La inmensa mayoría de la investigación y desarrollo en IA se realiza sobre Linux. Desde los servidores de OpenAI hasta los notebooks de un investigador en su escritorio. ¿Por qué?
Hay muchas razones, pero hay dos que aparecen siempre primero.
Las GPUs NVIDIA con CUDA son el estándar de facto para entrenar redes neuronales. Los drivers oficiales, las librerías de cómputo (cuDNN, NCCL) y los toolkits de desarrollo se publican primero — y a veces en exclusiva — para Linux. La integración es más profunda: el kernel expone el hardware con menos capas de abstracción y hay menos overhead.
El resultado: el mismo modelo entrena más rápido sobre Linux que sobre Windows con el mismo hardware.
La terminal es ciudadana de primera en Linux: scripts, automatización y reproducibilidad. Combinada con Docker y nvidia-container-toolkit, permite empaquetar un experimento completo (modelo + dependencias + drivers) en una imagen que corre igual en la notebook del investigador, en el servidor de pruebas y en producción.
Esa portabilidad es exactamente lo que hace que el ecosistema de IA pueda crecer tan rápido sin romperse entre máquinas.
Otras razones de fondo: rendimiento bruto (menos overhead del SO), sistemas de archivos pensados para grandes volúmenes (ext4, XFS, ZFS), acceso completo a herramientas científicas open source (Python, R, Julia), y una cultura de software libre que se alinea con la cultura de publicación abierta de la investigación en IA.
Elegimos una de las opciones que da la consigna y la describimos. Las otras dos quedan en el menú como referencia.
Framework de deep learning de Meta, ampliamente adoptado por la comunidad de investigación. Permite definir y entrenar redes neuronales con sintaxis Python natural, con autograd y soporte nativo para GPU.
Es la base de muchos modelos modernos (incluyendo grandes modelos de lenguaje). Su alternativa principal es TensorFlow (de Google), más usada en producción industrial.
Entorno web que combina código, resultados, gráficos y texto en una misma página. Estándar para experimentación, prototipado de modelos y comunicación científica.
Biblioteca de Python con algoritmos clásicos de ML: regresión, clasificación, clustering, reducción de dimensionalidad, preprocesamiento. Perfecta para empezar antes de saltar al deep learning.
En el Gestor de Software de Linux Mint buscamos una app que use IA y probamos Upscayl, un escalador de imágenes que usa modelos de super-resolución para aumentar la calidad de fotos viejas o de baja resolución.
Primero habilitamos Flatpak desde la terminal:
sudo apt install flatpakLuego instalamos Upscayl desde el Gestor de Software (que ya muestra los paquetes Flatpak/Flathub).
