Las gafas inteligentes PrismML desafían a la IA portátil centrada en la nube
Las gafas inteligentes PrismML se acercaron esta semana a la realidad, pese a una limitación importante: ningún fabricante ha anunciado un producto terminado que use el modelo.
Qualcomm demostró el modelo visión-lenguaje de PrismML, con 2.000 millones de parámetros, en su Snapdragon Summit del 23 de septiembre. El sistema funcionó localmente en gafas inteligentes mediante la plataforma Snapdragon AR1 Gen 1. PrismML afirma que su diseño de 1 bit utiliza mucha menos memoria que un modelo comparable de 4 bits.
La demostración convierte una afirmación abstracta sobre eficiencia en una prueba concreta de computación portátil. PrismML quiere que la inteligencia artificial de pesos abiertos funcione en dispositivos que las personas ya poseen. Ese enfoque desafía a los sistemas centrados en la nube de empresas como Meta y Google, que combinan procesamiento local limitado con infraestructura de IA remota.
La diferencia importa porque las gafas se encuentran continuamente con contexto personal, visual y relacionado con la ubicación. Enviar esa información a otro lugar plantea cuestiones de latencia, conectividad, coste y privacidad. Mantener más inferencia en las gafas cambia la ecuación técnica y comercial, siempre que el modelo siga siendo útil fuera de demostraciones controladas.
La noticia inmediata no es que PrismML haya ganado ese debate. No ha lanzado un producto de consumo, revelado un socio fabricante de dispositivos ni publicado pruebas de campo independientes. La noticia es que Qualcomm ha dado a la vía centrada en lo local un escenario de hardware creíble.
Las gafas inteligentes PrismML incorporan un modelo de 1 bit en AR1
La demostración mostró que un modelo compacto de visión y lenguaje puede funcionar dentro de los límites excepcionalmente estrictos de unas gafas ligeras.
PrismML anunció la versión para gafas inteligentes de Bonsai el 23 de septiembre de 2026. Qualcomm la presentó en el Snapdragon Summit sobre hardware basado en su plataforma AR1 Gen 1.
El modelo contiene aproximadamente 2.000 millones de parámetros. Los parámetros son valores numéricos aprendidos que determinan cómo un sistema de IA interpreta las entradas y genera respuestas.
La configuración de PrismML combina un modelo de lenguaje de 1.700 millones de parámetros con un codificador de visión de 300 millones de parámetros. El codificador convierte la entrada de la cámara en información que el componente lingüístico puede procesar.
Esa combinación permite al usuario hacer preguntas sobre algo que tiene a la vista. Un modelo podría identificar un objeto, interpretar texto visible o razonar sobre una escena sin enviar antes cada solicitud a un servidor remoto.
El lanzamiento de Bonsai para gafas inteligentes de la empresa indica que el sistema se optimizó para la unidad de procesamiento neuronal Hexagon de Qualcomm. Una NPU es un componente de chip diseñado para ejecutar operaciones de aprendizaje automático de forma eficiente.
PrismML describe Bonsai como un modelo de 1 bit porque los pesos de su modelo de lenguaje utilizan una representación numérica extremadamente compacta. Los modelos convencionales suelen almacenar cada peso con más bits, lo que incrementa los requisitos de memoria y el movimiento de datos.
La empresa afirma que el componente de lenguaje de Bonsai ocupó 0,43 GB de memoria de pesos durante las pruebas de Qualcomm. La configuración correspondiente de 4 bits utilizó 1,66 GB. Esto representa una reducción reportada del 74 por ciento, o unas 3,83 veces.
Qualcomm probó ambas configuraciones en un sistema AR1 Gen 1 con 4 GB de memoria. El modelo utilizó una ventana de contexto de 1.024 tokens, lo que limita cuánta entrada reciente puede considerar de manera conjunta.
La diferencia de velocidad reportada también fue considerable. El modelo de 1 bit generó 15,36 tokens por segundo, frente a los 7,44 tokens de la versión de 4 bits. Esto equivale a una mejora reportada de 2,06 veces bajo la configuración indicada por Qualcomm.
Un token es una pequeña unidad de texto procesada por un modelo de lenguaje. La velocidad de los tokens influye en la rapidez con la que una respuesta hablada o escrita empieza a sentirse conversacional.
