¿Te gustaría explorar inteligencia artificial, pero piensas que necesitas una supercomputadora? ¡No es así!

Aquí aprenderás, mediante ejemplos prácticos y sin rodeos, cómo instalar un Linux ligero, preparar tu entorno y ejecutar modelos de lenguaje grande (LLM) como un profesional desde tu propia PC.

¿Qué es un LLM y por qué probarlo en tu PC?

Un modelo de lenguaje grande (LLM) es un sistema de IA entrenado con millones de textos, capaz de comprender, resumir y generar información en lenguaje natural. ¿Qué usos reales puedes darle? Traducir textos, responder preguntas técnicas o escolares, generar documentos, probar chatbots, analizar datos ¡y mucho más!, todo sin depender de servicios en la nube o pagar suscripciones.

Para comenzar

1. Verifica que tu computadora sea apta para IA ligera

• RAM: Lo recomendable es 8GB, aunque puedes probar modelos pequeños con 4GB.
• Procesador: Requiere soporte AVX (compruébalo en terminal con lscpu | grep avx).
• Almacenamiento: Ten al menos 8 GB libres; mejor 20GB si descargas varios modelos.
• No apto: Netbooks antiguos o equipos con menos de 3GB/CPU pre-2012 (en ese caso, usa Google Colab con cuadernos gratis en la nube).

2. Elige y descarga tu distribución Linux ligera

¿No tienes experiencia? Estas opciones tienen instaladores gráficos y comunidades activas:

Consejo: Si nunca probaste Linux, Lubuntu o Linux Lite suelen ser los más familiares y fáciles de instalar.

3. Instalación básica y consejos prácticos

1. Respáldalo todo: Guarda tus archivos esenciales en USB antes de instalar nada.
2. Descarga el ISO y usa Rufus para crear un USB booteable (en Windows) o BalenaEtcher (Windows/Mac/Linux).
3. Arranca desde el USB (presionando F12, ESC o Del al encender el PC) y selecciona “Probar sin instalar” para comprobar tu hardware.
4. No tienes WiFi o sonido? Prueba poner cable de red y revisa el “Gestor de controladores” tras instalar.
5. Instala junto a Windows si quieres dual-boot.

4. Primeros pasos tras instalar Linux

1. Abre la terminal e instala actualizaciones:

   sudo apt update && sudo apt upgrade

2. Instala Python, pip y herramientas:

   sudo apt install python3 python3-pip htop git build-essential

3. Instala JupyterLab y librerías de IA:

   pip3 install jupyterlab numpy pandas scikit-learn matplotlib

4. Confirma que todo funciona:

   python3 -c "import numpy; print(numpy.__version__)"

5. Ejemplos prácticos: ¿Qué puedes hacer con modelos LLM en tu PC?

Con una PC modesta puedes ejecutar modelos ligeros, ideales para tareas escolares, consulta técnica, redactar correos, traducir, generar ideas de negocio y más. Aquí tienes tres ejemplos de uso ampliados:

Ejemplo 1: Chatbot local para responder tareas

1. Instala Ollama (descarga el .deb desde aquí y sigue el asistente).
2. En terminal ejecuta:

   ollama run llama2

   Esto inicia Llama 2 local. Espera que descargue el modelo y luego prueba preguntas:

   
   ¿Cuáles son las principales causas de la Revolución Mexicana?
   ¿Cómo puedo explicar la fotosíntesis a niños de primaria?
   

   Responde en español, no necesitas internet (salvo para la descarga inicial).

Ejemplo 2: Resumir un texto extenso sin copiar a servicios externos

1. Descarga un modelo en español para Ollama (ejemplo: OpenHermes)

   ollama pull openhermes

2. Ejecuta:

   ollama run openhermes

3. Pega un fragmento de texto y pide un resumen:

   Resume este texto: [aquí tu texto de revista o noticia]

Ejemplo 3: Generar código o soluciones de Python en segundos

1. Con Llama2 o Mistral en Ollama, ejecuta preguntas técnicas:

   
   ¿Cómo escribo en Python una función que verifique si un número es primo?
   

   Responde con el código listo para copiar.

Más usos:

• Crear resúmenes para tareas en Word.
• Generar ejercicios de matemáticas o historia para practicar.
• Probar argumentos para ensayos o cartas formales.
• Crear simuladores de entrevistas o contestar preguntas para exámenes.

6. Instalación y ejemplo práctico usando llama.cpp

Para usuarios con ganas de profundizar o que desean experimentar con más control y variedad de modelos.

1. Instala herramientas:

   sudo apt install build-essential git

2. Descarga llama.cpp:

   git clone https://github.com/ggerganov/llama.cpp.git
   cd llama.cpp
   make

3. Descarga un modelo quantizado Q4 (elige español si lo deseas) y ubícalo en la carpeta del paso anterior.
4. Inicia una conversación:

   ./main -m llama-2-7b-q4_0.gguf -p "Hazme una lista de cinco consejos para aprender a programar si tengo pocos recursos."

¿Tienes problemas?

• ¿“Illegal instruction”? Tu CPU no soporta AVX — busca modelos aún más pequeños o usa Google Colab.
• ¿Error “No such file or directory”? El nombre del archivo modelo no coincide; revisa la ruta y el nombre exacto.

7. ¿No puedes ejecutar modelos localmente? ¡No te quedes fuera!

Si tu equipo tiene muy poca memoria o CPU antigua, también puedes experimentar con IA usando Google Colab (enlace), que te permite correr Python y ejecutar modelos en la nube gratis.

Ejemplo simple para Colab:

!pip install transformers
from transformers import pipeline
qa = pipeline("question-answering", model="distilbert-base-cased-distilled-squad")
qa({'question': '¿Qué es Python?', 'context': 'Python es un lenguaje de programación.'})

8. Seguridad, buenas prácticas y solución de problemas comunes

• Instala modelos solo de repositorios oficiales, como Huggingface u Ollama.
• Evita comandos desconocidos en foros; copia solo de sitios de confianza o documentaciones oficiales.
• Para preguntas técnicas, toma un pantallazo del error y consúltalo en Stack Overflow en español o Discord Linux Hispano América (adjunta el mensaje exacto).
• Haz backups periódicos: guarda tus notebooks, scripts y experimentos en un USB o la nube.

Glosario breve para que nada te sorprenda

• LLM: “Large Language Model”, modelo de IA capaz de leer y escribir textos similares a los humanos.
• Quantizado: Versión “reducida” del modelo para consumir menos RAM/CPU.
• Prompt: Texto o pregunta que le haces al modelo de IA.
• AVX: Instrucciones modernas de CPUs, necesarias para modelos actuales.
• Notebook: Cuaderno interactivo, como Jupyter, para escribir y ejecutar código.

Recursos útiles para seguir aprendiendo

• Curso de Machine Learning en Platzi (en español).
• Youtube: Fazt Tech para Linux, Python y ciencia de datos.
• Guía oficial de HuggingFace Transformers (muy útil para Colab o laboratorio en casa).
• Tutorial simple de Jupyter Notebook.

¿Y ahora qué?

• ¿Lograste abrir un modelo LLM local? Prueba escribirle tu propia pregunta de interés académico o para tu emprendimiento.
• ¿Tu PC es muy limitada? Haz pruebas gratis en Colab y comparte tus logros con amigos.