Chile es el segundo productor mundial de salmón y un exportador enorme de paltas, cerezas y uva de mesa. Y sin embargo, la palabra «Jetson» nunca ha aparecido en su prensa acuícola ni agrícola. Lo comprobamos buscando en salmonexpert, aqua.cl, mundoacuicola, redagricola, portalfruticola y simfruit: cero resultados. Este artículo recorre lo que ya está probado con cifras, y dónde está el vacío.
Un Jetson dentro de la jaula, midiendo 200.000 salmones
La noruega OptoScale fabrica el bioscope: un módulo de cámara que se cuelga dentro de la jaula y procesa el video bajo el agua, sin subir el stream a la nube. Estima biomasa con un error dentro del 1% del peso real, en jaulas de hasta 200.000 peces, midiendo además carga parasitaria, comportamiento y bienestar durante todo el ciclo.
Dos hechos, con sus fuentes separadas, porque conviene ser preciso:
- El bioscope corre sobre NVIDIA Jetson AGX Orin. Lo confirman NVIDIA en su blog y Aetina, el integrador de la plataforma. La generación anterior usaba Jetson AGX Xavier, y portar el pipeline tomó unos seis meses de ingeniería.
- OptoScale opera en Chile. Cermaq Chile fue su primer cliente sudamericano: piloto con cuatro bioscopes durante seis meses, con la exigencia de mantener la desviación bajo 3%, cumplida, y luego contrato comercial a dos años. En noviembre de 2025 abrieron oficina en Puerto Montt.
Ninguna fuente une ambas cosas en una sola frase, así que no vamos a escribir «hay Jetson en jaulas chilenas» como si estuviera citado. Es el mismo producto y el mismo procesamiento local, pero la unión es una inferencia razonable, no una cita.
Lo interesante es por qué eligieron el borde, y lo dice el propio proveedor: procesar en sitio reduce drásticamente el dato enviado a la nube, lo que importa en zonas con cobertura limitada. Cualquiera que haya trabajado en un centro de cultivo en Aysén sabe exactamente de qué hablan.
Saber cuándo dejar de alimentar: 143 FPS en un Orin NX
El alimento es el mayor costo variable de la salmonicultura, y hoy la decisión de cuándo parar la suele tomar un operador mirando una pantalla. Un trabajo de la Ocean University of China con la Hong Kong Polytechnic atacó eso con visión: codifican el flujo óptico entre pares de fotogramas y clasifican si el cardumen está comiendo o no.
Sobre un Jetson Orin NX 16 GB con inferencia INT8, el modelo resuelve en 7,0 ms por imagen — 143,24 FPS — con 96,53% de exactitud y una huella de memoria máxima de 647,3 MB. Cabe holgadamente en el pontón, sin subir video por enlace satelital.
Pero el hallazgo más transferible no es el rendimiento: es el método de etiquetado. Entrenar con etiquetas derivadas del propio flujo óptico, en vez de con el juicio subjetivo de un observador, mejoró la exactitud entre 13,13 y 18,46 puntos porcentuales. Si alguien replica esto en Chile etiquetando «a ojo de operador», deja unos quince puntos sobre la mesa antes de empezar.
Paltos: el Jetson es 22 veces más rápido que una Raspberry Pi
La antracnosis y la Phytophthora cinnamomi son las dos amenazas centrales del palto chileno, y provocan pérdidas anuales de rendimiento del 20% al 40%. Un equipo indio montó un pipeline con dron multiespectral para detectarlas temprano, alcanzando mAP@0,5 de 0,937 y 96% de exactitud.
El dato que decide una arquitectura está en su comparación de despliegue: el mismo modelo corre a 69,5 ms por fotograma en un Jetson Orin Nano frente a 1.545 ms en una Raspberry Pi 5. Una diferencia de 22×, que es la diferencia entre diagnosticar en el huerto o no diagnosticar. Reportan además ausencia de thermal throttling en sesiones extendidas, que es el modo de falla real de un dron bajo sol de verano.
