|
來源：雷鋒網 當AlphaGo 落下第一子開始，無論勝負，這款執行著諸多科學家意志的人工智能產品的“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也開發了利用深度學習進行簡單紅白機游戲對戰的人工智能技術。Linkface聯合創始人石建萍認為，深度學習技術驗證了這樣大數據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律，用算法實現規律，用高性能計算硬件來進行計算的時期。“深藍”在象棋上的算法，主要依靠強大的計算能力窮舉所有路數來選擇最佳策略，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的數量在8000個左右，但事實上遠遠不止，而且隨著圖片、視頻數據集的不斷增長，GPU的規模還在擴大。” 硬件技術的進步是人工智能算法研發得以推進的基礎。SenseTime 異構并行計算總監劉文志表示，圍棋之類運算需要使用神經網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是神經網絡的很好的加速器，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，已經完全摒棄了之前基于規則的方案，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過的運算。在大量訓練數據的指導下，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據借助GPU一般都能在幾天內完成訓練；實際使用時，利用GPU也可以在幾十毫秒內完成預測”。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。 |
