No es que Nvidia esté desesperada por un refuerzo positivo después de sus últimos informes de beneficios, pero vale la pena señalar cuán bien se han dado sus frutos con la estrategia de robótica de la compañía en los últimos años. Nvidia invirtió mucho en este espacio en un momento en que incorporar la robótica más allá de la fabricación todavía parecía una quimera para muchos. En abril se cumple una década desde el lanzamiento del TK1. NVIDIA describió así la ofrenda en ese momento «Jetson TK1 ofrece las capacidades de Tegra K1 a los desarrolladores en una plataforma compacta y de bajo consumo que hace que el desarrollo sea tan simple como hacerlo en un PC».
Este febrero, el empresa comunicó, “Un millón de desarrolladores en todo el mundo están utilizando ahora la plataforma Nvidia Jetson para IA y robótica de vanguardia para crear tecnologías innovadoras. Además, más de 6.000 empresas (un tercio de las cuales son startups) han integrado la plataforma con sus productos”.
Sería difícil encontrar un desarrollador de robótica que no haya pasado tiempo con la plataforma y, francamente, es notable cómo los usuarios abarcan desde aficionados hasta corporaciones multinacionales. Ese es el tipo de difusión por la que empresas como Arduino matarían.
En las enormes oficinas de la empresa en Santa Clara, es imposible pasar por alto los edificios, inaugurados en 2018, desde la autopista San Tomas. De hecho, hay un puente peatonal que cruza la carretera y conecta la antigua y nueva sede. El nuevo espacio se compone principalmente de dos edificios: Voyager y Endeavour, que comprenden 500.000 y 750.000 pies cuadrados, respectivamente.
Entre los dos hay una pasarela al aire libre bordeada de árboles, debajo de grandes enrejados entrecruzados que sostienen paneles solares. La batalla de la sede de las Big Tech de South Bay se ha intensificado mucho en los últimos años, pero cuando se está imprimiendo dinero de manera efectiva, comprar terrenos y construir oficinas es probablemente el mejor lugar para ubicarla. Sólo hay que preguntar a Apple, Google y Facebook.
Mientras tanto, la entrada de Nvidia en la robótica se ha beneficiado de todo tipo de bendiciones. La empresa conoce el silicio tan bien como cualquiera en este momento, desde el diseño y la fabricación hasta la creación de sistemas de bajo consumo capaces de realizar tareas cada vez más complejas. Esto es fundamental para un mundo que invierte cada vez más en IA y ML. Mientras tanto, el amplio conocimiento de Nvidia en torno a los juegos ha demostrado ser un gran activo para Isaac Sim, su plataforma de simulación robótica. Es una tormenta perfecta, ciertamente.
En su intervención en SIGGRAPH en agosto de 2023, el director ejecutivo Jensen Huang explicó: “Nos dimos cuenta de que la rasterización estaba llegando a sus límites. 2018 fue un momento de «apostar la empresa». Requirió que reinventáramos el hardware, el software, los algoritmos. Y mientras reinventábamos el CG con IA, estábamos reinventando la GPU para la IA”.
Después de algunas demostraciones, Deepu Talla, vicepresidente y director general de Embedded & Edge Computing de Nvidia, señaló un sistema de teleconferencia de Cisco en la pared del fondo que ejecuta la plataforma Jetson. Está muy lejos de los típicos AMR en los que tendemos a pensar cuando pensamos en Jetson.
«La mayoría de la gente piensa que la robótica es algo físico que normalmente tiene brazos, piernas, alas o ruedas, lo que se considera percepción de adentro hacia afuera», señaló en referencia al dispositivo de oficina. “Al igual que los humanos. Los humanos tenemos sensores para ver nuestro entorno y tomar conciencia de la situación. También existe algo llamado robótica de afuera hacia adentro. Esas cosas no se mueven. Imagine que tuviera cámaras y sensores en su edificio. Son capaces de ver lo que está pasando. Contamos con una plataforma llamada Nvidia Metropolis. Tiene análisis de vídeo y se adapta a intersecciones de tráfico, aeropuertos y entornos minoristas”.
¿Cuál fue la reacción inicial cuando se mostró el sistema Jetson en 2015? Provenía de una empresa que la mayoría de la gente asocia con los juegos.