Estas cifras merecen una contextualización cuidadosa. Qualcomm y PrismML realizaron las pruebas divulgadas, y el software utilizó soporte interno para kernels de 1 bit. Los resultados pueden variar con distintos prompts, temperaturas, condiciones de memoria, versiones de software y diseños de dispositivos.
No obstante, la demostración aborda un verdadero cuello de botella de ingeniería. Las gafas inteligentes tienen menos espacio para memoria, refrigeración y baterías que los teléfonos o portátiles. Cada cálculo adicional compite con cámaras, micrófonos, pantallas, conexiones inalámbricas y funciones básicas del sistema.
Qualcomm diseñó la plataforma Snapdragon AR1 específicamente para gafas. Admite IA en el dispositivo, procesamiento visual, conectividad, cámaras y pantallas binoculares opcionales dentro de un presupuesto energético portátil.
El trabajo de PrismML no introduce por sí mismo esas capacidades. Intenta situar un modelo más capaz dentro del presupuesto de memoria que el hardware ya proporciona.
Ese es el cambio central. El modelo ya no es solo un artefacto descargable destinado a un ordenador. Se ha adaptado a un chip portátil con un límite de memoria y rendimiento claramente definido.
Por qué la IA en el dispositivo importa más sobre tu rostro
Las gafas inteligentes hacen que el argumento a favor de la IA local sea especialmente sólido, porque sus sensores pueden observar más contexto personal que la mayoría de los dispositivos informáticos.
Un teléfono suele esperar en un bolsillo hasta que su dueño decide usarlo. Las gafas equipadas con cámara pueden ver desde la perspectiva del usuario y responder mientras esa persona se mueve por su vida cotidiana.
Esa proximidad continua crea posibilidades útiles. Un asistente visual puede leer una señal, interpretar el panel de un electrodoméstico, resumir un documento o ayudar a alguien a recordar dónde apareció un objeto.
También plantea una incómoda cuestión de datos. El mismo dispositivo puede encontrarse con rostros, hogares, lugares de trabajo, pantallas de ordenador, información médica y conversaciones de personas que nunca eligieron usarlo.
La IA centrada en la nube envía al menos parte de ese contexto a infraestructura informática remota. Los proveedores pueden proteger esas transferencias, limitar la retención y aislar el procesamiento. Sin embargo, los datos siguen saliendo del dispositivo inmediato.
La inferencia local reduce la cantidad de contexto sin procesar que debe desplazarse. También puede mantener disponibles las funciones básicas cuando la conexión de red es lenta, no está disponible o resulta costosa.
La latencia plantea otra preocupación. Un asistente portátil parece menos útil cuando cada observación requiere un viaje de ida y vuelta a un centro de datos. Incluso retrasos breves se hacen perceptibles durante una conversación o una tarea de navegación.
El procesamiento local no elimina la latencia, pero elimina un componente impredecible. También permite a los desarrolladores reservar las llamadas a la nube para solicitudes que superan el conocimiento o la capacidad de razonamiento del modelo local.
Esa división sugiere una arquitectura híbrida. Las gafas pueden gestionar localmente la percepción inmediata y el razonamiento simple, y después solicitar a un modelo remoto tareas más exigentes.
La postura de PrismML va más allá de la latencia. La empresa sostiene que los modelos de pesos abiertos dan a fabricantes y desarrolladores mayor control sobre el comportamiento de un asistente.
Los pesos abiertos son parámetros de modelo descargables que pueden inspeccionarse, adaptarse e implementarse fuera del servicio alojado del desarrollador original. No equivalen necesariamente a software totalmente de código abierto ni a datos de entrenamiento abiertos.
Para los fabricantes de dispositivos, esa disponibilidad cambia la dependencia de proveedores. Un fabricante puede ajustar un modelo local para una cámara, procesador, idioma o aplicación de accesibilidad específicos.
También puede decidir cuándo se producen las actualizaciones de software. Eso contrasta con los asistentes alojados, cuyo comportamiento, límites y disponibilidad pueden cambiar a través del servicio remoto de un proveedor.
Los usuarios no reciben una garantía automática de privacidad por los pesos abiertos. Un producto aún puede registrar información, sincronizar datos, incluir telemetría o exponer interfaces de software inseguras.
La ejecución local reduce una parte de la superficie de riesgo. No responde a si el dispositivo graba a terceros, almacena transcripciones o indica claramente cuándo su cámara está activa.
