Cómo montar tu laboratorio de inteligencia artificial en PC

La idea de montar un laboratorio de inteligencia artificial en tu propio PC ha pasado de ser un sueño friki a algo totalmente realista para casi cualquiera con un ordenador moderno. Hoy no hace falta tener una granja de servidores ni pagar suscripciones mensuales para trastear con modelos tipo ChatGPT, Gemini o DeepSeek: puedes ejecutarlos en casa, sin conexión y con tus datos bien guardados en tu disco duro.

En este artículo vamos a ver cómo convertir tu ordenador en un laboratorio de IA local, repasando los requisitos de hardware, las mejores aplicaciones (LM Studio, Ollama, AnythingLLM, GPT4All, Jan, llama.cpp, NextChat, Llamafile…), y también soluciones más avanzadas como crear un clúster casero con EXO o generar imágenes de alta calidad con HART. Todo explicado paso a paso, con un lenguaje claro y aterrizado a la realidad de un PC de escritorio o portátil.

Requisitos básicos para un laboratorio de IA en PC

Antes de liarte a instalar modelos de IA, conviene revisar si tu ordenador cumple unos mínimos razonables. Aunque muchos modelos han sido comprimidos y optimizados, siguen siendo exigentes en memoria y almacenamiento, y se benefician mucho de una buena CPU y, si la tienes, una GPU decente.

Hay que entender además que muchos de los grandes modelos originales (como algunos de cientos de miles de millones de parámetros) pueden superar fácilmente los 400 GB de tamaño y requerir más de 1 TB de VRAM para funcionar a plena capacidad, algo totalmente fuera del alcance de un PC doméstico típico. Por suerte, existen versiones destiladas y cuantizadas que bajan radicalmente estos requisitos.

Requisitos para LM Studio en macOS

LM Studio es una de las formas más sencillas de probar modelos de lenguaje en local con interfaz gráfica. En macOS, sin embargo, no todos los equipos son igual de recomendables. De hecho, el soporte está claramente orientado a los Mac con chip Apple Silicon.

• Procesador: se recomienda usar equipos con Apple Silicon M1, M2, M3 o M4. Los Mac con procesador Intel no son la mejor opción para las versiones actuales de LM Studio.
• Sistema operativo: es necesario tener como mínimo macOS 13.4 o una versión posterior.
• Memoria y almacenamiento: lo ideal es contar con 16 GB de RAM para trabajar con estabilidad, y reservar entre 10 y 30 GB de SSD para los modelos. Esta cifra puede subir bastante según el número y el tamaño de los modelos que quieras tener instalados.
• GPU dedicada: no se requiere una gráfica dedicada; los chips Apple Silicon ya integran una GPU muy competente para estas tareas.

Requisitos para LM Studio en Windows

En Windows, LM Studio funciona muy bien en equipos de 64 bits relativamente modernos, siempre que la CPU soporte ciertas instrucciones avanzadas necesarias para acelerar el cálculo.

• CPU: procesador de 64 bits con soporte para el conjunto de instrucciones AVX2.
• RAM: se recomiendan 16 GB para trabajar cómodamente con modelos de 7-8B parámetros. Es posible arrancar modelos más ligeros (3-4B) con 8 GB, pero con contextos más cortos y ciertas limitaciones.
• GPU: no es obligatoria, aunque disponer de una tarjeta gráfica con suficiente VRAM permite acelerar muchísimo la generación de texto.
• Almacenamiento: cada modelo ocupa desde unos 2 GB hasta más de 20 GB, dependiendo del tamaño y la cuantización. Para tener varios modelos disponibles, compensa reservar al menos 20 GB de espacio solo para ellos.

Requisitos para LM Studio en Linux

En Linux también puedes montar tu laboratorio de IA local con LM Studio, siempre que la distribución y el hardware acompañen. Aquí se suele distribuir en formato AppImage para facilitar la instalación.

• Distribución: se ofrecen paquetes AppImage para x64, y funcionan bien en distribuciones como Ubuntu 20.04 o superiores. Si tu procesador no tiene AVX2, la experiencia será más limitada y los modelos irán más lentos.
• Memoria y espacio: los requisitos son equivalentes a los de Windows: 16 GB de RAM recomendados para modelos de tamaño medio y unos 20 GB de SSD si quieres alojar varios modelos.
• Permisos de ejecución: en algunas distros tendrás que marcar el AppImage como ejecutable y permitir su integración en el sistema.

