AI Laptop Guide
← Guías

CUDA frente a ROCm en un portátil de segunda mano: por qué recomendamos NVIDIA para la IA

Cuando buscas un portátil de segunda mano para la IA, te encontrarás con tres bandos de GPU: NVIDIA (CUDA), AMD (ROCm) e Intel (Arc / oneAPI / NPU). El marketing sugiere que son intercambiables. Para el trabajo de IA en un portátil de segunda mano no lo son. Esta guía explica por qué recomendamos NVIDIA casi sin excepción — y los casos puntuales en los que AMD o Intel están bien.

En resumen: el software de IA se construye primero para CUDA y todo lo demás después. En hardware que compras nuevo y controlas con precisión, las alternativas pueden funcionar. En el mercado de segunda mano, donde tomas el silicio disponible y usas Windows, el soporte universal de CUDA elimina toda una categoría de riesgo del tipo «¿esto siquiera arrancará?».

Qué son CUDA, ROCm y oneAPI

  • CUDA es la plataforma de cómputo GPU de NVIDIA. Se lanzó en 2007 y desde entonces es el objetivo por defecto de los frameworks de aprendizaje profundo. PyTorch, TensorFlow, llama.cpp, Ollama, ComfyUI y todo el ecosistema de Stable Diffusion dan por hecho que CUDA funciona.
  • ROCm es la pila de cómputo abierta de AMD — su equivalente de CUDA. Es capaz en las tarjetas soportadas de centros de datos y sobremesa de gama alta, pero su soporte para GPU de portátiles es limitado e irregular, sobre todo en Windows.
  • oneAPI / IPEX / OpenVINO son las pilas de cómputo e inferencia de Intel para las GPU Arc y las NPU. Mejoran rápido, pero siguen siendo más jóvenes y más estrechas que CUDA.

Por qué CUDA gana en el mercado de segunda mano

1. El software da por hecho CUDA

Abre casi cualquier tutorial de IA, imagen de Docker o archivo requirements.txt y apunta a CUDA. Instala Ollama en un portátil NVIDIA y encuentra la GPU automáticamente. PyTorch publica wheels CUDA oficiales. ComfyUI, Automatic1111 y Forge esperan todos CUDA. Con NVIDIA, el camino fácil es el camino por defecto — dedicas tu tiempo al trabajo, no a hacer visible la GPU para el framework.

2. La cobertura de ROCm en portátiles es escasa

El ROCm de AMD soporta oficialmente una lista concreta de GPU, muy inclinada hacia piezas de centros de datos y sobremesa de gama alta. La mayoría de los chips Radeon móviles no figuran en ella. A veces consigues hacer funcionar modelos mediante DirectML, ZLUDA o forks de la comunidad, pero son más lentos, se rompen con las actualizaciones y convierten una configuración de cinco minutos en una tarde de resolución de problemas. En un portátil de segunda mano no siempre puedes elegir la revisión exacta de la GPU, así que apuestas por una compatibilidad que no puedes garantizar.

3. Intel Arc y las NPU son prometedoras pero parciales

Intel Arc funciona con PyTorch mediante IPEX y ejecuta bien la inferencia mediante OpenVINO, y las NPU de los chips Core Ultra más recientes aceleran algunas funciones de IA de Windows. Pero la cobertura de herramientas es incompleta, el ajuste de rendimiento sigue en marcha y la mayoría de las guías de la comunidad aún dan por hecho CUDA. Para una máquina en la que confías hoy, eso es una fricción que no necesitas.

4. Reventa y comunidad

Como el mundo ejecuta IA en NVIDIA, la ayuda que encontrarás — respuestas en Stack Overflow, issues en GitHub, hilos de Discord — da por hecho CUDA. Cuando algo se rompe, la solución suele existir ya.

El argumento honesto a favor de AMD e Intel

Esto no es lealtad ciega a una marca. Hay casos reales en los que elegir algo distinto de NVIDIA es lo correcto:

  • Inferencia solo en CPU. Si tu plan son LLM pequeños en la CPU y herramientas basadas en API (Copilot, Cursor), la marca de la GPU es irrelevante. Un portátil AMD Ryzen con una iGPU potente como el ThinkPad T14 Gen 3 es una opción excelente, eficiente y asequible — su Radeon 660M no ejecutará CUDA, pero nunca iba a hacer IA en GPU de todos modos.
  • Funciones de Windows AI PC. Las NPU de Intel aceleran los Studio Effects, funciones tipo Recall y algunas tareas en el dispositivo. Si ese es tu caso de uso en lugar de Ollama o Stable Diffusion, Intel está bien.
  • Ya lo tienes. Si tienes un portátil con GPU AMD o Intel, prueba DirectML o IPEX antes de comprar nada — para cargas ligeras puede bastar.

La regla es sencilla: sin IA en GPU dedicada → la marca no importa; cualquier IA en GPU dedicada → NVIDIA.

Qué significa esto al comprar

Nuestras reseñas se inclinan por NVIDIA en las máquinas con dGPU precisamente por estas razones. Si quieres Stable Diffusion acelerado por GPU, ComfyUI o LLM en GPU, busca una NVIDIA RTX con suficiente VRAM para tus modelos — y recuerda que la VRAM es la especificación que decide qué se ejecuta, sea cual sea la plataforma de cómputo. Buenos puntos de partida CUDA en toda la gama:

Y si tu carga de trabajo es inferencia en CPU y llamadas a API, no compres GPU de más — un portátil AMD o Intel integrado es la opción inteligente y barata. Consulta nuestra guía de compra de portátiles de segunda mano para IA para emparejar hardware y carga de trabajo.

FAQ

¿Puedo ejecutar Stable Diffusion en un portátil AMD Radeon?

A veces, pero rara vez bien. El soporte de AMD ROCm en las GPU Radeon de portátiles es limitado e inconsistente en Windows; la mayoría de los chips Radeon móviles de consumo no están oficialmente soportados. Puedes recurrir a soluciones como DirectML o ZLUDA, pero son más lentas y fallan a menudo. Para un Stable Diffusion fiable en un portátil, una NVIDIA RTX de segunda mano con CUDA es la opción pragmática.

¿Funciona ROCm en Windows?

El soporte de ROCm en Windows ha mejorado, pero sigue siendo mucho más estrecho que CUDA, tanto en GPU soportadas como en cobertura de software. Muchas herramientas de IA dan por hecho CUDA y necesitan parches o forks no oficiales para funcionar en AMD. En el mercado de segunda mano, donde no eliges el silicio exacto, esa incertidumbre es la razón por la que recomendamos NVIDIA.

¿Y qué pasa con Intel Arc y la NPU de los portátiles más nuevos?

Las GPU Intel Arc funcionan con PyTorch mediante Intel IPEX y OpenVINO, y las NPU Intel más recientes aceleran algunas funciones de IA de Windows. Pero la cobertura es parcial y el ecosistema es joven. Para LLM locales y Stable Diffusion en una máquina de segunda mano hoy, CUDA tiene con diferencia el soporte más amplio y mejor documentado.

¿Pierdo algo al elegir NVIDIA?

Para la IA, casi nada — CUDA es el objetivo por defecto de Ollama, llama.cpp, PyTorch, ComfyUI y Stable Diffusion, así que todo simplemente funciona. La principal contrapartida es que los portátiles NVIDIA con dGPU calientan más y cuestan algo más de segunda mano que las máquinas AMD o Intel integradas. Para inferencia solo en CPU un portátil con iGPU AMD vale; para cualquier trabajo de IA en GPU, NVIDIA.

Artículos relacionados