--- title: "Raspberry Pi quiere que la IA generativa deje de depender de la nube: así es el nuevo AI HAT+ 2 para Raspberry Pi 5" description: "Durante años, la “IA en el edge” en Raspberry Pi se asoció sobre todo a visión por computador: detectar objetos, estimar poses o segmentar escenas con una cámara y un acelerador dedicado. Pero en 2026..." url: https://revistacloud.com/raspberry-pi-quiere-que-la-ia-generativa-deje-de-depender-de-la-nube-asi-es-el-nuevo-ai-hat-2-para-raspberry-pi-5/ date: 2026-01-23 modified: 2026-01-17 author: "Antonio" image: https://revistacloud.com/wp-content/uploads/2026/01/Raspberry-pi-AI-HAT-2.jpg categories: ["Noticias"] tags: ["Inteligencia Artificial", "Raspberry", "Raspberry Pi"] type: post lang: es --- # Raspberry Pi quiere que la IA generativa deje de depender de la nube: así es el nuevo AI HAT+ 2 para Raspberry Pi 5 Durante años, la “IA en el edge” en Raspberry Pi se asoció sobre todo a visión por computador: detectar objetos, estimar poses o segmentar escenas con una cámara y un acelerador dedicado. Pero en 2026 la conversación ha cambiado. La popularidad de los modelos generativos —especialmente los modelos de lenguaje (LLM) y los modelos visión-lenguaje (VLM)— ha trasladado la expectativa del “reconoce lo que ve” al “entiende, responde y asiste”. Y ese salto, hasta ahora, obligaba con frecuencia a pasar por servicios en la nube, con sus costes recurrentes y sus implicaciones de privacidad. En ese contexto, Raspberry Pi ha presentado la **[Raspberry Pi AI HAT+ 2](https://amzn.to/3LLTePn)**, una nueva placa de expansión para **Raspberry Pi 5** diseñada específicamente para cubrir el hueco de **IA generativa local**: ejecutar inferencias sin conexión, con baja latencia y sin necesidad de suscribirse a APIs externas. La propuesta gira alrededor de un cambio clave respecto a la generación anterior: un acelerador nuevo, más potencia de inferencia orientada a GenAI y, sobre todo, memoria dedicada a bordo. ## Un salto de enfoque: de “visión acelerada” a “IA generativa local” La compañía recuerda que el primer **AI HAT+** se lanzó algo más de un año antes como un add-on para Raspberry Pi 5 con aceleradores **Hailo-8 (26 TOPS)** y **Hailo-8L (13 TOPS)**, con la idea de que todo el procesamiento se quedara “en casa”, en el propio dispositivo. Ese diseño permitía construir soluciones con mayor privacidad y sin dependencia de servicios cloud, pero estaba optimizado para redes neuronales de visión y no para el auge de los modelos generativos. El **AI HAT+ 2** nace precisamente para ese nuevo escenario. Monta el **Hailo-10H** y promete **40 TOPS (INT4) de rendimiento en inferencia**, buscando que las cargas de trabajo de IA generativa “encajen” de forma práctica en una Raspberry Pi 5. A ese acelerador se le suma un ingrediente determinante: **8 GB de RAM dedicada integrada en la propia placa**, pensada para manejar modelos más grandes que los habituales en edge y descargar a la Raspberry Pi de parte de esa presión de memoria. Además, la ejecución local —sin conexión de red— mantiene el objetivo inicial: **baja latencia, privacidad y control de costes** frente al consumo de APIs. En paralelo, Raspberry Pi sostiene que el nuevo HAT no sacrifica el terreno ya ganado en visión: para modelos tipo YOLO, estimación de pose o segmentación de escenas, su rendimiento se mantiene **en una línea comparable al AI HAT+ de 26 TOPS**, en parte gracias a esa RAM a bordo. La compatibilidad práctica también se cuida: el AI HAT+ 2 conserva la integración con el stack de cámara (libcamera, rpicam-apps y Picamera2), de modo que quienes ya trabajaban con el ecosistema anterior no deberían encontrarse con un cambio traumático. ## Tabla comparativa rápida: AI HAT+ vs AI HAT+ 2 | Característica | Raspberry Pi AI HAT+ | Raspberry Pi AI HAT+ 2 | | --- | --- | --- | | Acelerador | Hailo-8 / Hailo-8L | Hailo-10H | | Rendimiento (inferencias) | 26 TOPS / 13 TOPS | 40 TOPS (INT4) | | Enfoque principal | Modelos de visión | LLM, VLM y GenAI (sin perder visión) | | RAM dedicada en la placa | — | 8 GB | | Integración con cámaras | Sí | Sí (libcamera, rpicam-apps, Picamera2) | | Precio anunciado | — | 130 dólares | ## Qué modelos se podrán instalar al lanzamiento Para aterrizar el concepto, Raspberry Pi detalla que, en el lanzamiento, habrá varios LLM disponibles para instalar (con tamaños ajustados