Instalar y poner en marcha LM Studio en tu ordenador

LM Studio destaca por ofrecer una interfaz unificada para buscar, descargar y ejecutar modelos sin volverte loco con líneas de comandos. El proceso de instalación es bastante directo, sobre todo en Windows, donde se distribuye como instalador clásico.

Descarga e instalación en Windows

Para conseguir LM Studio en Windows, basta con ir a su página oficial y elegir el instalador para tu sistema. El archivo suele rondar los 500 MB (por ejemplo, unos 516 MB en la versión mencionada), y se descargará un .exe convencional.

Al abrir el instalador, podrás escoger si se instala solo para tu usuario o para todos los usuarios del equipo. Después seleccionas la carpeta de destino, donde el propio programa ya avisa de que necesitará alrededor de 1,7 GB para instalarse. Una vez confirmes, pulsas “Instalar” y esperas a que termine.

Al finalizar, es recomendable dejar marcada la opción de “Ejecutar LM Studio” y hacer clic en “Terminar”. De esta forma, el programa se abrirá automáticamente y verás su interfaz principal a pantalla completa lista para empezar a usarla.

Primeros pasos: cambiar el idioma y entender la interfaz

La primera vez que abras LM Studio, verás que viene en inglés por defecto. Cambiarlo al español es sencillo: en la parte inferior derecha hay un icono de engranaje que abre el panel de configuración.

Una vez dentro, el menú de opciones está bien organizado en una columna central con distintas secciones. Solo tienes que desplazarte hacia abajo hasta encontrar el apartado de “Idioma”. Haz clic en el selector, elige “Español (Beta)” y listo, toda la interfaz se adaptará a nuestro idioma.

Cuando cierres la ventana de opciones, volverás a la pantalla principal. Fíjate en la barra lateral izquierda, donde aparecen cuatro iconos de colores que representan las áreas clave del programa:

• Mensaje amarillo – “Chats”: aquí es donde vas a conversar con los modelos, pero solo después de haberlos descargado y cargado.
• Ventana verde – “Desarrollador”: permite levantar un servidor local compatible con la API de OpenAI, ver el endpoint y utilizarlo desde aplicaciones externas.
• Carpeta roja – “Mis modelos”: hace de almacén, mostrando todos los modelos que has descargado dentro de LM Studio.
• Lupa morada – “Descubrir”: es el buscador de modelos integrados, donde podrás explorar y elegir qué IA quieres descargar y ejecutar en tu PC.

Explorar y elegir modelos en LM Studio

La sección de “Descubrir”, accesible a través del icono de lupa morada, es el auténtico catálogo de modelos de IA abiertos disponibles. Aquí encontrarás modelos muy populares, con la posibilidad de ordenarlos por número de descargas, “me gusta” o fecha de actualización.

Entre las familias que suelen aparecer están Qwen3, Lfm2, Ernie 4.5, Gemma 3n, Mistral, DeepSeek, Phi 4, Granite, Gemma 2, Codestral y otras muchas. Cada tarjeta de modelo incluye datos básicos y opciones de descarga, y en general hay versiones con distintos tamaños y cuantizaciones para que se adapten a tu hardware.

Algunas de las opciones más interesantes que puedes encontrar son:

