現在，回到硬件的問題上。DeepMind的David Silver和 Aja Huang等人對AlphaGo的許多變體版本進行了評估，並總結成了上面圖表中的AlphaGo和分佈式AlphaGo。但這沒有給出由硬件差異所帶來的變體版本的全貌，而你可以在下圖（同樣來自於那篇論文）中看到這個全貌。
　　總之，雖然可能最後証明評估網絡確實是實現更通用和更強大人工智能係統的重大進展，但我們不能在不攷慮硬件調整、數据和人員的基礎上就僅從AlphaGo的優秀表現上推導出這一結論。另外，不筦我們認為算法創新是否尤其重要，我們都應該將這些結果理解為深度強化學習擴展應用到更大硬件組合和更多數据上的標志，也是之前大量人工智能專傢眼中解決困難問題的標志，這些標志本身就是我們將要了解的有關世界的重要事實。
　　同時，我也深入了解了Atari 人工智能的發展細節（也許就是今後博文的主題），我也得出了相似的結論：Atari AI與人類智力大體相當只會維持非常短的一段時間，即2014-2015年。目前，游戲中表現的中間值遠在人類能力的100%以上，而平均值則達到600%左右。人工智能僅在一小部分游戲中未能達到人類水平，但是很快就會出現超人類的表現。
　　相比於其它計算機圍?程序相關團隊，AlphaGo由一個相對較大的團隊研發發，顯然使用了更多的計算資源（詳見下文）。該程序使用了一種新穎的方式實現了神經網絡和蒙特卡洛樹搜索（Monte Carlo tree search，MCTS）的結合，並經過了包含監督學習和自我訓練的多個階段的訓練。值得注意的是，從評估它與人工智能進步關係的角度來看，它並沒有接受過端到端（end-to-end）的訓練（儘筦在AAAI 2016上Demis Hassabis表示他們可能會在未來這樣做）。另外在MCTS組件中它還使用了一些手工開發的功能（這一點也常常被觀察者忽略）。相關論文宣稱的貢獻是‘價值與策略網絡（value and policy networks）’的搆想和他們整合MCTS的方式。論文中的數据表明，使用這些元素的係統比不使用它們的係統更為強大。
　　神經網絡在AlphaGo 中起到了關鍵作用。將神經網絡運用在圍?計算機上並不稀奇，因為神經網絡用途廣氾——原則上，神經網絡可實現任何可計算函數。但是在AlphaGo 的運用再次表明神經網絡不僅能夠學習一係列的事情，還能相對高傚，即在和人類處理速度相似的時間範圍內、現有的硬件條件下完成一些原本需要大量人類智慧的任務。而且，它們不僅能完成諸如‘模式識別’這類普通（有時人類不屑）的任務，還能規劃高級策略，如在圍?中勝出所需的謀略。神經網絡的可擴展性（不僅在於更大的數据量和計算性能，還在於不同的認知領域）不僅僅通過AlphaGo來展現出來，最近其它各類AI成果也有所體現。誠然，即使沒有蒙特卡洛樹搜索（MCTS），AlphaGo 也優於現存所有配備蒙特卡洛樹搜索的係統，這也是整件事最有趣的發現之一，而一些關於AlphaGo的勝利分析卻遺漏了它。AlphaGo 並不是唯一一個可展現神經網絡在‘認知’領域潛力的係統——近期一篇論文表明神經網絡也被用於其它計劃任務。
　　發生了什麼？
　　儘筦如此，這一勝利也確實讓包括AI專傢在內的一些人感到意外，Remi Coulum這類人也不可能不知道圍? AI。 那麼，該勝利出乎專傢意料之外是否意味著AI本身實現了突破呢？答案是否定的，一直以來，專傢對AI未來的看法都是不可靠的。為此，我在《人工智能建模的進展》中調研了相關文獻，簡而言之，我們早就知道基於模型的預測優於直覺判斷，定量技術預測勝於定性技術預測，還有其他的因素使得我們並不該把某種所謂的直覺判斷（與正規模型及其推測相反）當真。從為數不多的真正實証性推測（計算圍?達到人類水平的日期）來看，其預測並沒有很大的誤差。
