UNAM en NVIDIA AI Day México: educación, agentes y robótica
TECNOLOGÍA UNIVERSITARIA · 10 NOVIEMBRE 2026
IA, formación y robótica
La UNAM conecta
sus frentes de inteligencia artificial.
Su participación en NVIDIA AI Day México reunió educación, conectividad, cómputo y sistemas robóticos.
Biblioteca Central de la UNAM, archivo del 6 de abril de 2017. Ederaguirrebarrera / Wikimedia Commons · CC BY-SA 4.0. Recorte de presentación bajo la misma licencia. Imagen contextual; no muestra el evento ni Expo Santa Fe.
La inteligencia artificial universitaria necesita más que una herramienta: también requiere equipos, conectividad y formación. La participación de la UNAM en un encuentro tecnológico reciente permite mirar cómo se relacionan esos frentes.
Qué reportó la Universidad
En una publicación del 4 de noviembre, el CCOIA informó de la presencia de la UNAM en NVIDIA AI Day Mexico City 2026, celebrado el 4 y 5 de noviembre en Expo Santa Fe México. La representación reunió al consejo universitario de IA, PC Puma, la DGTIC y el Laboratorio de Investigación en Robótica Avanzada, LIRA.
La agenda incluyó agentes de IA, robótica y aplicaciones científicas. La segunda jornada se dedicó a talleres sobre construcción y protección de agentes. Jackeline Bucio García presentó una conferencia sobre IA generativa y educación. La nota también describió al LIRA como un laboratorio operado por estudiantes de licenciatura y maestría de Ingeniería, dedicado a sistemas autónomos.
El encuentro ya concluyó; esta nota revisa su contenido y no es una convocatoria de inscripción. Consulta el reporte completo del CCOIA-UNAM.
Tres preguntas para llevar la conversación al aula
Las siguientes propuestas son una lectura editorial para estudiantes y docentes; no constituyen acuerdos del encuentro.
¿Qué problema vas a resolver?
Define una tarea concreta antes de elegir un modelo o una plataforma. Un prototipo que ordena documentos necesita criterios de clasificación y ejemplos de errores. Un robot necesita una tarea observable y condiciones de prueba.
¿Cómo sabrás si funciona?
Separa la demostración del desempeño repetible. Registra entradas, resultados esperados y casos difíciles. Guarda los fallos junto con los aciertos: permiten decidir qué parte conviene corregir antes de ampliar el proyecto.
¿Quién conserva el control?
En una práctica con agentes, determina qué acciones requieren revisión humana y cómo se detiene el sistema. En robótica, documenta el procedimiento de parada y la supervisión de las pruebas. Esas decisiones deben formar parte del diseño desde la primera versión.
Una bitácora útil reúne objetivo, alcance, datos empleados, criterios de evaluación y cambios entre versiones. Así, otro equipo puede comprender el resultado y repetir la prueba sin depender de una demostración aislada.