En los últimos años, la inteligencia artificial (IA) ha logrado un progreso significativo y avances notables en diversas disciplinas, incluyendo biología, informática e industria. Sin embargo, la creciente complejidad de las estructuras de red de la IA y la gran cantidad de parámetros asociados imponen demandas computacionales y de almacenamiento sustanciales, limitando severamente el despliegue práctico de estos modelos en dispositivos periféricos con recursos limitados. Aunque se han propuesto métodos de inteligencia periférica para aliviar las cargas computacionales y de almacenamiento, aún enfrentan múltiples desafíos persistentes, como el despliegue de modelos a gran escala, la baja interpretabilidad, vulnerabilidades de privacidad y seguridad, y limitaciones de eficiencia energética. Este artículo revisa sistemáticamente los avances actuales en tecnologías de inteligencia periférica, destaca técnicas habilitadoras clave como la esparsez del modelo, la cuantificación, la destilación del conocimiento, la búsqueda de arquitecturas neurales y el aprendizaje federado, y explora sus aplicaciones en los dominios industrial, automotriz, de atención médica y de consumo. Además, este documento presenta un análisis comparativo de estas técnicas, resume los principales compromisos y propone marcos de decisión para guiar estrategias de despliegue en diferentes escenarios. Finalmente, se discuten las direcciones futuras de investigación para abordar los cuellos de botella técnicos restantes y promover el desarrollo práctico y sostenible de la inteligencia periférica. En el umbral de una nueva era emocionante, creemos que la inteligencia periférica desempeñará un papel cada vez más crítico en la transformación de las industrias y en la habilitación de servicios inteligentes ubicuos.