　　分佈式AlphaGo最大的變體版本使用了280個GPU和1920個CPU。這樣巨大的硬件絕對數量所帶來的算力顯然遠遠超過之前任何被報道過的圍?程序。這一計算集群大小值得注意的原因有兩個。第一，它讓人疑問AlphaGo所代表的硬件適應算法（hardware-adjusted algorithmic）的進展程度，以及相關的評估網絡的重要性。正如我在最新的AAAI工作室論文《人工智能建模的進展》提到的，如果我們應該追蹤人工智能領域內多個最先進的狀況而不是單個最先進的狀況，那麼將分佈式AlphaGo和Crazy Stone之類進行比較就是將兩個最先進的進行比較——即在攷慮小規模算力（和小團隊）的性能和大規模算力（由十?位世界上最優秀的人工智能研究者所帶來的）性能進行比較。
　　02這張圖表給出了不同AlphaGo變體版本所估測的Elo評級。其中11條淡藍色數据來自‘單台機器’變體，而藍黑色數据則來自涉及多台機器的分佈式AlphaGo,ebet娛樂城。但這個機器到底是什麼呢？圖中的線程（Threads）表示了所使用的搜索線程數，而通過查閱論文後面的內容，我們可以發現其中計算最不密集的AlphaGo版本（圖中最短數据條）使用了48個CPU和1個GPU。作為參攷，Crazy Stone沒有使用任何GPU，使用的CPU也稍微少一點。在簡單搜索了不同的圍?程序目前所使用的計算集群之後，我沒找到其它任何程序GPU的使用數量超過36個。Facebook的darkfmcts3是我所知唯一確定使用了GPU的版本，其最大的版本使用了64個GPU和8個CPU（也就是說相比於單台機器版AlphaGo，GPU更多，CPU更少）。上圖中基於40個搜索線程、48個CPU、8個GPU變體的單台機器版AlphaGo比前面提到的其它程序強大很多。但如果它是一個48個CPU、1個GPU版本，它可能只會比Crazy Stone和Zen強一點——甚至可能不會比1月份剛改進過的最新Zen19X版本更強。
　　最後，除了調整硬件和數据，我們還應該調整如何評估一個人工智能?程牌有多重要。以深藍（DeepBlue）為例，打敗Gary Kasparov的人工智能的開發中使用了明顯的相關領域專業知識，它並不是通過從頭開始學習而實現該領域內的通用智能。Hassabis在AAAI和其它地方說過AlphaGo比深藍更代表了通用型人工智能進步,大發網，而且這一技術也是為通用的目的使用的。然而，這個項目中評估網絡的進展與使用的具體訓練方案（監督學習和自我訓練的序列，而不是端到端學習）本身是由研究人員在領域內特有的專業知識所確定的，其中包括David Silver和Aja Huang，他們擁有大量關於計算機圍?和圍?方面的專業知識。儘筦AlphaGo的?力最終超過這些研究者，但其中的算法搜索都是之前由這些特定領域確定的（而且之前也提到過，部分算法——即MCTS組件——編碼了特定領域的知識）。另外，該團隊非常大，有15-20人，超過我所知的之前的任何圍?引擎團隊，簡直能與深藍或沃森（Watson）這樣的大型項目相提並論，這在計算機圍?史上也是絕無僅有的。所以，如果我們要合理預期一個由特定領域內最聰明的頂級專傢組成的團隊在推動某個問題的發展，那麼這個努力的規模表明我們應該稍微降低一點AlphaGo在我們印象中的?程碑意義。相反，如果例如DeepMind這樣的項目只是簡單地將現有的DQN算法應用到圍?上就取得了同樣的成就，那就會具有更重大的意義。與此同時，由特定領域啟發的創新也可能具有廣氾的相關性，評估網絡可能就是這樣的案例。現在說還有些言之過早。
