La infraestructura de computación científica se ha convertido en un pilar fundamental en las estrategias de IA, facilitando su adopción. Con el auge del aprendizaje profundo para resolver disímiles problemas complejos, donde se destacan modelos como LLM en el campo de la IA generativa, los recursos computacionales comienzan a escasear debido a la alta demanda de supercomputación. En ocasiones, las instituciones no pueden permitirse la inversión inicial en infraestructura de hardware muy costosa, como tarjetas GPU para computación paralela o una red de alta velocidad con InfiniBand. Como solución a corto plazo, se pueden usar fácilmente servicios de HPC directamente desde la nube, con acceso a recursos computacionales prácticamente ilimitados. Todos ofrecen servicios de hardware dedicado que reducen la sobrecarga de virtualización, como AWS Nitro System, Azure Cray, etc. Sin embargo, hay que pagar regularmente, y no siempre es posible almacenar los datasets en una nube pública por motivos de privacidad o seguridad. Implementar computación de alto rendimiento en las propias instalaciones no es tarea fácil. Un personal de HPC cualificado debe estar actualizado con las últimas técnicas de computación paralela y distribuida para IA. La memoria compartida suele usar OpenMP, es fácil de usar y tiene baja sobrecarga, pero escala en un solo nodo y presenta problemas de data race y contención de memoria. En cambio, la computación distribuida con MPI puede escalar a varios nodos, pero es más difícil de implementar y presenta problemas de sincronización y sobrecarga de comunicación. Este artículo presenta una comparación entre la computación paralela y distribuida en GPU y CPU mediante el entrenamiento de modelos de aprendizaje profundo para el reconocimiento de imágenes con infraestructura de hardware local, lo que demuestra la viabilidad de usar computación híbrida en CPU.