當AlphaGo 落下第一子開始，無論勝負，這款執(zhí)行著諸多科學家意志的人工智能產(chǎn)品的“本體”都很值得玩味。無論多么高深的科技，都由硬件打造而成，或許AlphaGo 的本體也可以被看做是一種新型棋具。

Alpha Go的思路與此前的思路有何不同？ 

在AlphaGo之前，Google也開發(fā)了利用深度學習進行簡單紅白機游戲對戰(zhàn)的人工智能技術。Linkface聯(lián)合創(chuàng)始人石建萍認為，深度學習技術驗證了這樣大數(shù)據(jù)輸入直接預測一個復雜問題是可行的，之后很多問題的解決其實都是利用了這個先驗，包括圍棋技術。AlphaGo的圍棋AI實際上是在圍棋這個特定問題上用深度學習的思路建模，并通過Google強大的計算資源不斷進行訓練。 

石建萍介紹道，在IBM“深藍”時期，人工智能實際上還是人總結規(guī)律，用算法實現(xiàn)規(guī)律，用高性能計算硬件來進行計算的時期?！吧钏{”在象棋上的算法，主要依靠強大的計算能力窮舉所有路數(shù)來選擇最佳策略，再加上對一些明顯選擇的判斷來縮小窮舉范圍。而象棋棋盤較小，可能的策略較少，所以當時的人工智能利用這種暴力的做法是可以戰(zhàn)勝人類的。但是面對圍棋這種可能的策略非常多的情況，基于類似窮舉方案的算法就無能為力了。

打造AlphaGo需要怎樣的硬件配置

早在20世紀90年代，深度學習的概念就被提出，但是由于計算硬件平臺的限制，大家沒有辦法訓練足夠深的深度學習網(wǎng)絡。這個驚為天人的想法也因此被雪藏了10多年。目前被頂級公司和研究界使用的硬件平臺大致分為三類，單機單卡或多卡GPU、GPU集群、CPU集群。使用FPGA加速深度學習也是目前業(yè)界和研究界的熱門方向。

硬件配置和具體的任務有關。例如，CPU集群適合解決稀疏鏈接的顯存無法容納的大模型。如果有問題需要這樣的網(wǎng)絡，就會對對應的硬件平臺有所需求。目前計算機視覺和機器學習的大部分應用都可以用單機多卡GPU來得到業(yè)界頂尖的成績。

計算機視覺界四大天王之一Yann Lecun在去年5月的采訪中提及“盡管普遍猜測Google擁有GPU的數(shù)量在8000個左右，但事實上遠遠不止，而且隨著圖片、視頻數(shù)據(jù)集的不斷增長，GPU的規(guī)模還在擴大。”

硬件技術的進步是人工智能算法研發(fā)得以推進的基礎。SenseTime 異構并行計算總監(jiān)劉文志表示，圍棋之類運算需要使用神經(jīng)網(wǎng)絡和蒙特卡羅辦法來決定下一步的落子，這需要大量的求解和搜索解空間，GPU是神經(jīng)網(wǎng)絡的很好的加速器，而需要進行大量邏輯判斷的蒙特卡羅方法則更適合CPU。從AlphaGo和“異構神機”的相關報道來說，劉文志認為它們都使用了GPU+CPU 來搭建計算平臺。 

最近些年基于深度學習的人工智能，已經(jīng)完全摒棄了之前基于規(guī)則的方案，通過給定的輸入輸出，新的學習方案可以自動學習得到給定輸出需要經(jīng)過的運算。在大量訓練數(shù)據(jù)的指導下，性能不斷提升。AlphaGo 自我對弈的訓練量多大3000萬盤，每一盤均堪稱高手對決。諸多人類高手窮其一生都無法企及的訓練量，AlphaGo在短短幾年的時間內(nèi)就可以完成。

當然，從目前的狀況來說，限制普通人體驗到AlphaGo這類人工智能的瓶頸仍舊是硬件。資料顯示：“目前百萬級的訓練數(shù)據(jù)借助GPU一般都能在幾天內(nèi)完成訓練；實際使用時，利用GPU也可以在幾十毫秒內(nèi)完成預測”。對于普通學生來說，如果想單槍匹馬研究深度學習，單硬件配置一項就耗資不菲；對于移動端來說，無論是存儲容量還是計算能力，更是無法同臺式機或服務器的GPU比，深度學習幾乎無法在移動端的應用。對于普通人來說，想和真正的人工智能高手較量一番，仍需要等待一些時日。 

如果說圍棋愛好者過分追求棋具是舍本求末，那似乎也只有人工智能才能做到不甚關注這些“藝術品”，“全情投入”在棋局中。由人類壟斷對弈名局的日子一去不復返，流傳千年的人類智慧和情感的寄托被古井無波的程序所取代，未來無論是誰面對這位新晉的“大魔王”棋手之時，定會心存芥蒂。

附：深度學習硬件配置建議

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。