Guías de compra · Actualizado el 28 de octubre de 2026
Portátil para inteligencia artificial y machine learning: GPU, VRAM, NPU y lo que necesitas
Para trabajar con IA en un portátil, lo que decide qué puedes hacer es la memoria donde cabe el modelo: la VRAM de una gráfica NVIDIA o la memoria unificada de un Mac. La potencia de cálculo decide lo rápido que va, pero si el modelo no cabe, no arranca o va muy lento. Para aprender, hacer prácticas de machine learning y usar modelos de lenguaje pequeños en local, sirve un portátil con RTX y 8 GB de VRAM o un Mac con 24 GB. Para modelos grandes o entrenar en serio, lo razonable es la nube o un equipo de sobremesa.
Qué tipo de trabajo vas a hacer
| Trabajo | Qué pesa más | Mínimo razonable |
|---|---|---|
| Usar ChatGPT, Copilot o Gemini en el navegador | Nada especial | Cualquier portátil actual |
| Funciones de IA de Windows (subtítulos, efectos de cámara, búsqueda) | NPU | Copilot+ PC (NPU de 40 TOPS o más) |
| Cursos de machine learning con scikit-learn, pandas, notebooks | CPU y RAM | 16 GB de RAM, procesador moderno |
| Deep learning de prácticas (PyTorch, TensorFlow) con datasets pequeños | GPU con CUDA o Apple | RTX con 8 GB de VRAM, o Mac M5 con 24 GB |
| Ejecutar modelos de lenguaje en local (Ollama, LM Studio) | VRAM o memoria unificada | Según el tamaño del modelo (tabla siguiente) |
| Entrenar o ajustar modelos medianos y grandes | Mucha VRAM y horas de cálculo | Nube o sobremesa |
Cuánta memoria necesita un modelo de lenguaje
Una regla práctica para modelos cuantizados a 4 bits, el formato habitual para uso local: algo más de medio gigabyte por cada mil millones de parámetros, más un margen para el contexto de la conversación.
| Tamaño del modelo | Memoria aproximada (4 bits) | Dónde cabe |
|---|---|---|
| 3-4 mil millones (3-4B) | 2-3 GB | Casi cualquier equipo con 16 GB |
| 7-8B | 5-6 GB | RTX con 8 GB de VRAM; Mac con 16 GB |
| 12-14B | 8-10 GB | RTX con 12 GB; Mac con 24 GB |
| 24-32B | 15-20 GB | RTX 5080 con 16 GB (justo); Mac con 36 GB |
| 70B | 40 GB o más | Mac con 64 GB o más; fuera del alcance de las RTX de portátil |
Son aproximaciones: varían con la cuantización, el programa y la longitud del contexto. Si el modelo no cabe entero en la VRAM, programas como Ollama reparten una parte en la RAM normal, pero la velocidad cae mucho.
NVIDIA y CUDA: la opción estándar
La mayoría de herramientas de IA (PyTorch, TensorFlow, bibliotecas de visión, entrenamiento) están pensadas primero para CUDA, la plataforma de NVIDIA. Con una RTX en Windows o Linux, casi todo funciona a la primera.
VRAM de las RTX de portátil del catálogo:
| Gráfica | VRAM | Ejemplo del catálogo |
|---|---|---|
| RTX 5050, 5060, 5070 | 8 GB | Lenovo Legion 5 15AHP11, ASUS ProArt P16 |
| RTX 5070 Ti | 12 GB | Lenovo Legion Pro 5 |
| RTX 5080 | 16 GB | MSI Stealth A16 AI+, Lenovo Legion 9 18 |
Fíjate en que una RTX 5070 tiene la misma VRAM que una 5060. Para IA, el salto que importa es a la 5070 Ti (12 GB) o a la 5080 (16 GB). Lo explicamos en gráficas RTX para portátil.
Mac con chip Apple: mucha memoria para modelos grandes
En los Mac, la memoria es unificada: la comparten procesador y gráfica, y un modelo puede usar casi toda. Por eso un MacBook Pro 16" M5 Max de 36 GB carga modelos que no caben en ninguna RTX de portátil. Ollama, LM Studio y la biblioteca MLX de Apple funcionan muy bien.
Las limitaciones: no hay CUDA, así que algunas herramientas de entrenamiento o investigación no funcionan o van peor, y la memoria no se puede ampliar después de comprar. Si trabajas con modelos de lenguaje en local, elige la memoria pensando en el modelo más grande que querrás usar.
La NPU: para qué sirve (y para qué no)
La NPU es una unidad dedicada a la IA que llevan los Intel Core Ultra, AMD Ryzen AI, Snapdragon X y chips Apple. Gasta muy poco y Windows la usa para funciones como el desenfoque de fondo en videollamadas, los subtítulos en directo o la búsqueda semántica. Microsoft llama Copilot+ PC a los equipos con una NPU de al menos 40 TOPS.
Para desarrollo, la NPU tiene un papel limitado: la mayoría de frameworks no la usan para entrenar, y para ejecutar modelos de lenguaje locales la GPU sigue siendo más rápida. No pagues más por una NPU si tu objetivo es programar IA.
RAM, procesador y almacenamiento
- RAM: 32 GB si trabajas con datasets en memoria, notebooks pesados o varios servicios a la vez. 16 GB para cursos y prácticas.
- Procesador: cualquiera moderno de la serie H. El preprocesado de datos usa la CPU.
- SSD: 1 TB. Los modelos ocupan entre 2 y 40 GB cada uno, y los datasets crecen rápido.
- Sistema: en Windows, WSL2 permite usar Linux con acceso a la GPU NVIDIA. Linux nativo es la opción preferida en investigación.
Cuándo no comprar un portátil para IA
Si necesitas entrenar modelos durante horas o días, un portátil es caro, ruidoso y se calienta. Las plataformas en la nube (Google Colab, Kaggle y los proveedores de GPU por horas) te dan GPUs de 24-80 GB pagando solo lo que usas. Para muchos estudiantes, un portátil ligero con 16-32 GB más la nube es mejor inversión que un portátil gaming pesado.
Recomendación por perfil
| Perfil | Recomendación |
|---|---|
| Estudiante de IA o ciencia de datos | 16-32 GB de RAM, portátil ligero + nube; RTX 5060 si quieres CUDA en local |
| Desarrollador que usa LLM locales de 7-14B | RTX 5070 Ti/5080 o Mac con 24-36 GB |
| Modelos de 30B o más en local | Mac M5 Max con 36 GB o más |
| Entrenamiento serio | Nube o estación de trabajo de sobremesa |
Si además programas, la guía de portátiles para programar completa esta.
Preguntas frecuentes
¿Necesito una NPU para usar IA?
No. Sirve para funciones de Windows con poco consumo. Para ejecutar o entrenar modelos, importa la GPU y su memoria.
¿Con 8 GB de VRAM puedo usar modelos de lenguaje en local?
Sí, modelos de 7-8 mil millones de parámetros cuantizados a 4 bits. Para modelos mayores necesitas más VRAM o un Mac con más memoria.
¿Mac o PC con NVIDIA para machine learning?
Para compatibilidad con herramientas de entrenamiento, NVIDIA y CUDA. Para cargar modelos grandes en local con poco consumo y sin ruido, un Mac con mucha memoria unificada.
Fuentes: especificaciones de NVIDIA y Apple; documentación de Microsoft sobre Copilot+ PC; requisitos de memoria estimados a partir de la documentación pública de Ollama y de los tamaños de los modelos cuantizados. Las cifras de la tabla son orientativas. LaptopIdeal no ha probado estos equipos.