Destacado de la pista DEV: Diseñando inferencia de IA generativa local con AWS IoT Greengrass DEV316 presenta una guía práctica sobre como llevar la inteligencia artificial del mundo digital al mundo físico. Kohei Max Matsushita, AWS Community Hero y tech evangelist en Soracom, mostró en vivo como ejecutar inferencia generativa de forma local usando AWS IoT Greengrass y brazos robóticos reales, demostrando que la IA ya no solo vive en la pantalla sino que puede mover y actuar en el entorno real.
Que es Physical AI Max definio Physical AI mediante tres capacidades esenciales que una maquina necesita para operar en el mundo real: Responsividad capacidad para reaccionar rapido a lo que ve y siente y mover componentes de inmediato cuando cambia el entorno; Autonomia posibilidad de pensar y actuar sin depender siempre de instrucciones humanas y crear nuevo valor; y Colaboracion entendimiento de la intencion humana para trabajar de forma natural como un equipo conjunto.
Ejemplo practico LINKWIZ presento un caso contundente donde brazos roboticos ganan vision mediante escanners 3D y modelos VLA Vision Language Action. Los robots tradicionales usan ensenanza con movimientos fijos por repeticion y fallan si el objeto cambia posicion o angulo, obligando a los operarios a adaptar el entorno. Con VLA el robot usa camaras como ojos y modelos AI como cerebro, detecta forma y angulo del objeto y ajusta su movimiento en tiempo real aplicando responsividad autonomia y colaboracion simultaneamente.
La pregunta de latencia Local vs Cloud El nucleo de la sesion abordo donde debe ejecutarse la inferencia para aplicaciones fisicas. Max hizo una demo con dos brazos sincronizados: primero conectados por USB con latencia minima los brazos se movian en perfecta sincronizacion. Luego enruto las mismas señales via una red LTE a un servidor en US East y la demora fue clara 500 a 600 milisegundos. Concluyo que existe una barrera practica alrededor de 100 milisegundos cuando la sensacion humana detecta que algo va mal, usando la referencia de la respuesta de una maquina expendedora tras pulsar un boton. No descarto la nube pero subrayo que Cloud AI es viable solo si la latencia y la estabilidad de la conexion cumplen los requisitos del sistema.
Tres casos donde la inferencia local es esencial Max identifico tres escenarios en los que la inferencia en el edge es imprescindible: combinacion camara y robot sistemas que requieren hacer inferencias y acciones muy rapidas en lineas de produccion en las que un segundo puede marcar la diferencia; seguridad cuando existe peligro y no se puede esperar la latencia de red la deteccion y respuesta debe ser local; y privacidad y seguridad cuando los datos sensibles de camaras deben permanecer en el dispositivo o red local para minimizar riesgo de exposicion.
Modelos VLA Vision Language Action Max explico que los modelos VLA son la tecnologia clave para Physical AI. A diferencia de los LLM que trabajan con texto e imagenes los VLA toman entradas del mundo fisico via sensores y camaras y generan movimientos como salida. En la demo una Raspberry Pi 5 con una webcam corrio modelos VLA de Hugging Face y el brazo robot detecto objetos en distintas posiciones primero una caja negra y luego tras actualizar el modelo detecto solo cajas blancas demostrando flexibilidad que los metodos basados en reglas no alcanzan.
Filosofia central Actualizabilidad El mensaje mas importante de Max fue la necesidad de mantener los modelos actualizables. Los mejores modelos de hoy pueden quedar obsoletos mañana por ello hay que diseñar sistemas que permitan actualizar modelos en campo sin bloquear la aplicacion a una sola version. AWS IoT Greengrass se presenta como la pieza que posibilita actualizaciones remotas y gestion de contenedores en dispositivos con recursos limitados.
