Hace aproximadamente un año tuve la oportunidad de comenzar a trabajar, dentro de un proyecto de investigación, con una plataforma de computación para inteligencia artificial de NVIDIA.

Hasta ese momento, mi mundo había estado principalmente alrededor de los microcontroladores.

Arduino Mini.
Arduino Nano.
Arduino Mega.
ESP8266.
NodeMCU.

Micro:bit.

ESP32 en diferentes versiones.

Y, siendo sincera, sigo pensando exactamente lo mismo que pensaba hace años: el ESP32 continúa siendo uno de mis dispositivos favoritos para desarrollar proyectos de robótica educativa.

Tiene una relación costo-beneficio difícil de superar.

Es potente, económico, dispone de conectividad WiFi y Bluetooth, consume poca energía y permite construir una enorme cantidad de proyectos que funcionan perfectamente para la mayoría de aplicaciones educativas y de automatización.

Muchos de los proyectos que realizo con estudiantes continúan desarrollándose alrededor del ESP32, y no veo que eso vaya a cambiar pronto.

Pero hace un año apareció una nueva posibilidad.

No reemplazó al ESP32.

Simplemente abrió una puerta completamente diferente.

Descubriendo otro mundo

Cuando empecé a trabajar con una plataforma de computación para IA entendí rápidamente que no estaba frente a "un Arduino más potente".

Era otra categoría completamente distinta.

Por primera vez podía ejecutar modelos de inteligencia artificial directamente sobre el equipo.

Podía trabajar con visión por computador.

Procesamiento de imágenes en tiempo real.

Reconocimiento facial.

Detección de objetos.

Modelos de Deep Learning.

ROS2.

SLAM.

Procesamiento paralelo utilizando GPU.

Y, sobre todo, integrar todas esas tecnologías en un mismo proyecto.

Fue como pasar de construir únicamente el cuerpo de un robot a comenzar a desarrollar también parte de su "cerebro".

Lo que realmente cambió no fue el hardware

Curiosamente, lo más importante no fue aprender a utilizar una nueva tarjeta.

Lo más valioso fue aprender una nueva manera de pensar los proyectos.

Antes muchas ideas terminaban con una pregunta:

"¿Será que este microcontrolador alcanza para hacer esto?"

Ahora la pregunta suele ser distinta:

"¿Cómo puedo combinar visión artificial, IA y sensores para resolver este problema?"

Ese cambio de perspectiva parece pequeño, pero termina transformando completamente el diseño de un proyecto.

Un año aprendiendo Inteligencia Artificial aplicada

Durante este año he tenido que aprender muchísimo.

Mucho más de lo que imaginaba cuando conecté la tarjeta por primera vez.

He aprendido sobre:

• ROS2.

• OpenCV.

• Reconocimiento facial.

• Redes neuronales.

• Modelos de IA ejecutados localmente.

• Integración de sensores.

• Navegación autónoma.

• SLAM.

• Procesamiento de imágenes en tiempo real.

• Arquitecturas para robots inteligentes.

Y probablemente lo más interesante es que cada nuevo aprendizaje abre otros diez temas que todavía quiero estudiar.

Es una sensación muy parecida a cuando uno comienza a programar: cuanto más aprende, más consciente es de todo lo que aún falta por descubrir.

Las ideas parecen no acabarse

Tal vez esa sea la mayor diferencia que he sentido durante este año.

Antes pensaba en construir robots.

Ahora pienso en robots que puedan comprender parte de lo que sucede a su alrededor.

Robots capaces de reconocer personas.

Analizar imágenes.

Tomar decisiones.

Construir mapas.

Navegar de forma autónoma.

Interactuar con otros sistemas.

Ayudar en procesos educativos.

Apoyar investigaciones.

Resolver problemas reales.

Cada semana aparece una idea nueva.

Y casi siempre termina acompañada de otra lista de cosas por aprender.

¿Significa eso abandonar los microcontroladores?

En absoluto.

De hecho, hoy los valoro incluso más.

Después de trabajar con plataformas de IA entendí que cada tecnología tiene su lugar.

El ESP32 sigue siendo extraordinario para controlar motores, sensores, actuadores y sistemas embebidos.

Una computadora especializada en IA aporta otra capacidad completamente distinta: el procesamiento intensivo de información.

No se trata de escoger uno u otro.

Se trata de aprender cuándo utilizar cada uno.

Muchas veces, la mejor solución consiste precisamente en combinarlos.

Mirando hacia adelante

Después de un año puedo decir que esta experiencia ha transformado mi manera de entender la robótica.

No solo porque ahora conozco nuevas herramientas.

Sino porque aprendí que la inteligencia artificial no es únicamente un tema de grandes centros de datos o aplicaciones en la nube.

También puede vivir dentro de un robot.

Puede ejecutarse localmente.

Puede integrarse con sensores.

Puede ayudar a construir soluciones para problemas reales.

Y quizá eso sea lo que más me entusiasma.

No siento que haya llegado a una meta.

Más bien siento que apenas encontré un camino que abre posibilidades casi infinitas.

Todavía quedan muchísimas cosas por aprender.

Y, siendo honesta, esa es precisamente la parte que más disfruto.