• OpenAI gpt-oss 20B: modelo abierto de los creadores de ChatGPT, con licencia Apache 2.0. Está centrado en seguir instrucciones y razonar, con la posibilidad de ajustar el esfuerzo de cómputo. Es, de facto, una alternativa “local” alineada con la experiencia de ChatGPT, lista para ejecutarse en formatos como GGUF o MLX según tu equipo.
• DeepSeek R1 Distill Qwen 7B: destilación del modelo de razonamiento DeepSeek sobre la base Qwen 7B. Ofrece una gran relación entre rendimiento y requisitos, admite cuantizaciones Q4-Q6 y soporta contexto largo. Es un buen punto de partida si tienes 16 GB de RAM.
• Gemma 3n E4B: versión abierta inspirada en Gemini, con builds en GGUF ya preparadas para LM Studio. Es un modelo multimodal capaz de trabajar en PC, móviles, tablets y portátiles, con soporte para contextos de hasta 32.000 tokens.
• Qwen 3B y 4B Thinking: variantes optimizadas para ordenadores con menos recursos. Sus versiones “Thinking” están diseñadas para ofrecer respuestas elaboradas con un consumo de memoria relativamente bajo, y contextos habituales de unos 8.000 tokens, perfectos para conversaciones largas sin pedirle demasiado al hardware.
• Magistral Small 2509: modelo ligero basado en Mistral AI, afinado para comprensión de instrucciones y razonamiento general en equipos de bajo consumo. Tiene unos 2,5 mil millones de parámetros, lo que se traduce en una velocidad alta y menor demanda de RAM. Funciona razonablemente bien a partir de 8 GB, pensado para redacción, resúmenes y soporte técnico.
• Mistral 7B: el modelo estrella de Mistral AI, famoso por su rendimiento en español y sus buenos resultados en tareas de lógica y matemáticas. Dispone de builds en GGUF muy afinadas para LM Studio, con ventanas de contexto que llegan hasta 32.000 tokens.
• Phi 4: modelo compacto de Microsoft centrado en respuestas claras, concisas y naturales. Alrededor de 1,7 mil millones de parámetros, ocupa poco y se puede ejecutar en casi cualquier PC moderno. Es especialmente adecuado para instrucciones breves, preguntas rápidas y textos cortos.

Cómo descargar un modelo desde LM Studio

Cuando tengas claro qué modelo te interesa, basta con hacer clic en su ficha dentro de la sección “Descubrir”. Se abrirá una vista detallada donde, a la derecha, aparece la información clave y, en la parte inferior de esa zona, un botón verde “Download” con el tamaño del archivo en GB.

Al pulsar “Download”, LM Studio lanza su propio gestor de descargas interno. Desde ahí podrás ver el progreso, la velocidad y el tiempo estimado. No tienes que hacer nada especial: cuando termine, el modelo quedará disponible en tu lista de “Mis modelos” y podrás pasar a la fase de configuración y carga.

Configurar y cargar el modelo para usarlo en chat

Una vez finalizada la descarga, ve a la columna izquierda y entra en la sección “Chats” (icono amarillo). En el panel central verás una opción que indica algo como “Seleccione un modelo para cargar”, junto a un desplegable con los modelos disponibles.

Al escoger uno (por ejemplo, DeepSeek R1 0528 Qwen 3 8B), aparecerá un panel con varias opciones de configuración previas a la ejecución. Entre ellas se incluyen:

• Model file: permite elegir el archivo exacto del modelo, útil si dispones de varias variantes. Si solo tienes un modelo, puedes dejarlo tal cual.
• Longitud del contexto: define cuántos tokens puede “recordar” la IA durante la conversación o tarea. Si subes el valor, mejoras la coherencia a largo plazo, pero aumentas el consumo de RAM y VRAM. En equipos con 8-12 GB de RAM/VRAM, conviene no pasarse para evitar errores o caídas de rendimiento.
• Carga en GPU: permite decidir cuántas capas del modelo se procesan en la gráfica. Una mayor carga en GPU acelera la generación, sobre todo en modelos de 7B-20B y superiores, a costa de ocupar más VRAM. Si te pasas del límite, el rendimiento se desploma, así que es mejor ir ajustando poco a poco.

En el caso de DeepSeek R1 0528 Qwen 3 8B, un modelo muy optimizado para uso doméstico, suele recomendarse arrancar con contextos de 8-16K tokens. Aunque soporta hasta 128K, los mejores resultados en calidad/velocidad en hardware normal se logran manteniéndose en el rango de 16-32K como máximo. En cuanto a la carga en GPU, empezar con un valor medio (por ejemplo, 20 de 36) y probar desde ahí es una estrategia razonable.

Cuando tengas todo configurado a tu gusto, pulsa en “Cargar modelo”. LM Studio hará el trabajo de inicialización y, en cuanto termine, te abrirá la ventana de chat lista para escribir.