El propio trabajo de Meta ilustra la dificultad. Su arquitectura Private Processing de 2026 busca proteger las interacciones de gafas basadas en la nube frente al acceso de Meta y de terceros.
Esa arquitectura reconoce dos demandas contrapuestas. Los asistentes portátiles se benefician de modelos remotos y contexto personalizado, pero los usuarios quieren límites más sólidos sobre lo que los proveedores pueden ver.
PrismML propone un punto de partida distinto. En lugar de proteger cada interacción remota mediante aislamiento en la nube, quiere que una mayor parte de la interacción permanezca en el hardware local.
Las vías no son mutuamente excluyentes. Un producto comercial podría usar Bonsai para tareas visuales inmediatas y un sistema de nube protegido para consultas complejas.
La presión recae sobre las plataformas centradas en la nube porque la ejecución local cambia las expectativas de los usuarios. Una vez que la asistencia visual útil funciona sin conexión, cada solicitud a la nube se convierte en algo que un proveedor quizá tenga que justificar.
Los desarrolladores afrontan un cálculo similar. Un modelo alojado puede ofrecer mayor capacidad general, actualizaciones más sencillas y acceso a información actual. Un modelo local puede ofrecer un funcionamiento predecible y un control más estricto.
La mejor vía depende de la tarea. Reconocer un objeto conocido puede requerir poco conocimiento externo. Comparar ese objeto con directrices de seguridad cambiantes puede requerir información actualizada de la nube.
Por tanto, las gafas inteligentes PrismML representan un argumento arquitectónico, no simplemente un modelo más pequeño. La empresa plantea qué tareas requieren realmente inteligencia a escala de centro de datos.
Los LLM diminutos cambian la ecuación de costes de los dispositivos portátiles
El mecanismo más importante no es solo la compresión, sino el diseño coordinado de los pesos del modelo, el software de inferencia, la memoria y el silicio.
Los archivos de modelo consumen almacenamiento, pero la inferencia activa también desplaza pesos a través de la memoria durante el procesamiento de cada solicitud. Ese movimiento requiere tiempo y energía.
Reducir los bits asignados a cada peso disminuye la cantidad de información que el sistema debe almacenar y transferir. En un dispositivo portátil limitado, esos ahorros pueden determinar si un modelo funciona o no.
PrismML afirma que su enfoque de 1 bit permite que la misma huella de memoria aloje aproximadamente cuatro veces más parámetros que una alternativa de 4 bits. Más parámetros pueden respaldar una mayor capacidad de representación, aunque el número de parámetros nunca garantiza mejores resultados.
Por tanto, la comparación importante no es simplemente “pequeño frente a grande”. Es cuánta utilidad ofrece un modelo por unidad de memoria, energía y tiempo de respuesta.
PrismML denomina a esa relación densidad de inteligencia. La expresión describe el intento de la empresa de medir la capacidad útil de un modelo en relación con su tamaño.
El modelo para gafas inteligentes se basa en Bonsai 1.7B y añade procesamiento visual. PrismML afirma que ajustó tanto la arquitectura como los pesos en torno a la NPU Hexagon de Qualcomm.
Esa coordinación con el hardware importa. Un modelo compacto aún puede funcionar deficientemente si el procesador carece de instrucciones eficientes para su formato numérico.
Las pruebas divulgadas por Qualcomm utilizaron un kit de desarrollo de software interno con soporte para kernels de 1 bit. Un kernel es una rutina de bajo nivel que ejecuta una operación matemática específica en el chip.
El detalle genera tanto confianza como incertidumbre. Muestra que el rendimiento no provino de reducir un archivo y ejecutar software convencional sin cambios.
También significa que los desarrolladores no pueden asumir los mismos resultados en todos los dispositivos Qualcomm actuales. Los kernels, compiladores y herramientas de integración necesarios deben llegar a software listo para producción.
La dirección subyacente se extiende más allá de PrismML. Investigadores de Microsoft introdujeron BitNet como una arquitectura transformer que representa los pesos de los modelos con muy pocos estados numéricos.
Un informe posterior sobre modelos de 1 bit describió un BitNet nativo de 2.000 millones de parámetros entrenado con 4 billones de tokens. Sus autores informaron un rendimiento comparable al de modelos de precisión completa de tamaño similar.
