Antes de Windows, solo ingenieros e informáticos podían hacer mucho con un computador. Windows cambió eso entregando una interfaz de usuario, aplicaciones predeterminadas y soporte plug-and-play para hardware, todo funcionando junto. La misma transición, argumenta Jason Seawall, fundador y CEO de Numurus, está empezando ahora para los robots.

Su tesis, publicada en The Robot Report: el mercado de procesadores de IA edge (chips embebidos que corren modelos en sistemas robóticos y automatizados) está creciendo rápido con productos de NVIDIA, AMD, Qualcomm, Hailo y otros. Son chips rápidos, baratos y eficientes en energía suficientes para correr workloads de IA reales en terreno. El hardware ya pasó el punto de inflexión.

¿Quiénes pueden realmente usar estos chips hoy?

Pocos, sostiene Seawall. Si bien los chips de edge AI vienen normalmente con un sistema operativo Linux con aplicaciones y soporte de hardware integrado, las necesidades de un robot no calzan con un PC de escritorio:

  • Los robots se conectan a cámaras, lasers, GPS, motores y sistemas de control, no a mouse, teclado e impresora.
  • Necesitan software que conecte datos de sensor vivos con modelos de IA para controlar motores, no procesadores de texto.
  • Normalmente no tienen pantalla ni teclado físico: la UI tiene que llegar por navegador desde un PC en la red.

El resultado, dice, es que un procesador edge AI hoy es como el PC en 1981: capaz, pero inaccesible para casi todos.

¿Qué desbloqueó Windows en el PC?

Lo que abrió el PC al mundo no fue hardware más rápido. Fue una capa de software que resolvió las cosas que la mayoría no quería aprender:

  • Drivers plug-and-play: conectar una impresora y que funcione sin código.
  • Aplicaciones built-in: procesador de texto, planilla, navegador de archivos.
  • UI estándar: pantalla, teclado y mouse trabajando juntos con una interfaz que casi nadie necesitaba manual para entender.

Después de Windows, el PC dejó de ser solo para especialistas. El hardware no cambió. El acceso sí.

¿Qué necesita la IA en el edge para masificarse?

Según Seawall, los mismos cuatro elementos:

1. Drivers plug-and-play para sensores robóticos: cámaras, sonar, lidar, IMU, GPS. Conectar y que el sistema reconozca. 2. Gestión de modelos de IA: cargar un modelo, versionarlo, reemplazarlo, recuperarse de fallas. Casi todos los equipos tienen un modelo. Pocos quieren construir el runtime que lo rodea. 3. Aplicaciones built-in para los casos de uso reales: robótica, automatización, inspección, procesamiento de datos de sensor, acción event-driven. 4. UI por navegador servida desde el dispositivo: el operador conecta un laptop, apunta el browser al equipo y tiene control, sin hardware ni software adicional.

El argumento comercial: NEPI de Numurus

Seawall declara que su empresa Numurus pivotó en 2020 desde vender sensores robóticos a desarrollar NEPI (Numurus Edge Platform Interface), una plataforma de software que cumple esos cuatro requisitos.

NEPI se instala como contenedor Docker sobre el OS nativo del chip edge AI. Trae drivers plug-and-play para cámaras, sensores de navegación, motores y sistemas de control. Detecta y orquesta modelos de IA, incluye aplicaciones de automatización, e interfaz web vía navegador para conectarse desde PCs remotos. El código fuente está disponible en GitHub para descargas y customizaciones, y la empresa asegura que cualquiera puede tener un robot funcionando en minutos.

Aclaración editorial: Seawall es el CEO de Numurus, así que la nota es a la vez un análisis del mercado y un argumento para su producto. Las observaciones sobre el ecosistema edge AI son útiles más allá de NEPI; el lector debe evaluar si la solución concreta calza con su caso de uso.

¿Quién gana con el edge AI accesible?

Si la analogía con Windows se mantiene, la audiencia crece en órdenes de magnitud:

  • Programas STEM que pueden integrar automatización con IA sin requerir que cada miembro sea experto en software embebido.
  • Investigadores en disciplinas adyacentes que pueden prototipar hardware con IA sin contratar un equipo embebido aparte.
  • Startups que pueden lanzar su primera versión en semanas en vez de un año.
  • OEMs que pueden ofrecer a sus clientes capacidades de IA que el cliente mismo puede configurar.

Casos de uso ya en producción

Seawall menciona algunos casos donde, según él, el modelo de plataforma ya está cambiando el ritmo de desarrollo:

  • Vessels de superficie autónomos para detección de amenazas marítimas, donde los equipos se enfocan en la misión y no en construir su propio stack edge AI.
  • Operadores de pesca comercial con sonar habilitado por IA, enfocados en la pericia de pesquería en vez de en deployment de modelos.
  • Robots de inspección submarina que agregan inspección por IA sin construir desde cero pipelines de captura y deployment.
  • Inspección de infraestructura subsea, donde los equipos se concentran en metodología de inspección y no en ingeniería embebida.

¿Y para los equipos que sí tienen expertos?

Incluso ahí, dice Seawall, la matemática cambió. La mayoría de los equipos robóticos de la última década ha reconstruido las mismas cinco capas desde cero: integración de sensores, runtime de deployment de IA, lógica de automatización, pipelines de datos e interfaces de operador. Ninguna es lo que hace único al producto. Son el piso sobre el que todo producto debe estar parado.

El costo, sigue, aparece en cuatro puntos: tiempo de ingeniería (6 a 12 meses antes de embarcar la primera versión), fragilidad (el código custom se rompe cada vez que cambia el hardware), asignación de talento (los ingenieros senior terminan manteniendo drivers en vez de construir features diferenciadoras), y los productos que nunca se construyen porque la inversión en infraestructura era demasiado intimidante.