Cómo ejecutar juegos con dos redes neuronales en el Pico 2 W

En este artículo vas a ver:

• Cómo trabajan juntas las dos redes neuronales
• Qué necesitas para probar
• Dónde descargar el proyecto y ejecutar las demos

La idea central es dividir el trabajo entre dos redes. La primera, el mundo, recibe el cuadro actual y la acción, y predice el próximo cuadro y la recompensa. La segunda, el actor, recibe el cuadro generado y elige la próxima acción. Juntas, fabrican un loop de juego dentro del microcontrolador. Esto es pequeño ML: el consumo y la complejidad se mantienen lo suficientemente bajos para correr en el chip, sin servidor de respaldo.

El autor usó dos redes muy pequeñas. El mundo es un transformer con repetición de pesos, mientras que el actor es una red neuronal con dos capas y entre 9.000 y 16.000 parámetros. El modelo corre en cuantización de enteros de 8 bits, lo que lo mantiene dentro de los límites del Pico 2 W. El resultado son demostraciones de Breakout, Doom Lite, Flappy y Pong que corren desde cero en el chip.

El proyecto ilustra un caso práctico de tiny machine learning: el algoritmo sale de la nube y habita en el dispositivo. Para quien programa agentes, el ejemplo es útil para pensar en agentes muy especializados, con espacio aislado y responsabilidades distintas, cada uno en su papel. En el mismo territorio, el Codex de Anthropic tiene un trabajo parecido de prototipado de software y la empresa PicPay usó un agente de IA para vender en WhatsApp, mostrando que los agentes livianos tienen aplicación incluso en negocios no técnicos.

Preguntas frecuentes

¿Qué ejecuta el Pico 2 W?

Dos pequeños modelos de red neuronal que construyen y juegan versiones simples de juegos, como Breakout, Doom Lite, Flappy y Pong.

¿Es necesario conocer el circuito del Raspberry Pi?

Para empezar, basta con seguir el repositorio del proyecto, que describe los prerrequisitos, el firmware y cómo cargar un juego en el chip.

¿Los juegos son creados por la inteligencia artificial?

Sí. El modelo genera el cuadro y decide las acciones, sin una lista fija de reglas de frente a atrás.

¿Qué es tiny machine learning?

Es la práctica de correr algoritmos de aprendizaje automático en dispositivos pequeños y con pocos recursos, exigiendo menos energía y menos intercambio de datos por la red.

¿Cuál es el cuidado al usar redes neuronales tan pequeñas?

El tamaño reduce el consumo y la complejidad, pero restringe el tipo de juego y la calidad de los resultados. Lo ideal es probar con tu caso de uso y medir la calidad de los cuadros.

Cómo probar hoy

El repositorio de TinyWorldFormer explica cómo compilar y cargar firmware en el Raspberry Pi Pico 2 W. El proyecto también muestra cómo ejecutar el mundo y el actor en el navegador. La prueba exige el chip, una placa de programación compatible y las herramientas de desarrollo indicadas en el repositorio.

Para empezar, descarga el código, sigue el paso a paso de compilación y carga el firmware en el Pico 2 W. Después de cargar, el jueguito aparece y el agente juega solo. La meta es ver el loop de generar y actuar funcionar dentro de los límites del chip, sin ningún servidor a distancia.

Conclusión

El proyecto muestra una manera práctica de correr sistemas de IA livianos en hardware de bajo costo. Para quien programa agentes, el ejemplo refuerza que cada uno tiene su espacio y acompaña su papel.

CTA

Deja de alternar entre diez herramientas de IA. En bridgecode coordinas tus agentes en un solo flujo, con espacio aislado y cada uno en su papel.

Para empezar hoy

Lo ideal es comenzar con un solo juego simple y observar cómo el mundo genera el cuadro y cómo el actor elige la acción. Después, anota dónde se rompe el loop, en la cuantización, en el tamaño del juego o en la resolución del cuadro, y ajusta un hiperparámetro a la vez. El repositorio describe el orden de compilación y lo que hace cada capa del circuito, lo que ayuda a aislar el problema cuando el chip no carga el firmware.

Para empezar hoy

Elige un juego simple y ejecuta la versión más ligera del proyecto. Compara la calidad de los cuadros con el tamaño del modelo y prueba la cuantización de 8 bits antes de aumentar la resolución. El objetivo la primera vez es ver el loop de generar y actuar funcionar dentro de los límites del chip, no buscar la perfección.

En resumen

El punto de partida es un chip barato y dos modelos pequeños. La lección para quien programa agentes es que el espacio aislado y la especialización reducen el costo, sin necesidad de nube para cada decisión.

Fuente

GitHub - SheepSeb/tinyworldformer