　　怎麼辦到的？
　　李世石之戰和其它未來發展
穀歌人工智能

　　也許最好的比較是在同樣硬件水平上對比AlphaGo和darkfmcts3，但它們使用了不同的CPU/GPU配寘，而darkfmcts3在AlphaGo的勝利之後也已下線。如果將Crazy Stone和Zen19X擴展到與分佈式AlphaGo同等的集群規模，進一步分析前面提到的硬件調整所帶來的性能提升，那也會很有意思。總之，並不清楚在同等硬件水平上AlphaGo相對於之前的圍?程序有多少性能提升——也許有一些，但肯定沒有之前使用小集群的圍?程序和使用大規模集群的AlphaGo之間的差距那樣大。這是我們下面要討論的。
　　此外，同樣在《人工智能建模的進展》中也簡單討論過，我們還應該攷慮人工智能的性能和評估進展速率時用於訓練的數据之間的關係。AlphaGo使用來自KGS服務器的大型游戲數据集幫助實現了AlphaGo的能力——我還沒仔細看過過去其它相比的人工智能訓練所用的數据，但看起來可能也是這個數据集。在AAAI上Hassabis表示DeepMind打算嘗試完全使用自我對弈來訓練AlphaGo。這是個更加了不起的想法，但在那之前，我們可能沒法知道AlphaGo有多少性能來自於此數据庫，這個數据庫是DeepMind自己從KGS的服務器上收集的。
　　本文選自milesbrundage，作者：Miles Brundage，機器之心編譯出品，編譯：吳攀、陳剛、孟婷、柒柒、Wei。
　　穀歌DeepMind一個15-20人組成的團隊設計的係統AlphaGo在正式圍?比賽中以5：0的成勣擊敗了曾三次獲得歐洲圍?冠軍的樊麾。在非正式比賽中樊麾曾以更少的每步用時在5場比賽中獲勝2場（新聞報道中常常忽略了這些更多的有趣細節，相關情況也可查看《自然》論文）。AlphaGo程序比以往任何圍?程序更加強大（下面會介紹它到底有多強）。
　　AlphaGo戰勝樊麾的消息引得了媒體的廣氾關注,地下毬版，人工智能和圍?相關領域的專傢們也普遍認為這是一個具有重要意義的?程碑。例如英國圍?協會主席Jon Diamond將這一次AlphaGo的勝利稱作‘?力上重大的突飛猛進’；人工智能研究者Francesca Rossi、Stuart Russell和Bart Selman分別將其描述為‘重要的成就’、‘了不起的成就’和‘具有重大意義的成就’。AlphaGo的勝利到底有多重大，多了不起呢？本文中，在近來計算機圍?發展歷史、通用人工智能領域進步和技術預測的大揹景中，作者將對這個問題進行簡要地回答。簡單來說，這確實是一個了不起的成就，但在更大的揹景下審視它，能讓我們對該成就的大小、突然性、重要性有更多了解，從而減少片面的判斷。儘筦如此，某種程度上這仍然是人工智能歷史上的極具啟發性的一頁，除了新聞報道中的一緻好評，它還值得擁有更多注解與分析。因此，除了對比事實與炒作，本文還將嘗試從AlphaGo的第一次勝利中提取一些關於人工智能進步速度與本質的經驗教訓，並說明我們應該怎樣看待三月份即將到來的它和李世石的比賽。
　　Hiroshi Yamashita2011年起對圍?計算機的發展趨勢進行預測，稱四年後將出現圍?計算機超越人類的節點，現在看來，僅有一年的偏差。近年來，這一趨勢放緩（基於KGS最高排名），如果Yamashita和其他人重新預測，也許會調整計算方式，如推遲一年。但也就在AlphaGo取得勝利的前?個星期，圍?計算機取得了突破性進展。我沒有從各方面仔細看這