Usar el chatbot local como cualquier otra IA

Con el modelo cargado, la interfaz de chat se parece mucho a la de servicios en la nube tipo ChatGPT, Gemini o DeepSeek. Puedes escribir tus preguntas, tareas de redacción, resúmenes, ejercicios de programación, etc., y recibirás la respuesta generada en tiempo real.

En el caso de determinados modelos de razonamiento, como las variantes DeepSeek R1, incluso puedes observar cómo muestran su “proceso de pensamiento” interno antes de generar la respuesta final. Por ejemplo, si les pides que te cuenten un episodio histórico (como lo ocurrido en Hiroshima durante la Segunda Guerra Mundial), pueden ir desglosando los pasos: identificar el año, organizar la explicación en fases (antes, durante y después), decidir si incluir anécdotas, seleccionar un tono informativo pero reflexivo, etc.

Este razonamiento puede llevar varios segundos (por ejemplo, más de 30s en una máquina doméstica) antes de que veas el texto terminado. Al final del mensaje, LM Studio suele mostrar métricas como tokens generados por segundo y número total de tokens, lo cual te ayuda a evaluar si el modelo y la configuración son adecuados para tu equipo.

Otras herramientas clave para tu laboratorio de IA en PC

LM Studio es solo una pieza del puzzle. Para montar un laboratorio de inteligencia artificial realmente completo en tu ordenador, conviene conocer otras herramientas que cubren distintas necesidades: línea de comandos, servidores locales, chat con documentos, integración con servicios externos, etc.

Ollama: modelos desde la terminal en Windows, macOS y Linux

Ollama es un proyecto de código abierto que te permite descargar y ejecutar modelos LLM directamente desde la línea de comandos. Funciona en Windows, macOS y GNU/Linux, y es tan sencillo como lanzar un comando para instalar y otro para ejecutar el modelo.

En Linux, por ejemplo, puedes instalarlo abriendo una terminal y ejecutando:

curl -fsSL https://ollama.com/install.sh | sh

Una vez instalado, para ejecutar un modelo derivado de DeepSeek optimizado, bastaría con:

ollama run deepseek-r1:1.5b

Ollama se encarga de descargar automáticamente el modelo y ponerlo en marcha. En su web oficial (https://ollama.com/search) tienes un catálogo con muchos otros modelos y los comandos necesarios para lanzarlos. Verás desde versiones ligeras hasta variantes más pesadas como deepseek-r1:32b, que ya exigen un mínimo de 30 GB de VRAM.

AnythingLLM: todo en uno para chatear con documentos y agentes

AnythingLLM es un programa de código abierto orientado a quienes quieren trabajar con documentos, agentes de IA y tareas complejas en local. Permite chatear con tus propios archivos, ejecutar agentes automatizados y, si tu PC se queda corto, hasta ofrece una modalidad de uso en la nube mediante suscripción.

Su arquitectura combina varios componentes que cooperan entre sí, y además de trabajar con modelos abiertos en local también es capaz de conectarse a servicios privados como OpenAI, Azure y otros. El foco está en la privacidad y la personalización, con muchos controles para ajustar el comportamiento de la herramienta a tus necesidades.

GPT4All: cientos de modelos en una sola app de escritorio

GPT4All es otra solución de código abierto pensada para instalar y usar modelos LLM de forma sencilla en tu PC. Puede aprovechar tanto la CPU como la GPU, y da acceso a un catálogo enorme, con hasta unos 1.000 modelos distintos de código abierto, incluyendo DeepSeek R1, LLaMa, Mistral, Nous-Hermes y más.

Aunque tiene una versión de pago, existe una edición gratuita con tokens limitados que suele ser suficiente para un uso personal cotidiano. Está disponible para Windows (incluida versión ARM), macOS y Ubuntu, con una interfaz bastante amigable.

Jan: IA local con extensiones y soporte para varias GPUs

Jan es un programa de código abierto orientado a quienes quieren centralizar modelos locales y servicios en la nube. Puede trabajar con Llama, Gemma, Mistral y otras familias, mientras que al mismo tiempo te deja conectar a APIs externas como OpenAI o Anthropic si lo necesitas.

