【中关村在线原创】前不久在浙江，围棋目前ELO等级分第一、多次世界冠军柯洁与Deepmind的人工智能围棋程序AlphaGo的三番棋落下了帷幕。第三盘上我们看到了柯洁的泪水。第二次人机大战让全人类见识到了今天的AI在卓越算法和深度神经网络的双重合力之下，如何征服了人类几千年来积累的围棋的理解与经验。最遗憾的是，DeepMind宣布AlphaGo收山了，世间只留下一段传奇。
中国棋院授予AlphaGo第43个正式九段证书
AlphaGo的计算力与配置
这次人机大战，第二天的AI论坛爆料很多，可惜后面记者的提问都没有问Deepmind AlphaGo的首席David Silver更多关于AlphaGo的技术细节。但就已知的来说，李世石版本的需要1300多个处理器加上280个GPU，这个版本改进了，所以只要4个TPU就可以，所以后来公布的棋谱，应该是部署了很多对AlphaGo一起下的，这样可以几天就收集到数以百计的狗的慢棋棋谱。
TPU2代的配置可以看出TPU：CPU大约就是2:1的比例
AlphaGo的硬件架构大幅度的缩减但是棋力却大幅度提升，作为科技领域的记者，我在想的问题是，抛开软件是算法，到底需要多少计算能力就能达到Master的棋力？神经网络拼的是“神经元”节点的数量，并非CPU有多快，一般来说就是TPU：CPU=2:1。也就是说配合一个双处理器的至强E5 2699插满内存，加上4个TPU二代（满打满算，实际用的一代）就可以实现碾压所有人类的棋力。
能买到的最强机器学习加速卡：nVidia的TESLA P100
再换算一下，因为我们买不到TPU，那是谷歌内部使用的。在性能测试上，TPU2的计算能力是45TFLOPS，四个就是180T，而NV刚刚公布的新DGX-1是8个Tesla P100，有170T的能力，大体上二者相当。也就是日本的DeepZenGo的配置，双至强2699V4+4 GTX1080其实也差不多够了，只是“地震狗”的算法比真狗差太多。
TPU在AI领域被寄予了无限的希望
换言之，实际上的AlphaGo是一代TPU4个，因此可能只要4个Tesla P100可能就已经具备了相对应的计算力。Google自己搞TPU除了为自己的TensorFlow优化，还有避免花太多钱买GPU的意思，而定制的TPU还可以让学习的效率更高。
本文属于原创文章，如若转载，请注明来源：一剑西来天外飞仙：AlphaGo与围棋变革//oa.zol.com.cn/642/6422051.html
推荐经销商