هر برنامهنویسی این جمله را شنیده است، معمولاً زمانی که ساعت دو صبح است و با دندانهای به هم فشرده زیر لب میگوید: «روی سیستم من که کار میکرد!» وقتی یک Build در محیط محلی با موفقیت انجام میشود اما در محیط Staging از کار میافتد، ما غریزی تقصیر را گردن نسخه فریمورک، یک متغیر محیطی (environment variable) مفقود یا خودِ Docker میاندازیم. بیشتر از آنچه دوست داریم اعتراف کنیم، سیستمعامل مقصر اصلی است. مسیرهای فایل، فراخوانیهای سیستم (system calls)، مدیریت بستهها و رفتار هسته (kernel)، همگی بر نحوه اجرای کد تأثیر میگذارند. انتخاب سیستمعامل مناسب، بحث عضویت در یک گروه خاص نیست؛ بلکه بحث حذف اصطکاک بین لپتاپ شما و محیط تولید (production) است.
ویندوز: همهفنحریف
ویندوز به یک دلیل ساده همچنان انتخاب پیشفرض است: سختافزار به راحتی کار میکند. یک قطعه جانبی را وصل کنید، احتمالاً درایور آن موجود است. برای برنامهنویسانی که در اکوسیستم .NET فعالیت میکنند، Visual Studio همچنان استاندارد طلایی است. IntelliSense، ابزارهای دیباگ و ساختاردهی پروژهها (scaffolding) حس بومی بودن دارند، زیرا برای این پلتفرم ساخته شدهاند.
با معرفی Windows Subsystem for Linux 2، مایکروسافت بخش بزرگی از شکاف بین گردشکارهای ویندوز و یونیکسمحور را پر کرد. WSL2 یک هسته واقعی لینوکس را درون یک ماشین مجازی (VM) سبک اجرا میکند، به این معنی که میتوانید bash را فراخوانی کنید، از apt استفاده کنید و Ubuntu را بدون نیاز به نصب دوگانه (dual-booting) اجرا کنید. این یکپارچگی آنقدر روان است که بسیاری از برنامهنویسان فراموش میکنند که روی لینوکس بومی نیستند.
اما این انتزاع (abstraction) محدودیتهایی دارد. Docker Desktop در ویندوز برای موتور خود به یک ماشین مجازی لینوکس متکی است و ترجمه سیستم فایل بین هسته Windows NT و کانتینر لینوکس باعث ایجاد تأخیر (latency) میشود. عملیاتهای سنگین ورودی/خروجی (I/O)، مانند سوار کردن (mounting) دایرکتوریهای بزرگ node_modules یا کامپایل کردن درون یک volume، به وضوح کندتر از لینوکس روی سختافزار واقعی (bare-metal) اجرا میشوند. آپدیتهای ویندوز نیز عادت دارند که دستگاه شما را در میان انجام کار ریاستارت کنند، که وقتی درگیر یک جلسه عمیق دیباگ هستید، ایدهآل نیست.
ویندوز برای دانشجویان، گیمرها و مهندسانی که اپلیکیشنهای .NET عرضه میکنند، عالی است. اگر به دستگاهی نیاز دارید که بعد از ساعت کاری Steam و در طول روز Visual Studio را اجرا کند، این انتخاب کاربردی است.
لینوکس: استاندارد سرور
اگر محیط تولید (production) روی لینوکس است، توسعه روی لینوکس غافلگیریها را از بین میبرد. این سیستمعامل برای سرورها ساخته شده است و پیشفرضهای طراحی آن با آنچه محیطهای ابری انتظار دارند مطابقت دارد. فلسفه یونیکس مبنی بر برخورد با همه چیز به عنوان یک فایل، به این معناست که پیکربندیها، دستگاههای سختافزاری و فرآیندهای در حال اجرا، همگی در جایی از درخت سیستم فایل قرار دارند. این ثبات باعث میشود اتوماسیون ساده شود. شما میتوانید استقرار (deployment) را با bash اسکریپتنویسی کنید، سرویسها را با systemd مدیریت کنید و کانتینرها را بدون نیاز به ترجمه بین دو معماری هسته متفاوت، ارکستره کنید.
Docker بر پایه اصول اولیه (primitives) لینوکس ساخته شده است. Namespaceها و cgroups در اینجا بومی هستند، بنابراین کانتینرها سریعتر شروع میشوند و با سرعتی نزدیک به سختافزار واقعی (bare-metal) اجرا میشوند. سربار (overhead) حداقل است، مدیریت بستهها بالغ است و میتوانید سیستم را فقط به آنچه نیاز دارید محدود کنید. یک سرور لینوکس بدون رابط گرافیکی (headless) میتواند سالها بدون ریاستارت کار کند.
