當(dāng)AlphaGo 落下第一子開始，無論勝負(fù)，這款執(zhí)行著諸多科學(xué)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(xué)習(xí)進(jìn)行簡(jiǎn)單紅白機(jī)游戲?qū)?zhàn)的人工智能技術(shù)。Linkface聯(lián)合創(chuàng)始人石建萍認(rèn)為，深度學(xué)習(xí)技術(shù)驗(yàn)證了這樣大數(shù)據(jù)輸入直接預(yù)測(cè)一個(gè)復(fù)雜問題是可行的，之后很多問題的解決其實(shí)都是利用了這個(gè)先驗(yàn)，包括圍棋技術(shù)。AlphaGo的圍棋AI實(shí)際上是在圍棋這個(gè)特定問題上用深度學(xué)習(xí)的思路建模，并通過Google強(qiáng)大的計(jì)算資源不斷進(jìn)行訓(xùn)練。 

石建萍介紹道，在IBM“深藍(lán)”時(shí)期，人工智能實(shí)際上還是人總結(jié)規(guī)律，用算法實(shí)現(xiàn)規(guī)律，用高性能計(jì)算硬件來進(jìn)行計(jì)算的時(shí)期?！吧钏{(lán)”在象棋上的算法，主要依靠強(qiáng)大的計(jì)算能力窮舉所有路數(shù)來選擇最佳策略，再加上對(duì)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(dāng)時(shí)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(duì)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(jì)90年代，深度學(xué)習(xí)的概念就被提出，但是由于計(jì)算硬件平臺(tái)的限制，大家沒有辦法訓(xùn)練足夠深的深度學(xué)習(xí)網(wǎng)絡(luò)。這個(gè)驚為天人的想法也因此被雪藏了10多年。目前被頂級(jí)公司和研究界使用的硬件平臺(tái)大致分為三類，單機(jī)單卡或多卡GPU、GPU集群、CPU集群。使用FPGA加速深度學(xué)習(xí)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(wù)有關(guān)。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(luò)，就會(huì)對(duì)對(duì)應(yīng)的硬件平臺(tái)有所需求。目前計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)的大部分應(yīng)用都可以用單機(jī)多卡GPU來得到業(yè)界頂尖的成績(jī)。

計(jì)算機(jī)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(cè)Google擁有GPU的數(shù)量在8000個(gè)左右，但事實(shí)上遠(yuǎn)遠(yuǎn)不止，而且隨著圖片、視頻數(shù)據(jù)集的不斷增長(zhǎng)，GPU的規(guī)模還在擴(kuò)大?！?/p>

硬件技術(shù)的進(jìn)步是人工智能算法研發(fā)得以推進(jìn)的基礎(chǔ)。SenseTime 異構(gòu)并行計(jì)算總監(jiān)劉文志表示，圍棋之類運(yùn)算需要使用神經(jīng)網(wǎng)絡(luò)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(luò)的很好的加速器，而需要進(jìn)行大量邏輯判斷的蒙特卡羅方法則更適合CPU。從AlphaGo和“異構(gòu)神機(jī)”的相關(guān)報(bào)道來說，劉文志認(rèn)為它們都使用了GPU+CPU 來搭建計(jì)算平臺(tái)。 

最近些年基于深度學(xué)習(xí)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(xué)習(xí)方案可以自動(dòng)學(xué)習(xí)得到給定輸出需要經(jīng)過的運(yùn)算。在大量訓(xùn)練數(shù)據(jù)的指導(dǎo)下，性能不斷提升。AlphaGo 自我對(duì)弈的訓(xùn)練量多大3000萬盤，每一盤均堪稱高手對(duì)決。諸多人類高手窮其一生都無法企及的訓(xùn)練量，AlphaGo在短短幾年的時(shí)間內(nèi)就可以完成。

當(dāng)然，從目前的狀況來說，限制普通人體驗(yàn)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(jí)的訓(xùn)練數(shù)據(jù)借助GPU一般都能在幾天內(nèi)完成訓(xùn)練；實(shí)際使用時(shí)，利用GPU也可以在幾十毫秒內(nèi)完成預(yù)測(cè)”。對(duì)于普通學(xué)生來說，如果想單槍匹馬研究深度學(xué)習(xí)，單硬件配置一項(xiàng)就耗資不菲；對(duì)于移動(dòng)端來說，無論是存儲(chǔ)容量還是計(jì)算能力，更是無法同臺(tái)式機(jī)或服務(wù)器的GPU比，深度學(xué)習(xí)幾乎無法在移動(dòng)端的應(yīng)用。對(duì)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(shí)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(guān)注這些“藝術(shù)品”，“全情投入”在棋局中。由人類壟斷對(duì)弈名局的日子一去不復(fù)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(shuí)面對(duì)這位新晉的“大魔王”棋手之時(shí)，定會(huì)心存芥蒂。

附：深度學(xué)習(xí)硬件配置建議

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