作者 | 阿司匹林
出品 | 人工智能头条（公众号ID：AI_Thinker）
2015 年 11 月，Facebook 发表论文“Better Computer Go Player with Neural Network and Long-term Prediction”，提出了一种将蒙特卡洛树搜索和深度强化学习结合的方法。随后，基于这种方法的围棋 AI——DarkForest，在 2016 年 1 月举行的 KGS 锦标赛上获得了第三名。
不过，Google 随后就放了一个大招。
2016 年 3 月，AlphaGo 一战封神。AlphaGo Zero、Alpha Zero......Google 通过收购 DeepMind，奠定了其在围棋 AI 领域的霸主地位。
目前很多国内的围棋 AI 都是借鉴了 DeepMind 的成果，比如微信翻译团队最新推出的 PhoenixGo 就是基于 AlphaGo Zero 论文的实现。
为了推广自己的 game research 框架——ELF，Facebook 也放下了身段，在 ELF 上对DeepMind 的 AlphaGoZero 及 AlphaZero 的算法进行了重现，取名为 ELF OpenGo，并在近日宣布开源。（代码地址：https://facebook.ai/elf）
在《何恺明等在图像识别任务上取得重大进展，这次用的是弱监督学习》这篇文章里，笔者已经提到，为了在图像识别任务上有所进展，Facebook 使用了数十亿张图片以及 336 块 GPU，有读者留言说，“有钱真是可以为所欲为”。
不过，ELF OpenGo 这次使用了 2000 块 GPU，一共训练了两到三周的时间。感谢 Facebook，让我们知道什么才是真的壕。
那这个 2000 块 GPU 训练出来的围棋 AI 到底有多厉害呢？
ELF OpenGo 的主要贡献者安详的河马给出了答案：
我们最近改进了 ELF 框架，并且在上面实现了 DeepMind 的 AlphaGoZero 及 AlphaZero 的算法。用两千块 GPU 训练约两到三周后得到的围棋AI，基本上超过了强职业的水平。我们和韩国棋院合作进行了一次测试，给这个 AI 单卡每步 50 秒搜索时间（每步搜索 8 万个局面），给人类棋手任意长时间思考，结果 AI 以 14 比 0 完胜。参与测试的棋手包括金志锡，申真谞，朴永训及笑点低的发箍。
另外我们也和现在著名的 LeelaZero 比较了下。我们采用了 LeelaZero 除 ponder 外的缺省配置，及 4 月 25 日的公开权重(192x15, 158603eb)，结果我们的 AI 以 200 比 0 获胜。（编者注：目前 Facebook 官方博客上已经更正为 198：2）
嗯，确实很厉害。不过，笔者闻到的都是 money 的味道。
如果你只有一块 GPU（而且也不便宜），要想训练出一个 ELF OpenGo 得花多少时间？差不多 77 年。2015 年，中国人口平均预期寿命为 76.34 岁，真的是一生的时间。
当然，就算你有 2000 块 GPU 可以调用，但是电费也是一笔不小的开支。一位网友估算，训练一个 ELF OpenGo 要消耗 148 MWh 的电量，可以为 148000 户家庭供电一小时。
实验证明：钱是个好东西。
最后，在今天这个日子里，“愿中国青年都摆脱冷气，只是向上走”，以及不再“为钱所困”。（根据世界卫生组织确定新的年龄分段，青年人的年龄上限已经提高到 50 岁）
扫描二维码，关注「人工智能头条」
回复“技术路线图”获取 AI 技术人才成长路线图
点击 | 阅读原文 | 查看更多干货内容