Demo en vivo Actualizar modelos VLA con AWS IoT Greengrass Flujo arquitectural basico modelos VLA almacenados en Hugging Face contenedores Docker con el modelo incluido imagenes empujadas a Amazon Elastic Container Registry comandos de despliegue enviados por AWS IoT Greengrass y el dispositivo local ejecutando docker pull y arrancando el contenedor. En el escenario en vivo Max modifico un Dockerfile para cambiar el detector de caja negra por uno de caja blanca, construyo la nueva imagen, la subio a Amazon ECR creo una nueva receta en AWS IoT Greengrass y desplego la actualizacion. El dispositivo descargo automaticamente el nuevo contenedor paro el modelo anterior y arranco el nuevo logrando que el brazo recogiera solo las cajas blancas.
Gestion de modelos grandes Max enfatizo el desafio del tamano de los modelos incluso un modelo ligero puede ocupar alrededor de 1 GB y muchos VLA superan 15 GB. Propuso tres metodos de despliegue con AWS IoT Greengrass: Artifact Files de Greengrass simple pero limitado a 2 GB; Docker containers recomendado para embalar el modelo dentro de la imagen y aprovechar Amazon ECR; y descarga via script desde la receta Greengrass que evita limites pero requiere gestion de verificacion y ejecucion. Su recomendacion fue empaquetar el modelo en el contenedor por simplicidad y facilidad de testing.
Consideraciones de red Max destaco dos puntos de infraestructura: la conexion no necesita ser permanente pero el despliegue inicial y las actualizaciones requieren transferencias grandes y rapidas por lo que en interiores alcanza el WiFi y en exteriores LTE o redes moviles especializadas son opciones validas. Tambien menciono a los proveedores de conectividad para IoT y redes satelitales como alternativas. En cuanto al tamano de archivos es importante optimizar capas de contenedor y tener practicas para mantener imagenes livianas.
Conclusiones clave Physical AI es una realidad accesible con hardware sencillo como Raspberry Pi 5 y camaras; mida sus requisitos de latencia la referencia de 100 milisegundos es util para decidir local vs cloud; tres escenarios requieren inferencia local rapidez seguridad y privacidad; la actualizabilidad es critica no encierre su sistema en un unico modelo; AWS IoT Greengrass facilita llevar capacidades cloud a los dispositivos y el despliegue en contenedores ofrece el mejor equilibrio de simplicidad y gestion; los modelos VLA conectan la IA generativa con el mundo fisico permitiendo aplicaciones nuevas y potentes.
Como puede ayudar Q2BSTUDIO En Q2BSTUDIO somos una empresa de desarrollo de software y aplicaciones a medida especializada en inteligencia artificial ciberseguridad y servicios cloud. Ofrecemos soluciones que integran agentes IA y modelos VLA en entornos productivos y construimos arquitecturas actualizables y seguras que permiten desplegar inferencia local y en la nube segun sus necesidades. Si su proyecto requiere diseño de aplicaciones industriales con IA o migracion y gestion de infraestructura en la nube podemos ayudarle con servicios cloud aws y azure y con estrategias de seguridad y pentesting. Conozca nuestras capacidades en inteligencia artificial y como desarrollamos soluciones de IA para empresas visitando servicios de inteligencia artificial en Q2BSTUDIO y si su objetivo es desplegar soluciones en la nube consulte nuestras propuestas de servicios cloud aws y azure.
Palabras clave para mejorar posicionamiento aplicaciones a medida software a medida inteligencia artificial ciberseguridad servicios cloud aws y azure servicios inteligencia de negocio ia para empresas agentes IA power bi y automatizacion de procesos son areas donde Q2BSTUDIO aporta experiencia practica y casos de exito. Si desea que adaptemos una prueba de concepto de Physical AI para su planta o linea de produccion pongase en contacto con nuestro equipo para definir requisitos casos de uso y un plan de despliegue escalable y actualizable.
Este articulo forma parte del repaso de sesiones del DEV track de AWS re Invent 2025 y resume aprendizajes accionables para ingenieros arquitectos y responsables de producto interesados en llevar la IA del entorno digital al entorno fisico con seguridad y capacidad de evolucion continua.
