def ask(prompt: str):
response = requests.post(
"http://localhost:11434/api/generate",
json={"model": "llama3", "prompt": prompt}
)
return {"answer": response.json()["response"]}
可以使用ollama list命令来确认，当前可用的模型列表。
使用流式输出：
import requests
import json
def clean_ollama_response():
response = requests.post(
"http://localhost:11434/api/generate",
json={
"model": "qwen2.5:1.5b",
"prompt": "用Python写快速排序代码",
"stream": True
},
stream=True
)
full_response = ""
for line in response.iter_lines():
if line:
try:
# 解码并加载JSON
chunk = json.loads(line.decode('utf-8').strip())
# 检查是否是有效响应
if "response" in chunk and chunk["response"]: # 这里不能有中文冒号
# 去除特殊字符和乱码
clean_text = ''.join(
char for char in chunk["response"]
if char.isprintable() or char in {'\n', '\t'}
)
print(clean_text, end="", flush=True)
full_response += clean_text
except json.JSONDecodeError:
print("! 遇到无效JSON数据，已跳过")
except UnicodeDecodeError:
print("! 遇到编码错误，已跳过")
return full_response
# 使用示例
if __name__ == "__main__":
clean_ollama_response()第四步：语音识别才是灵魂
由于Jeston Orin Nano的内存限制，无法使用NVIDIA官方提供的Riva完整的解决方案，为了识别精度以及节省内存，选择SpeechRecognition API接口来实现语音识别。
SpeechRecognition 是一个 Python 库，江湖人称“语音识别界的瑞士军刀”，能用几行代码就把麦克风听到的话转成文字，无论是做语音助手、声控设备，还是 “AI答案之书”，都能轻松搞定。
这是SpeechRecognition对应的代码：
此外，额外定制一个500*400的界面：
使用麦克风和音响接入Jetson Orin Nano开发板：
运行代码之后，就可以向“答案之书”进行提问了：
在文章开头的视频中，有“答案之书”的代码解析，感兴趣的小伙伴可以在视频13:00-19:00观看，这里就不再一一展示了。
下面就让我们问一问“AI答案之书”吧：
以上就是“答案之书”的设计过程了，希望通过上面的部署过程，大家都可以轻松在开发板上部署大模型了。
小编的话：
把 40 TOPS 的 AI 算力塞进7~15 W 的口袋型模组里，让“边缘小盒子”直接跑大模型，省掉了上云、加风扇、改板子的成本——Jetson Orin Nano以其卓越的性能、灵活的扩展能力、易用的软件生态以及合理的价格定位，在推动AI边缘计算的发展中扮演着重要角色。这篇文章直观的展示出Jetson Orin Nano的能力和价值。您是否也在使用Jetson Orin Nano开发部署AI项目，您在这个过程中有哪些经验或者疑问？欢迎留言，和DigiKey的朋友们一起分享交流！
******
如任何问题，欢迎联系 DigiKey客服团队
中国(人民币)客服
service.sh@digikey.com
中国(美金)/香港客服
– china.support@digikey.com
打开微信搜一搜，输入「digikey」
点击关注 DigiKey 官方微信公众号
按指引完成会员登记
之后每周自动推送工程师专属秘技，边学技术边攒积分，各类工具好礼、专属采购福利等你来领。
![image](https://global.discourse-cdn.com/digikeycn/original/2X/b/b308603b678e17a98bf91bc97d94f73be23e9862.jpeg" \o "image)
![image](https://global.discourse-cdn.com/digikeycn/original/2X/b/bb3f63da54726403f92693ec81f6acdb7ea3549a.jpeg" \o "image)