Esa investigación respalda la premisa técnica más amplia. Los modelos de muy baja precisión de bits pueden conservar capacidades útiles cuando su arquitectura y proceso de entrenamiento contemplan esa restricción.
Sin embargo, la demostración de PrismML involucra su propio modelo, la plataforma específica de Qualcomm y benchmarks reportados por las empresas. Los resultados de BitNet no pueden validar de forma independiente el rendimiento visual de Bonsai.
El ahorro de memoria tampoco mide directamente la experiencia del usuario. Un asistente wearable debe procesar habla ruidosa, cambios de iluminación, movimiento, vistas parciales y preguntas ambiguas.
Un benchmark puede premiar la respuesta correcta a un prompt limpio. Las gafas primero deben determinar a qué se refiere el usuario y si la cámara capturó suficiente detalle.
El contexto de prueba de 1.024 tokens plantea otra disyuntiva. Esa cantidad puede admitir interacciones breves, pero limita las conversaciones más largas y el historial visual acumulado.
Ampliar el contexto suele requerir memoria adicional para una estructura de inferencia llamada caché clave-valor. Esta caché almacena información intermedia de atención de tokens anteriores.
La comparación publicada de los pesos no resuelve cómo afecta un contexto más largo a la velocidad, el uso de memoria o la autonomía de la batería. Estas mediciones serán relevantes en cualquier implementación de consumo.
Un producto completo también necesita reconocimiento y síntesis de voz. Puede requerir detección de objetos, preprocesamiento de imágenes, recuperación de información, filtros de seguridad, servicios inalámbricos y procesos del sistema operativo.
Bonsai no recibe todo el presupuesto de energía y memoria del dispositivo. El modelo debe coexistir con todos los demás componentes mientras las gafas siguen siendo cómodas.
El calor podría convertirse en la limitación decisiva. Un sistema puede lograr un rendimiento impresionante a corto plazo y, aun así, reducir su velocidad tras un uso sostenido para proteger al usuario y la batería.
El codiseño de modelo y hardware de PrismML ofrece una respuesta plausible. Se orienta a un procesador concreto en vez de tratar cada dispositivo como un destino de implementación intercambiable.
Esa especialización puede mejorar la eficiencia, pero incrementa el trabajo de integración. Admitir otra familia de chips puede requerir nuevos kernels, ajustes, validación y cadenas de herramientas.
La oportunidad de negocio se deriva directamente de esa disyuntiva. PrismML puede convertirse en proveedor de empresas de hardware que carecen de investigación propia sobre modelos compactos.
También debe evitar depender de un grupo reducido de proveedores de chips. Una estrategia de pesos abiertos solo ayuda a la adopción cuando los desarrolladores pueden ejecutar los modelos mediante software accesible y documentado.
Para Qualcomm, la demostración refuerza el valor de AR1. La empresa quiere que los fabricantes vean su chip wearable como una plataforma para IA generativa local, no solo para cámaras y conectividad.
Para los fabricantes, la combinación podría reducir los requisitos recurrentes de inferencia en la nube. Eso podría mejorar la economía del producto, pero ninguna de las empresas ha publicado comparaciones de costes operativos comerciales.
Nadie debería considerar el menor uso de la nube como computación gratuita. La inferencia local consume batería, exige recursos de ingeniería y traslada las responsabilidades de soporte al fabricante del dispositivo.
La ecuación de costes ha cambiado, no ha desaparecido.
La demostración todavía debe sobrevivir a un producto real
PrismML ha establecido una prueba técnica creíble, pero no ha demostrado preparación para el mercado ni un rendimiento diario fiable.
La mayor brecha es sencilla. Ninguna empresa ha anunciado gafas inteligentes de PrismML que los consumidores puedan comprar.
Esa ausencia separa esta demostración de un lanzamiento de producto. Qualcomm mostró un modelo ejecutándose en una plataforma adecuada, mientras PrismML describió planes para seguir optimizando Bonsai en dispositivos Snapdragon.
Un socio comercial todavía debe convertir ese software en unas gafas que la gente quiera llevar. El socio debe equilibrar apariencia, peso, autonomía de batería, calidad de cámara, audio, controles, indicadores de privacidad y coste de fabricación.
El comportamiento del consumidor introduce otro reto. Un asistente técnicamente capaz fracasa si los usuarios se sienten incómodos al hablarle o no pueden confiar en sus respuestas.