بهای این کار، صیقلیافتگی محیط دسکتاپ است. پشتیبانی از نرمافزارهای تجاری عقبتر است. شما اپلیکیشنهای بومی Adobe Creative Cloud را پیدا نخواهید کرد و برخی IDEهای اختصاصی یا ابزارهای همکاری نیاز به راهکارهای جایگزین دارند. راهاندازی سختافزار میتواند صبر شما را طلب کند. کارتهای Wi-Fi، آداپتورهای بلوتوث و گرافیکهای هیبرید گاهی اوقات نیاز به نصب دستی درایور یا تغییرات در ماژول هسته دارند. درایورهای NVIDIA بهبود چشمگیری یافتهاند، اما پیکربندی صحیح CUDA همچنان مستلزم خواندن مستنداتی است که فرض میکنند شما با ترمینال آشنایی دارید.
مهندسان بکاند، متخصصان DevOps و هر کسی که زیرساخت هوش مصنوعی میسازد، باید لینوکس را به عنوان گزینه پیشفرض در نظر بگیرد. وقتی محیط تولید شما Ubuntu یا RHEL را اجرا میکند، شبیهسازی آن در محیط محلی، ساعتها از زمان دیباگ کردن استقرار صرفهجویی میکند.
macOS: یونیکس صیقلخورده
macOS در جایگاهی میانی قرار دارد که برای برنامهنویسانی جذاب است که ترمینالی مانند لینوکس و یک رابط گرافیکی (GUI) مانند محصولات مصرفکننده میخواهند. در لایه زیرین، این یک سیستمعامل یونیکس تایید شده است، به این معنی که bash، zsh، make، ssh و git همگی دقیقاً همانطور که در یک سرور انتظار دارید، کار میکنند. Apple Silicon محاسبات را کاملاً تغییر داد. تراشههای سری M عملکردی در سطح دسکتاپ ارائه میدهند و در عین حال عمر باتری لپتاپ را به محدوده ۱۰ تا ۲۰ ساعت میرسانند. شما میتوانید یک پروژه را کامپایل کنید، یک استک محلی را اجرا کنید و بدون اینکه فنها با سرعت بالا بچرخند، یک تماس تصویری برقرار کنید.
برای توسعهدهندگان موبایل، macOS غیرقابل مذاکره است. Xcode و شبیهساز iOS فقط روی سختافزار اپل اجرا میشوند. این اکوسیستم همچنین تمایل دارد از گردشکارهای خلاقانه و Full-stack حمایت کند. ترکپدها و نمایشگرها عالی هستند و قابلیت اطمینان حالت Sleep/Wake به این معناست که درِ لپتاپ را باز میکنید و بلافاصله کار را ادامه میدهید.
معایب اصلی، هزینه و انعطافپذیری هستند. شما برای ارتقای حافظه و فضای ذخیرهسازی، هزینهای بسیار بیشتر از آنچه در یک PC سفارشی یا ThinkPad ناچیز است، میپردازید. تنوع سختافزاری نیز محدود است. اگر برای آموزش محلی مدل به یک GPU خاص یا برای تجهیزات آزمایشگاهی به پورتهای غیرمعمول نیاز داشته باشید، ممکن است یک Mac بدون استفاده از محفظههای خارجی و دانگلها پاسخگوی نیاز شما نباشد.
توسعهدهندگان Full-stack، مهندسان iOS و بنیانگذاران استارتاپهایی که برای قابلیت حمل ارزش قائل هستند، اغلب به این سمت متمایل میشوند. این یک انتخاب گرانقیمت است، اما انتخابی است که اصطکاکهای روزمره را به حداقل میرساند.
آیا سیستمعامل برای هوش مصنوعی اهمیت دارد؟
خودِ مدل نسبت به این موضوع بیتفاوت است. یک مدل زبانی بزرگ که از طریق Ollama، LM Studio یا vLLM اجرا میشود، چه هسته (kernel) شما توسط Microsoft، Linus Torvalds یا Apple کامپایل شده باشد، همان توکنها را تولید میکند. ابزارهای شما بسیار بیشتر از سیستمعاملتان اهمیت دارند. زمانی که در حال ساخت AI agents هستید، بر تسلط بر مدیریت وابستگیهای Python، زمانهای اجرای Node.js، استفاده از Docker برای محیطهای بازتولیدپذیر، یکپارچهسازیهای API و مدیریت حافظه برای context windows تمرکز کنید.
با این حال، سیستمهای هوش مصنوعی در محیط عملیاتی (production) عمدتاً روی Linux اجرا میشوند. درایورهای GPU دیتاسنتر NVIDIA و ابزار CUDA toolkit ابتدا برای Linux توسعه یافته و بهینه شدهاند. بار اضافی (overhead) دسکتاپ گرافیکی حذف میشود و VRAM و چرخههای CPU بیشتری برای آموزش و استنتاج (inference) باقی میماند. اگر در حال اجاره پردازش ابری هستید، تقریباً به طور قطع در حال اتصال از طریق SSH به یک instance لینوکس هستید. برای آزمایشهای محلی، یک MacBook با Apple Silicon بیصدا و کممصرف است، اما زمانی که نوبت به آموزش در