Un robot que detecta un obstáculo no necesariamente usa inteligencia artificial. Para distinguir automatización, sensores y aprendizaje automático conviene entender TinyML: modelos pequeños que pueden ejecutarse en dispositivos con recursos limitados, incluidos algunos microcontroladores.
Transparencia: esta guía explica conceptos con documentación técnica y fichas de fabricantes; no hemos probado los kits citados. Algunas recomendaciones enlazan a Amazon mediante enlaces de afiliado.
Qué es TinyML, explicado sin tecnicismos
TinyML suele referirse al uso de modelos de aprendizaje automático en hardware pequeño y con memoria y capacidad de cálculo limitadas. En vez de enviar cada lectura a un servidor, el dispositivo compatible puede ejecutar un modelo ya preparado sobre datos de sensores o de una cámara. TensorFlow Lite for Microcontrollers, por ejemplo, está diseñado para desplegar modelos en microcontroladores con recursos reducidos.
La diferencia importante está entre entrenar un modelo y usarlo. En muchos proyectos educativos se recopilan y etiquetan ejemplos, se entrena o configura el modelo con una herramienta y después se ejecuta la inferencia en la placa. El robot no necesariamente aprende por sí solo cada vez que se enciende.
Sensor, regla programada o aprendizaje automático
| Ejemplo | Qué hace el robot | ¿Es TinyML? |
|---|---|---|
| Seguir una línea | Lee sensores infrarrojos y gira según una condición programada | No necesariamente; suele ser una regla y lectura de sensor |
| Evitar obstáculos | Un sensor de distancia mide un objeto y el programa cambia el rumbo | No por sí solo |
| Reconocer un gesto | Un modelo clasifica patrones aprendidos en datos de cámara o acelerómetro | Puede ser aprendizaje automático, si el proyecto ejecuta un modelo |
| Seguir un color concreto | Puede basarse en umbrales de color o en un modelo; depende del código | Hay que comprobar cómo está implementado |
La palabra “inteligente” en el nombre comercial no permite saber qué técnica usa. Comprueba qué datos entran, qué código se ejecuta y si el tutorial describe un modelo entrenado o solo una condición del tipo “si ocurre esto, gira”.
Cómo funciona un proyecto TinyML educativo
1. Elegir una tarea concreta
Empieza con una pregunta pequeña: ¿puede distinguir dos gestos?, ¿reconocer una señal visual?, ¿clasificar un sonido? Un objetivo concreto ayuda a decidir si basta un sensor con reglas o hace falta un modelo.
2. Obtener y etiquetar ejemplos
El sistema necesita ejemplos representativos de las categorías que distinguirá. Cambiar la iluminación, el fondo, la distancia o la forma de mover el robot puede alterar las lecturas. En una actividad, comparar ejemplos y errores enseña tanto como ver que el robot responde.
3. Preparar el modelo y ejecutarlo en el dispositivo
El modelo debe ser compatible con el procesador, la memoria y el software de la placa. Las herramientas para microcontroladores tienen límites: no todos los modelos caben ni todas las operaciones están disponibles. La documentación de TensorFlow Lite Micro describe el despliegue y la ejecución de modelos; no promete que cualquier modelo pueda ejecutarse en cualquier placa.
4. Probar cuándo se equivoca
Un modelo puede confundir clases o responder mal a datos distintos de los ejemplos de entrenamiento. Conviene registrar resultados, revisar condiciones y volver a probar. No debe presentarse una demostración guiada como si el robot comprendiera el entorno como una persona.
¿Qué robots de esta selección permiten explorar TinyML?
VinciBot aparece en la documentación de MatataStudio con proyectos TinyML y programación desde bloques a Python. El fabricante también ofrece un AI Vision Kit como accesorio: revisa si es necesario para el proyecto concreto y si está incluido en el vendedor elegido.
Yahboom Tiny:bit Pro combina el coche Tiny:bit con un módulo visual K210. Yahboom describe MakeCode para el coche y MicroPython para el módulo, con ejemplos de reconocimiento de imágenes, color y códigos QR. Antes de comprar, comprueba si la variante incluye la placa BBC micro:bit y qué expansión contiene.
SunFounder AI Fusion Lab es otra clase de equipo: trabaja con Raspberry Pi, Python y herramientas de visión como OpenCV y MediaPipe. No es un robot pequeño basado en microcontrolador; requiere más configuración y hardware compatible. En cambio, su documentación facilita proyectos con modelos y cámara a nivel de ordenador de placa reducida.
Lista de comprobación antes de elegir un kit TinyML
- Qué modelo ejecuta: pide el nombre de la tarea y del software, no solo la palabra IA.
- Qué incluye la caja: cámara, módulo de visión, microcontrolador, placa Micro:bit, batería y cables pueden depender de la variante.
- Dónde se ejecuta: en el robot, en un ordenador cercano o en la nube. Esto afecta a conexión, requisitos y tratamiento de datos.
- Cómo se crean los ejemplos: busca un tutorial que explique muestras, etiquetas, prueba y revisión de errores.
- Qué conocimientos previos requiere: bloques, Python, instalación de software o configuración de Raspberry Pi son niveles distintos.
Preguntas frecuentes sobre TinyML
¿TinyML necesita internet?
La inferencia en un dispositivo puede funcionar localmente si el modelo y el programa ya están instalados. La descarga de software, la configuración o servicios de IA en la nube sí pueden necesitar conexión. Comprueba el flujo de cada kit.
¿Una cámara convierte un robot en un robot con IA?
No. La cámara proporciona datos visuales; hace falta un programa que procese esos datos. Puede tratarse de una regla de color, un algoritmo de visión o un modelo de aprendizaje automático. Lee nuestra guía sobre visión artificial en robótica educativa para distinguir estas opciones.
¿Qué elegir para empezar?
Si quieres una actividad guiada de bloques y Python, compara VinciBot. Si tu objetivo son proyectos visuales con un microcontrolador, mira Tiny:bit Pro. Si te interesa trabajar con Raspberry Pi y Python, visita la ficha de SunFounder AI Fusion Lab. La comparativa general de kits resume requisitos y límites.
Ver VinciBot en Amazon · Ver Tiny:bit Pro en Amazon. Verifica variante, vendedor, disponibilidad y contenido antes de comprar.
Fuentes consultadas
- TensorFlow Lite for Microcontrollers — documentación oficial
- VinciBot y proyectos TinyML — MatataStudio
- Tiny:bit Pro y módulo K210 — Yahboom
- AI Fusion Lab — documentación de SunFounder
¿Quieres elegir con seguridad?
Cuéntanos qué edad tiene el alumno, qué dispositivo usará y qué proyecto le interesa. Escribe a IA en Orden y te ayudamos a revisar requisitos y accesorios antes de comprar.