打造AlphaGo需要怎样的硬件配置？

本篇文章1581字，读完约4分钟

当阿尔法戈落在第一个孩子后面时，无论输赢，这个实现了许多科学家意愿的人工智能产品的“本体”都值得思考。不管技术有多先进，它都是由硬件制成的。或许阿尔法戈的本体也可以被视为一种新的棋类。

阿尔法·戈的想法和之前的想法有什么不同？在alphago之前，谷歌还通过深度学习为简单的红白游戏开发了人工智能技术。linkface的联合创始人石建萍认为，深度学习技术已经验证了这种大数据输入直接预测复杂问题的可行性。在那之后，许多问题通过使用这种在先技术得到了解决，包括围棋技术。事实上，alphago的go ai以深度学习的理念为Go的具体问题建模，并通过谷歌强大的计算资源不断进行培训。

石建萍介绍说，在ibm的“深蓝”时期，人工智能实际上是人们总结规律、用算法实现规律、用高性能计算硬件进行计算的时期。象棋中的“深蓝”算法主要依靠强大的计算能力来穷尽所有路径选择最佳策略，并通过对一些明显选择的判断来缩小穷举范围。然而，棋盘很小，几乎没有可能的策略，所以当时的人工智能可以用这种暴力的方法打败人类。然而，当围棋有这么多可能的策略时，基于相似穷举方案的算法就无能为力了。

早在20世纪90年代，深度学习的概念就被提出了。然而，由于计算硬件平台的限制，无法训练深度学习网络。这个惊人的想法已经在雪中隐藏了10多年。目前，顶尖公司和研究界使用的硬件平台大致分为三类:单机单卡或多卡gpu、gpu集群和cpu集群。利用fpga加速深度学习也是业界和研究领域的一个热点方向。

硬件配置与特定任务相关。例如，cpu集群适用于解决稀疏链接视频内存无法容纳的大型模型。如果有需要这样一个网络的问题，就需要相应的硬件平台。目前，计算机视觉和机器学习的大多数应用都可以使用单机多卡gpu来获得业内最佳效果。

四大计算机视觉之王之一的Yann lecun在去年5月的一次采访中提到，“虽然人们普遍猜测谷歌大约有8000个图形处理器，但实际上远远不止这些，而且随着图像和视频数据集的不断增长，图形处理器的规模仍在扩大。”

硬件技术的进步是推进人工智能算法研究和发展的基础。sensetime的异构并行计算主管刘文治说，像Go这样的操作需要使用神经网络和蒙特卡罗方法来决定下一步，这需要大量的解决方案和搜索空.的解决方案gpu是很好的神经网络加速器，而蒙特卡罗方法需要大量的逻辑判断，更适合cpu。从alphago和“异类上帝机器”的相关报道来看，刘文治认为他们都使用gpu+cpu来构建计算平台。

近年来，基于深度学习的人工智能已经完全放弃了以前基于规则的方案。在给定输入和输出的情况下，新的学习方案可以自动学习给定输出需要经历的操作。在大量训练数据的指导下，性能不断提高。阿尔法戈自我游戏的训练量是3000万套，每套都可以称为一场大师赛。许多人类大师一生都没有得到足够的训练，阿尔法戈可以在几年内完成。

当然，从目前的情况来看，限制普通人体验像alphago这样的人工智能的瓶颈仍然是硬件。数据显示:“目前，在gpu的帮助下，数百万的训练数据可以在几天内完成训练；在实际使用中，使用图形处理器可以在几十毫秒内完成预测。对于普通学生来说，如果想单独学习深度学习，单一的硬件配置将会花费大量的金钱；对于移动终端来说，其存储容量和计算能力无法与桌面或服务器的gpu相比，深度学习也很难在移动终端中得到应用。对于普通人来说，要与真正的人工智能大师竞争需要一些时间。

如果围棋爱好者过分追求象棋工具，就是放弃现在，寻求最后，似乎只有人工智能才能对这些“艺术品”不加理会，而“全身心”投入到象棋游戏中。人类垄断著名的国际象棋比赛的日子已经一去不复返了。已经流传了几千年的人类智慧和情感的寄托，已经被无波计划所取代。将来，不管谁面对新的“大魔头”棋手，他都会有不好的感觉。

附件:深度学习硬件配置建议