La salvedad honesta: son huertos indios. La presión de inóculo, las variedades y el manejo difieren, así que las cifras de exactitud no se trasladan sin más. Las de rendimiento del hardware, sí.
Poda de viñedo y packing de fruta
La poda invernal es la faena más intensiva en mano de obra calificada del ciclo del viñedo, y la escasez de podadores expertos es estructural en el valle central. Un grupo de la Universidad de Extremadura invirtió el enfoque habitual: en vez de reconstruir la arquitectura completa de la planta, entrenaron el modelo para detectar directamente la zona de corte, distinguiendo tronco, sarmiento podado y sin podar. Con YOLOv8-S obtuvieron mAP50 de 0,883 y ~55 ms de inferencia sobre un Jetson AGX Orin, unos 18 FPS: suficiente para un brazo que avanza planta por planta.
Es, además, el único trabajo de poda de vid con cómputo embebido y cifras publicadas. Los robots comerciales de viñedo —Vitibot Bakus, Yanmar YV01, VineScout— no divulgan su plataforma de cómputo.
En packing, un equipo mexicano clasificó variedad de manzana y detectó daño a 37 FPS sobre un Jetson Xavier NX con 94–99% de exactitud, usando solo el espectro visible: sin cámara hiperespectral ni NIR, lo que baja radicalmente el costo del sensor frente a un grader comercial. Para un packing mediano chileno que no puede pagar el CAPEX de TOMRA o Unitec, ese es el punto.
Dos advertencias que ahorran un piloto fallido
No cualquier modelo da tiempo real. El único benchmark riguroso de conteo de racimos en viñedo midió una red de dos etapas (RetinaNet ResNet-50) y obtuvo solo 3 a 5 FPS en Jetson Nano y TX2 — más lento que las FPGAs con las que competía. Si el piloto usa un módulo de entrada, obliga a un modelo liviano; una arquitectura de dos etapas no llega.
El presupuesto de potencia es real. En un estudio de pesca de arrastre del DTU Aqua danés, un Jetson AGX Orin consumió hasta 60 W en modo máximo, y limitarlo a 50 W costó entre 25% y 30% de velocidad. En un módulo sumergido o alimentado por panel solar, eso decide el diseño completo.
Lo que no existe
Buscamos detección de piojo de mar (Caligus) sobre Jetson en literatura indexada. Cero resultados. Stingray Marine, que hace deslousing láser óptico, describe «un computador corriendo software de coincidencia de imágenes» y nunca nombra el chip. Aquabyte, Ace Aquatec e Imenco tampoco. Es territorio virgen.
Tampoco hay un solo caso publicado de packing de cereza o uva de mesa con Jetson, ni de detección de botritis, ni de mitilicultura con visión artificial. Y proveedores con operación probada en Chile —Aquabyte en Puerto Varas, ReelData con Invermar, Aquaticode con AquaChile y Australis, Tevel cosechando manzana con Unifrutti en Linares— ninguno divulga su plataforma de cómputo.
Hay algo naciendo, eso sí: la Universidad Técnica Federico Santa María publicó en enero de 2026 un trabajo sobre segmentación y seguimiento de salmones en jaulas comerciales en operación, con datasets propios. Verificamos su existencia, sus autores y su afiliación chilena, pero el texto completo está tras un muro y no pudimos confirmar sus cifras de rendimiento, así que no las citamos.
La oportunidad
El patrón se repite: la tecnología está probada, las cifras están publicadas, el hardware cuesta menos que una semana de un ingeniero, y en Chile casi nadie lo está usando en agro o acuicultura. Un barrido de publicaciones con afiliación chilena que mencionan Jetson devuelve 45 trabajos —señalética vial, robótica, minería, madera, incendios— y exactamente uno es agrícola.
Si estás en una salmonera, un packing o una viña y quieres evaluar un piloto, escríbenos: partimos por definir qué modelo cabe en qué módulo antes de que compres nada.