Una de sus grandes bazas es que tiene un sistema de extensiones para personalizar y ampliar funcionalidades. Además, cuenta con versiones para Windows, macOS y Linux, y soporta distintas tecnologías de GPU: NVIDIA (CUDA), AMD (Vulkan) e Intel Arc. Todo ello con una interfaz ligera y muy cuidada.

llama.cpp: la base técnica para modelos LLaMa y derivados

llama.cpp es más bajo nivel, pero es la piedra angular de muchos proyectos de IA local. Es una implementación en C/C++ pensada para ejecutar modelos basados en LLaMa de Meta, aprovechando tanto CPU como GPU.

No es la opción más amigable para principiantes, pero su eficiencia y la enorme comunidad que la rodea han hecho que muchas otras herramientas (como Llamafile o algunos frontends gráficos) se construyan encima de ella. Si te interesa trastear a fondo con los detalles técnicos, es prácticamente una referencia obligada.

NextChat y Llamafile: controlar tus datos y empaquetar modelos

NextChat es una aplicación web y de escritorio que recrea la experiencia de ChatGPT bajo tu propio control. Se conecta directamente a servicios externos (Google, OpenAI, Claude y otros), pero almacena la información localmente en tu navegador o equipo.

Incluye un sistema de “Máscaras”, parecido a los GPT personalizados, que permite definir asistentes con contextos y configuraciones específicas. Funciona en Windows, macOS y GNU/Linux, ofreciendo una capa extra de personalización sobre las APIs comerciales.

Por su parte, Llamafile es un proyecto impulsado por Mozilla Builders que convierte modelos de IA en archivos ejecutables únicos. Combina llama.cpp con Cosmopolitan Libc para poder tener binarios portables capaces de correr en Windows, Linux, macOS y BSD, sin instalaciones complejas.

Ir un paso más allá: clúster de IA casero, imágenes avanzadas y aplicaciones extra

Si con un solo PC se te queda corto, o quieres experimentar con modelos visuales potentes, también puedes ampliar tu laboratorio de IA local con proyectos más avanzados, como EXO, HART o Alpaca.

EXO: crear un clúster de IA con varios dispositivos de casa

EXO, de Exo Labs, es un software de código abierto que permite montar un clúster de inteligencia artificial doméstico usando dispositivos corrientes (PC, Mac, tablets, Raspberry Pi, etc.) conectados a la misma red. La idea es sumar sus recursos de cómputo y VRAM mediante conexión P2P.

En Linux, el proceso típico sería:

git clone https://github.com/exo-explore/exo.git
cd exo
pip install -e .

Después, en cada dispositivo de la red, ejecutas:

exo

El sistema detecta automáticamente los dispositivos conectados y reparte la carga. Desde el navegador, puedes acceder a una interfaz tipo ChatGPT visitando http://localhost:52415, elegir el modelo que quieras y empezar a interactuar con él aprovechando la suma de recursos de todos los equipos.

HART: generación de imágenes eficientes con IA

Si quieres que tu laboratorio de IA no se limite al texto y también genere imágenes de alta calidad, el proyecto HART (Efficient Visual Generation with Hybrid Autoregressive Transformer) es una opción muy interesante.

HART utiliza un tokenizador híbrido para representar las imágenes, lo que le permite generar contenido en alta resolución (1024×1024) con una buena relación entre calidad, velocidad y consumo de recursos. Está pensado para ser eficiente, sin renunciar a resultados comparables a modelos de difusión más pesados.

Su instalación implica algo más de trabajo técnico. A grandes rasgos, los pasos en Linux serían:

• Clonar el repositorio y crear un entorno conconda (por ejemplo, con Python 3.10).
• Instalar CUDA si tienes tarjeta NVIDIA para acelerar la generación en GPU.
• Instalar HART en modo editable y compilar los kernels.
• Descargar los modelos necesarios desde Hugging Face (por ejemplo, Qwen2-VL-1.5B-Instruct y hart-0.7b-1024px).