Los errores de visión y lenguaje pueden tener consecuencias mayores que los errores habituales de un chatbot. Un modelo puede interpretar mal una etiqueta, pasar por alto un objeto o malentender con seguridad una escena.
La ejecución local no hace que una respuesta sea precisa. Solo cambia dónde se produce la respuesta.
La divulgación de benchmarks aporta detalles útiles, pero se centra principalmente en la memoria y la generación de tokens. No publica precisión en campo para tareas comunes de gafas.
Los lectores todavía no saben cómo maneja el sistema el desenfoque por movimiento, la iluminación tenue, el habla superpuesta o los objetos desconocidos. Tampoco disponen de comparaciones con modelos frontier remotos usando los mismos prompts wearable.
PrismML afirma que su modelo de 1 bit ofrece una inteligencia equivalente a la de la versión correspondiente de 4 bits. La empresa cita evaluaciones de programación, seguimiento de instrucciones, matemáticas, razonamiento y conocimiento general.
Esas pruebas ayudan a evaluar el componente lingüístico. No sustituyen una evaluación independiente de un asistente basado en cámara que opera en espacios públicos.
El codificador de visión también sigue siendo de 4 bits, según la configuración divulgada. Eso significa que “modelo de 1 bit” es una abreviatura útil, pero no todos los componentes utilizan pesos de un bit.
Los datos de batería son otra pieza ausente. Qualcomm informó del rendimiento de tokens en una plataforma con una capacidad máxima de IA declarada, pero no publicó mediciones de energía para toda una jornada.
Un producto wearable podría invocar el modelo brevemente, lo que podría mantener manejable el uso de energía. La percepción siempre activa crearía una carga de trabajo diferente.
Las afirmaciones sobre privacidad requieren una disciplina similar. Mantener la inferencia local puede reducir la exposición remota de datos, pero el fabricante final controla la grabación, el almacenamiento, la sincronización, los permisos y las actualizaciones.
Los pesos abiertos plantean sus propias cuestiones de gobernanza. Un proveedor puede personalizar el comportamiento de seguridad, pero los usuarios deben saber qué cambió y quién sigue siendo responsable.
Las actualizaciones de seguridad adquieren importancia cuando un modelo procesa información visual y hablada del entorno. Texto o imágenes maliciosos podrían intentar manipular el comportamiento de un asistente.
Los desarrolladores llaman a ese problema inyección de prompts. Ocurre cuando contenido no confiable incluye instrucciones que un modelo confunde con comandos legítimos.
Por diseño, las gafas se encuentran con información visual no confiable. Un asistente de producción debe distinguir la solicitud de un usuario de las palabras mostradas en un cartel, pantalla o documento.
La breve ventana de contexto puede limitar algunos ataques, pero no los elimina. Los desarrolladores de productos necesitarán límites para las acciones externas y el acceso a información personal.
El panorama competitivo también sigue evolucionando. Meta está invirtiendo en infraestructura de privacidad en la nube mientras amplía la gama de sus gafas con IA.
Google presenta Gemini y Android XR como un entorno de software conectado que abarca visores, gafas, teléfonos y servicios. Su documentación sobre privacidad de Android XR describe el tratamiento local de determinados datos de percepción.
Estas empresas cuentan con distribución, marcas de consumo, plataformas de aplicaciones y grandes sistemas de IA. PrismML tiene un argumento de eficiencia y una alianza importante con un fabricante de chips, pero no el mismo alcance de mercado.
Los grandes proveedores de plataformas también pueden adoptar modelos más pequeños. La inteligencia local y en la nube son decisiones de arquitectura, no identidades permanentes vinculadas a empresas específicas.
Si los modelos compactos resultan útiles, Meta y Google pueden trasladar más procesamiento a sus dispositivos. Qualcomm puede admitir varios proveedores de modelos en vez de elegir uno solo.
Por tanto, PrismML necesita más que una demostración exitosa. Necesita un rendimiento duradero, herramientas de implementación accesibles, socios de dispositivos y una razón por la que los fabricantes no puedan reproducir fácilmente su enfoque.
Los comentarios de la comunidad añaden otra cautela. Algunos usuarios de modelos locales han informado de comportamientos inconsistentes en otros lanzamientos de Bonsai, incluidos repeticiones y resultados erráticos.
Esos informes son anecdóticos y se refieren a modelos y hardware diferentes. No demuestran un fallo en la versión para gafas inteligentes.