Sí, aunque eso está cambiando. Pero era lo correcto. Esto es a lo que están acostumbrados la mayoría de los consumidores. La IA todavía era nueva, tenías que explicar qué caso de uso estabas comprendiendo. En noviembre de 2015, Jensen [Huang] y yo fuimos a San Francisco a presentar algunos temas. El ejemplo que teníamos era un dron autónomo. Si quisieras hacer un dron autónomo, ¿qué haría falta? Necesitaría tener tantos sensores, necesita procesar tantos fotogramas, necesita identificar esto. Hicimos algunos cálculos aproximados para identificar cuántos cálculos necesitaríamos. Y si quieres hacerlo hoy, ¿cuál es tu opción? No había nada de eso en ese momento.
¿Cómo influyó la historia de los juegos de Nvidia en sus proyectos de robótica?
Cuando fundamos la empresa, los juegos fueron lo que nos financió para construir las GPU. Luego agregamos CUDA a nuestras GPU para que pudiera usarse en aplicaciones no gráficas. CUDA es esencialmente lo que nos llevó a la IA. Ahora la IA está ayudando a los juegos, gracias al trazado de rayos, por ejemplo. Al fin y al cabo, estamos construyendo microprocesadores con GPU. Todo este middleware del que hablamos es igual. CUDA es lo mismo para la robótica, la informática de alto rendimiento y la IA en la nube. No todo el mundo necesita utilizar todas las funciones de CUDA, pero es lo mismo.
¿Cómo se compara Isaac Sim con el simulador [Open Robotics’]?
Gazebo es un buen simulador básico para realizar simulaciones limitadas. No estamos tratando de reemplazar a Gazebo. Gazebo es bueno para tareas básicas. Proporcionamos un puente ROS simple para conectar Gazebo con Isaac Sim. Pero Isaac puede hacer cosas que nadie más puede hacer. Está construido sobre Omniverse. Todas las cosas que tienes en Omniverse llegan a Isaac Sim. También está diseñado para conectar cualquier modo de IA, cualquier marco, todas las cosas que hacemos en el mundo real. Puedes conectarlo para obtener una autonomía más completa. También tiene fidelidad visual.
No buscas competir con ROS (Robot Operating System).
No no. Estamos intentando construir una plataforma. Queremos conectarnos con todos y ayudar a otros a aprovechar nuestra plataforma tal como nosotros aprovechamos la de ellos. No tiene sentido competir.
¿Estás trabajando con universidades de investigación?
Absolutamente. Dieter Fox es el jefe de investigación en robótica de Nvidia. También es profesor de robótica en la Universidad de Washington. Y muchos de los miembros de nuestra investigación también tienen afiliaciones duales. En muchos casos están afiliados a universidades. Publicamos a toda la comunidad. Cuando estás investigando, tiene que estar abierto.
¿Está trabajando con usuarios finales en aspectos como la implementación o la gestión de flotas?
Probablemente no. Por ejemplo, si John Deere vende un tractor, los agricultores no interlocutan con nosotros. Normalmente, la gestión de flotas lo es. Disponemos de herramientas para ayudarles, pero la gestión de la flota la realiza quien presta el servicio o construye el robot.
¿Cuándo se convirtió la robótica en una pieza del rompecabezas para Nvidia?
Yo diría que a principios de la década de 2010. Fue entonces cuando surgió la IA. Creo que la primera vez que el aprendizaje profundo llegó al mundo fue en 2012. Se creo un perfil reciente sobre Bryan Catanzaro. Inmediatamente dijo en LinkedIn, “En realidad no convencí a Jensen, sino que simplemente le expliqué el aprendizaje profundo. Instantáneamente formó su propia convicción y convirtió a Nvidia en una empresa de inteligencia artificial. Fue inspirador verlo y a veces todavía no puedo creer que pude estar allí para presenciar la transformación de Nvidia”.
2015 fue cuando comenzamos con la IA no solo para la nube, sino también para EDGE tanto para Jetson como para la conducción autónoma.
Cuando hablas de IA generativa con la gente, ¿cómo los convences de que es más que una simple moda pasajera?
Creo que habla en los resultados. Ya se puede ver la mejora de la productividad. Puede redactar un correo electrónico para mí. No es exactamente correcto, pero no tengo que empezar desde cero. Me está dando el 70%. Hay cosas obvias que ya puedes ver que definitivamente son una función escalonada mejor que como eran las cosas antes. Resumir algo no es perfecto. No voy a dejar que lo lea y lo resuma por mí. Por tanto, ya se pueden ver algunos signos de mejoras en la productividad.
