Las GPU remotas ayudan al robot, pero la red gobierna sus reflejos

Microsoft comparó la manipulación robótica móvil con GPU integradas, en el edge y en la nube. Un Jetson Orin de 32 GB no pudo alojar el stack completo. En hardware menos potente, el mapping y la planificación fueron hasta un 383 % más lentos que en una A100, la detección puntual de obstáculos cayó un 30 % y la precisión de los modelos VLA, hasta un 50 %.

La GPU remota alivia tanto la batería como el modelo

Según el estudio, un Jetson Thor integrado aumentó el consumo de batería hasta un 160 %, lo que restó varias horas de uso. Trasladar la inference a una GPU externa más potente permitió ejecutar modelos mayores y elevó la tasa de éxito. Los investigadores probaron los robots SO-101, TurtleBot 4 y Stretch 3 en percepción, planificación, navegación y manipulación.

El cómputo pasa a formar parte de la infraestructura robótica

Para quien opera una flota, cambia la economía de la máquina. El robot no tiene que cargar con la GPU más cara ni con su consumo, y el cómputo del edge puede compartirse. El coste reaparece en la red, la planificación de capacidad y la prioridad de las tareas.

Esto importa sobre todo fuera de una fábrica controlada. Un robot en una oficina o una vivienda debe reaccionar continuamente ante personas y obstáculos. La potencia remota solo sirve si la respuesta llega antes del movimiento físico.

La latencia de red se cobra su precio en precisión

El offloading no ofrece aceleración gratuita. Apenas unas decenas de milisegundos de latencia adicional redujeron la precisión de la manipulación en más de un 10 %. El vídeo continuo puede saturar la red y la compresión recortó casi un 20 % la precisión de la manipulación y del mapping semántico.

Una GPU compartida también crea una cola. Cuando varios robots la usan a la vez, aumentan las latencias de inference y red, por lo que las tareas críticas necesitan admission control o prioridad garantizada.

La operación de la flota decidirá entre edge y nube

La siguiente señal útil será el comportamiento de una flota completa, no el de un solo robot en laboratorio. Habrá que medir la respuesta garantizada bajo carga, el volumen de vídeo, la autonomía y la calidad del fallback local seguro cuando falle la red. Esas métricas dirán si el offloading encaja en entornos abiertos.

El veredicto de Lilith

El robot puede cargar con un cuerpo más ligero, pero sus reflejos pasan a vivir en la red. Si la conexión tropieza, la costosa GPU de la nube solo contempla desde lejos cómo la máquina no ve el obstáculo.