a un entorno de edge). La lista inicial incluye: - **DeepSeek-R1-Distill** (1.500 millones de parámetros) - **Llama 3.2** (1.000 millones) - **Qwen 2.5-Coder** (1.500 millones) - **Qwen 2.5-Instruct** (1.500 millones) - **Qwen 2** (1.500 millones) La compañía anticipa, además, que **llegarán más modelos y de mayor tamaño** mediante actualizaciones posteriores. En las demos, Raspberry Pi utiliza un backend de LLM llamado **hailo-ollama** y un frontal web tipo chat con **Open WebUI**, lo que permite operar desde un navegador como si fuese una interfaz de asistente tradicional. Entre los ejemplos mostrados: preguntas y respuestas generales, una tarea de programación con un modelo orientado a código, una traducción sencilla y un caso de **VLM describiendo una escena** a partir de una cámara en directo. Todo ello ejecutado localmente en una Raspberry Pi 5 con la AI HAT+ 2. ## El límite real del edge: modelos pequeños, pero adaptables Raspberry Pi también pone por escrito una realidad que suele perderse entre titulares: los LLM cloud dominantes operan en otra escala. Según la compañía, los modelos en la nube de actores como OpenAI, Meta o Anthropic se mueven entre **500.000 millones y 2 billones de parámetros**, mientras que los modelos pensados para el AI HAT+ 2 suelen quedar en el rango de **1.000 a 7.000 millones** para ajustarse a la memoria disponible. Eso implica una diferencia inevitable: estos modelos “compactos” no buscan competir en amplitud de conocimiento, sino ser útiles dentro de un **conjunto de datos y un objetivo más acotados**. La apuesta para compensarlo es la personalización: el AI HAT+ 2 soporta **fine-tuning con LoRA (Low-Rank Adaptation)** y el uso del **Hailo Dataflow Compiler** para compilar adaptadores y ejecutar modelos ajustados a tareas concretas. En la práctica, esto acerca el producto a un enfoque “industrial” y de producto final: menos promesa genérica, más especialización por caso de uso. ## Disponibilidad, montaje y casos de uso El **Raspberry Pi AI HAT+ 2** se vende a **130 dólares** y se orienta explícitamente a **Raspberry Pi 5**, entre otros motivos por su comunicación a través de **PCI Express**, además del GPIO. El documento técnico menciona también un **disipador opcional** recomendado para cargas intensivas y fija un objetivo de continuidad de fabricación: el producto **permanecerá en producción al menos hasta enero de 2036**. En cuanto a aplicaciones, la idea de “GenAI sin nube” se traduce en escenarios donde la conectividad no siempre es viable o deseable: **control de procesos offline**, **análisis seguro de datos**, **gestión de instalaciones** o **robótica**, entre otros. No son ejemplos casuales: son precisamente los sectores donde el coste por llamada a un servicio cloud, la latencia o la sensibilidad del dato pueden convertir un prototipo prometedor en una solución inviable. --- ## Preguntas frecuentes **¿Para qué sirve el Raspberry Pi AI HAT+ 2 si ya existía el AI HAT+?** El AI HAT+ original estaba optimizado para modelos de visión (detección de objetos, segmentación, etc.). El AI HAT+ 2 añade un acelerador pensado para **IA generativa** y suma **8 GB de RAM dedicada**, lo que habilita ejecutar LLM y VLM de forma local en Raspberry Pi 5. **¿Qué modelos de lenguaje se pueden instalar al inicio y qué tamaño tienen?** En el lanzamiento se citan modelos como **DeepSeek-R1-Distill (1.500 millones)**, **Llama 3.2 (1.000 millones)** y varias variantes de **Qwen (1.500 millones)**, con previsión de añadir modelos mayores posteriormente. **¿Qué ventajas aporta ejecutar un asistente local en Raspberry Pi frente a usar una API en la nube?** Principalmente **privacidad del dato**, **menor latencia**, funcionamiento **sin conexión** y **control de costes** (sin pagos por uso ni dependencia de un proveedor externo), algo especialmente relevante en entornos industriales, educativos o de IoT. **¿Se pueden “personalizar” modelos para tareas concretas con el AI HAT+ 2?** Sí. Raspberry Pi indica soporte para **LoRA** en ajustes de modelos de lenguaje y el uso del **Hailo Dataflow Compiler** para compilar adaptadores y ejecutar modelos afinados para necesidades específicas (por ejemplo, traducción, voz a texto o análisis de escenas). vía: [raspberrypi](https://www.raspberrypi.com/news/introducing-the-raspberry-pi-ai-hat-plus-2-generative-ai-on-raspberry-pi-5/)