Лучшие ноутбуки для машинного обучения: почему ML-разработчик ушёл с MacBook на Linux

ML-разработчик, несколько лет проработавший на MacBook Pro с чипом M1, описал путь перехода на x86-ноутбук с Linux и объяснил, почему для задач машинного обучения (ML, machine learning, обучение моделей на данных) это оказалось единственным рабочим вариантом.

Публикация ценна не обзором характеристик, а живым разбором препятствий: от проблем Docker на macOS до невозможности использовать CUDA (технология NVIDIA для вычислений на видеокарте, без которой большинство ML-проектов не запустить) на Apple Silicon. Для тех, кто ищет лучшие ноутбуки для машинного обучения и работает в России, где доступ к облачным GPU ограничен, локальное железо становится критически важным.

Почему MacBook перестал подходить для ML?

• Docker работает через виртуализацию, а не напрямую. На macOS контейнеры Docker запускаются внутри виртуальной машины. Это добавляет накладные расходы и ограничения, которых нет на Linux, где Docker работает нативно (то есть напрямую в системе, без прослойки).

• CUDA недоступна на Apple Silicon. Чипы Apple (M1, M2 и далее) не поддерживают NVIDIA CUDA. Для большинства исследовательских ML-проектов CUDA остаётся стандартом, и без неё многие библиотеки и фреймворки просто не запускаются.

• Экосистема Apple привязывает к себе, а в России это уже проблема. Автор отмечает, что с нынешними сложностями оплаты сервисов Apple привязка к iCloud и фирменным приложениям скорее мешает, чем помогает. Предустановленные Numbers, Pages, FaceTime на практике почти никто не использует вместо Excel, Word или Zoom.

• macOS ограничивает технически увлечённых пользователей. Закрытие окна не завершает приложение, управление окнами не всегда удобно, а Apple может убрать привычные функции в новом обновлении без альтернативы.

Какое железо выбрал автор?

Автор остановился на ASUS ROG Flow Z13. Это компактный ноутбук-трансформер, который позволяет работать с NVIDIA GPU и запускать Linux. По словам автора, ключевыми критериями при выборе лучшего ноутбука для машинного обучения стали:

• Поддержка CUDA для локальных экспериментов с нейросетями.
• Компактный корпус и небольшой вес, чтобы носить между домом и офисом.
• Автономность на несколько часов без розетки.
• Качество сборки, которое позволяет пользоваться устройством несколько лет.

Автор также рассматривал ThinkPad P1, но отмечает, что с ним «что-то не так», хотя подробности в доступной части публикации не раскрыты.

Как попробовать перейти на Linux для ML-задач?

1. Проверьте, есть ли в вашем ноутбуке дискретная видеокарта NVIDIA. Без неё CUDA работать не будет, а значит, большинство ML-фреймворков (PyTorch, TensorFlow) потеряют GPU-ускорение.

2. Установите Linux рядом с основной системой. Начать можно с Ubuntu, у которой самая широкая поддержка драйверов NVIDIA. Двойная загрузка (dual boot, когда при включении выбираете, в какую систему зайти) позволяет не терять привычное окружение.

3. Поставьте NVIDIA-драйверы и CUDA Toolkit. На Ubuntu это делается через стандартный менеджер пакетов. После установки проверьте командой nvidia-smi, что видеокарта видна системе.

4. Перенесите рабочее ML-окружение. Docker на Linux работает нативно, без виртуальной машины, поэтому контейнеры с ML-проектами запустятся быстрее и без ограничений сети, которые есть на macOS.

Что с облачными GPU в России?

Для тех, кому не нужен именно локальный ноутбук, в России доступны облачные GPU-сервисы. Yandex Cloud предлагает виртуальные машины с NVIDIA GPU и поддержкой CUDA. Selectel и DataLine также предоставляют GPU-серверы. Но автор сознательно выбрал локальное железо: для экспериментов, которые не требуют кластера, собственный ноутбук с GPU дешевле и быстрее в работе, не нужно ждать выделения ресурсов и платить за простой.

Если вы используете YandexGPT или GigaChat через API (программный интерфейс, через который приложение общается с сервисом) для генерации текстов, локальный GPU вам не нужен. Но если вы дообучаете (fine-tuning, обучение модели на своих примерах под узкую задачу) собственные модели или работаете с открытыми моделями (open-source, модели с открытым кодом, которые можно скачать и запустить у себя), локальная NVIDIA GPU экономит и время, и деньги.

Что делать с этим прямо сейчас, по ролям?

Автору Дзена. Если вы генерируете тексты и изображения через облачные сервисы, ноутбук с GPU вам пока не нужен. Но если хотите запускать локальные модели для генерации контента без подписок и ограничений, присмотритесь к ноутбукам с NVIDIA RTX 4060 и выше.

ML-разработчику в России. Опыт автора напрямую применим: MacBook на Apple Silicon не подходит для CUDA-задач, а облачные GPU в России дороже, чем локальное железо, при регулярном использовании. ASUS ROG Flow Z13 и аналоги с NVIDIA GPU плюс Linux закрывают большинство задач локальных экспериментов.

Предпринимателю. Если ваша команда работает с нейросетями, проверьте, не переплачиваете ли вы за облачные GPU там, где хватило бы рабочих станций. Один ноутбук с NVIDIA RTX окупает себя за несколько месяцев активной работы по сравнению с арендой GPU в облаке.

Частые вопросы

Можно ли обучать нейросети на MacBook с чипом M1 или M2?

Можно запускать небольшие эксперименты через фреймворки, которые поддерживают Apple Metal (альтернатива CUDA от Apple). Но большинство ML-библиотек и исследовательских проектов заточены под NVIDIA CUDA. Если ваша работа завязана на CUDA, MacBook не подойдёт.

Обязательно ли ставить Linux, или можно работать на Windows?

Windows поддерживает CUDA и большинство ML-фреймворков. Но Docker на Windows тоже работает через виртуализацию (WSL2), а не нативно. Если вам важна полная совместимость с серверным окружением, Linux остаётся лучшим выбором. Для первых экспериментов Windows вполне подойдёт.

Какой минимальный объём видеопамяти нужен для локальной работы с нейросетями?

Для экспериментов с небольшими моделями (до нескольких миллиардов параметров) хватает 8 ГБ видеопамяти. Для дообучения и работы с более крупными открытыми моделями лучше иметь от 16 ГБ. Автор исходного разбора конкретные цифры видеопамяти своего ASUS ROG Flow Z13 не называет.