Aun así, refuerzan la necesidad de pruebas independientes. La retención en benchmarks puede coexistir con debilidades que se vuelven evidentes durante un uso abierto.
La interpretación más creíble sigue siendo limitada. PrismML y Qualcomm mostraron que un sistema de visión y lenguaje de 2.000 millones de parámetros puede ejecutarse localmente en hardware para gafas de clase AR1 bajo condiciones de prueba documentadas.
Eso representa un avance de ingeniería significativo. No demuestra que la IA wearable dependiente de la nube ya se haya vuelto obsoleta.
Tres señales mostrarán si la IA local gana
La siguiente etapa depende de un dispositivo comercial, pruebas independientes y acceso de producción al software que produjo los resultados de Qualcomm.
La primera señal es un socio de hardware identificado. PrismML necesita que un fabricante de gafas se comprometa con Bonsai en un dispositivo destinado a clientes, desarrolladores o implementaciones empresariales.
Un anuncio de ese tipo convertiría la prueba actual en una hoja de ruta de producto. Las especificaciones deberían mostrar si el modelo se ejecuta íntegramente en las gafas o comparte el trabajo con un teléfono.
Un anuncio creíble de dispositivo también debería describir las tareas compatibles. “Asistencia visual” abarca desde el reconocimiento de objetos hasta el razonamiento complejo, y esas cargas de trabajo imponen exigencias distintas.
La segunda señal son las pruebas independientes en hardware similar al de producción. Los evaluadores deberían medir calidad de respuesta, latencia, velocidad sostenida, calor y consumo de batería en escenarios realistas.
Las pruebas deberían incluir conectividad débil, iluminación difícil, movimiento rápido de cámara, ruido de fondo y varios idiomas. También deberían comparar respuestas locales con alternativas en la nube.
La cifra actual de 15,36 tokens por segundo ofrece una referencia útil. No revela el tiempo necesario para capturar una imagen, codificarla, reconocer el habla o empezar a pronunciar una respuesta.
La latencia de extremo a extremo importa más que la generación aislada de tokens. Un usuario experimenta toda la cadena de procesamiento, no un único componente del modelo.
Los evaluadores independientes también deberían probar las alucinaciones y la ambigüedad visual. Un asistente wearable debe reconocer la incertidumbre cuando no puede ver un objeto con claridad.
La tercera señal es la disponibilidad en producción de la ruta de software de 1 bit de Qualcomm. Los desarrolladores necesitan compiladores estables, kernels, documentación, archivos de modelos y términos de licencia.
La demostración se apoyó en un kit de software interno de Qualcomm. Un acceso más amplio demostraría que el trabajo puede respaldar el desarrollo de terceros y no solo una exhibición de conferencia.
Una cadena de herramientas madura también revelaría la portabilidad. El objetivo de pesos abiertos de PrismML adquiere más valor cuando los desarrolladores pueden reproducir resultados en distintos dispositivos sin asistencia privada.
Estas señales pueden reforzar o debilitar rápidamente la tesis de priorizar lo local. Un socio comercial demostraría demanda comercial. Los resultados independientes establecerían si las afirmaciones de eficiencia resisten el uso diario.
Las herramientas accesibles demostrarían que la arquitectura puede convertirse en una plataforma. Los retrasos en las tres áreas dejarían a PrismML con una demostración impresionante, pero aislada.
La competencia más amplia no producirá un ganador sencillo entre lo local y la nube. Los productos wearable probablemente dividirán las tareas entre ambas ubicaciones según la sensibilidad, complejidad y conectividad.
La contribución de PrismML consiste en desplazar ese límite. Una tarea que antes requería un servidor remoto puede convertirse en candidata para ejecutarse directamente en hardware ligero.
Ese cambio ofrece a los desarrolladores otra forma de diseñar asistentes visuales. Los equipos que evalúan estos sistemas deberían documentar las versiones de modelos, benchmarks, afirmaciones de privacidad y resultados de campo en una base de conocimiento de IA.
La pregunta práctica ya puede medirse: ¿qué tareas útiles pueden completar las gafas de forma local, fiable y a lo largo de una jornada normal?
Las gafas inteligentes PrismML han ofrecido una primera respuesta en condiciones controladas. El próximo producto, informe de pruebas y lanzamiento para desarrolladores mostrarán si esa respuesta se sostiene fuera del escenario de la cumbre.