Una vez configurado, puedes lanzar una interfaz gráfica con HART con un comando del estilo:

python app.py --model_path /ruta/al/modelo --text_model_path /ruta/a/Qwen2

O generar imágenes directamente desde la terminal:

python sample.py --model_path /ruta/al/modelo \
--text_model_path /ruta/a/Qwen2 \
--prompt "DESCRIPCIÓN DE LA IMAGEN" \
--sample_folder_dir /ruta/para/guardar/imagenes \
--shield_model_path /ruta/a/ShieldGemma2B

Por ejemplo, podrías pedir algo como “A little cat and dog playing in a sunny park with colorful flowers and a bright sky” y guardar el resultado en una carpeta de salida, teniendo control total sobre el proceso y los recursos usados.

Alpaca: una app gráfica sencilla sobre Ollama

Otra forma muy práctica de ejecutar LLMs en local es usar Alpaca, una aplicación de código abierto que se apoya en Ollama para gestionar los modelos. Su objetivo es ofrecer una experiencia de chat privada y sencilla en dispositivos Linux.

Entre sus funciones más destacadas están:

• Interactuar con varios modelos de IA en una misma conversación.
• Gestionar la descarga y eliminación de modelos desde la propia app.
• Reconocer imágenes (si el modelo lo soporta).
• Procesar documentos de texto plano y PDFs.
• Importar y exportar chats.
• Integrar transcripciones de YouTube y contenido web en las conversaciones.

Se puede instalar fácilmente desde Flathub con:

flatpak install flathub com.jeffser.Alpaca

Y después lanzarla con:

flatpak run com.jeffser.Alpaca

Todo el procesamiento se realiza en tu propio dispositivo, sin depender de servicios en la nube, lo que refuerza la privacidad.

Más allá del PC: laboratorios virtuales y aplicaciones científicas

El concepto de “laboratorio de inteligencia artificial” no se limita al uso personal en un ordenador. También están emergiendo laboratorios virtuales basados en múltiples agentes de IA que trabajan de forma colaborativa para investigar y descubrir nuevos conocimientos científicos.

Un ejemplo reciente es el trabajo de un equipo de la Universidad de Stanford, que ha desarrollado un laboratorio virtual de IA capaz de coordinar diversos modelos especializados (en inmunología, biología computacional, aprendizaje automático, etc.) bajo la supervisión de un “investigador principal” virtual.

Este sistema ha demostrado su potencial al diseñar 92 nanoanticuerpos contra el SARS-CoV-2, con más del 90% efectivos frente a la variante original y algunos con capacidad para atacar variantes posteriores. En comparación con la investigación clásica en laboratorios físicos, estos enfoques virtuales permiten acelerar de forma brutal los ciclos de prueba y error.

Además, estos laboratorios incluyen un “crítico científico” basado en IA que revisa y corrige resultados para reducir errores y aumentar la fiabilidad. Aun así, los estudios remarcan que el papel de los científicos humanos sigue siendo indispensable para supervisar, validar y contextualizar los hallazgos.

La misma filosofía podría trasladarse a otros campos: diseño de nuevos materiales, modelización del cambio climático, desarrollo de tecnologías energéticas… El potencial transformador es enorme, pero también aparecen retos serios en términos de transparencia, ética, accesibilidad e inversión en infraestructuras.

En paralelo, muchos laboratorios de empresa y centros de investigación privada exploran continuamente estas técnicas, combinando arquitecturas multiagente, IA generativa, aprendizaje profundo e IA evolutiva para construir sistemas sofisticados de toma de decisiones que impulsen el progreso económico y social.

Visto todo lo anterior, queda claro que la inteligencia artificial ya no es exclusiva de gigantes tecnológicos ni de superordenadores remotos. Con las herramientas adecuadas, puedes montar en tu PC un pequeño laboratorio personal capaz de ejecutar modelos de texto y de imagen, trabajar con tus propios documentos, crear agentes especializados y hasta sumar la potencia de varios dispositivos en casa. La clave está en elegir bien las aplicaciones (LM Studio, Ollama, AnythingLLM, GPT4All, Jan, llama.cpp, NextChat, Llamafile, EXO, HART, Alpaca…), entender las limitaciones de tu hardware y, sobre todo, experimentar sin miedo para encontrar la combinación que mejor encaje con lo que quieres hacer.