Ezequiel

BREAKING: Tech billionaire Peter Thiel relocates to Argentina

En los 2000s la recomendación era "estudiá computación/programación". En el 2026 el equivalente es: estudiá Physical AI Physical AI es una rama de la inteligencia artificial que va más allá del software en la nube para interactuar directamente con el mundo real. Es la combinación de modelos avanzados con sensores y actuadores, las máquinas pueden percibir, razonar y actuar dentro de entornos físicos, lo que permite operaciones autónomas como la manipulación robótica, los drones y la conducción autónoma. Hay 4 pilares fundamentales: 1⃣ Hardware 2⃣ Operating System 3⃣ Programming & AI 4⃣ Robotics Implementation Pero antes, existen algunos prerrequisitos para poder aprender de forma óptima: 🔹 Lenguajes de programación: principalmente Python 🔹 Matemáticas: algebra lineal y geometría 🔹 Modelos 3D 🔹 Data Science: entender y poder desarrollar modelos de Machine Learning Dividiendo el contenido/aprendizaje en niveles: 1⃣ Lo ideal es empezar con microcontrollers usando Arduino y Raspberry Pi. Esto ayuda a entender la base sobre componentes electrónicos y sensores. 2⃣ Seguir por sistemas operativos aprendiendo ROS2 = Robot Operating System ROS es un framework para el desarrollo de software para robots y sistemas autónomos. Te permite entender cómo se comunican los sistemas. 3⃣ Continuar con simulación, modelados 3d y digital twins. Gazebo e Isaac Sim te permiten interactuar, aprender y generar data sintética sobre robots y sistemas que en el mundo físico son extremadamente caros. Acá la limitante por costo es el hardware porque consumen cantidades enormes de recursos y necesitan GPUs costosas. Isaac Sim necesita 32GB de VRAM de una GPU. Equivalentes a una RTX 5090 o 4090. NVIDIA diseño la serie Backwell, que son tarjetas gráficas pensadas para data centers y cargas de trabajo a AI. Pero su costo supera los 10.000 USD por unidad para la serie 6000. Ofreciendo 96GB de VRAM. 4⃣ El siguiente paso es entender cómo un sistema autónomo o robot puede procesar y entender información de su entorno. Para esto se usa computer vision/OpenCV. Se desarrollan distintos modelos que permiten a las maquinas y robots aprender de su entorno e interactuar con el. 5⃣ AI Agents y VLAs: los Vision Language Models combinan computer vision y procesamiento del lenguaje natural para comprender, interpretar y razonar a través de datos de imagen/video y texto. Se pueden combinar con LLMs se puede dar instrucciones al robot para que realice las tareas que aprendió a través de VLAs. Algunas cuestiones generales, todo corre sobre Linux Ubuntu. Python es fundamental para poder programar y desarrollar las soluciones. Entender Tensor, un modelo de estructuras de datos multidimensional que permite trabajar con imágenes y aplicar soluciones complejas a través de redes neuronales. Aprender PyTorch y TensorFlow es también algo fundamental para el desarrollo de este tipo de soluciones. Aplicando deep learning. 📚 Cómo y dónde se puede empezar a estudiar gratis? 🔹 La universidad de Cambridge publicó "Modern Robotics: mechanics, planning and control". Un textbook gratuito de Kevin M. Lynch y Frank C. Park con muchisimo contenido para aprender. 🔹 La universidad de Princeton publicó "Introduction to Robotics". Un curso completo y gratuito con videos, notas, slides que incluyen apartados de práctica. 🔹 Robotics Coursework, un repo de GitHub publicado por Mithi Sevilla. Una ingeniera de software de Singapur. El repo incluye un roadmap completo de aprendizaje con links, libros y contenido para estudiar. 🔹 MIT OpenCourseWare, es una iniciativa gratuita del Massachusetts Institute of Technology donde se publican cursos y material gratuito para estudiar. Dentro de OpenCourseWare se encuentra la sección Robotics con 142 recursos para estudiar. 🔹 NVIDIA tiene una sección de learning paths para Physical AI. Además de Robotics Fundamentals, todo de forma libre y gratuita. Son unas 30 horas de estudio y entrenamiento gratuito.