AlphaGo Zero
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- DeepMind
- Tipo de Organización
- Industry
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 18 October 2017
- Autores
- D Silver, J Schrittwieser, K Simonyan, I Antonoglou
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Games
- Tarea
- Go
- Enfoque
- Self-supervised learning
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 46.4M
- Datos de entrenamiento
- 6,348,800,000 tokens
Input size: 19*19*17=6137, internal dimension 19*19 1 conv block 17*3*3*256=39168 39 residual blocks 2*3*3*256*256=1179648 Policy head 256*2+2*19*19*(19*19+2)=262598 Value head 256*1+1*19*19*256+256*1=92928 Total: 39168+39*1179648+262598+92928=46400966
"Over the course of training, 29 million games of self-play were generated" Approx 200 moves per Go game on average https://homepages.cwi.nl/~aeb/go/misc/gostat.html Thus 200 * 29e6 = 5.8e9
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 6.5 × 10²⁰ FLOP
- Cómo se estableció
- Third-party estimation,Hardware
Updating this compute estimate to only account for direct training compute, not synthetic data generation compute. Number of connections (to calculate forward FLOP) Input size: 19*19*17, Assuming internal dimension stays at 19*19 1 conv block 19*19*17*3*3*256=14139648 40 residual blocks 19*19*2*3*3*256*256=425852928 Policy head 19*19*256*2+2*19*19*(19*19+2)=446918 Value head 19*19*256*1+1*19*19*256+256*1=185088 Total: 14139648+40*425852928+446918+185088=17048888774 Forward FLOP: 2*17048888774=3…
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- Google TPU v1
- Tiempo de reloj
- 480 hours (20 days)
- Costo de cómputo
- $1,214
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Modelo Frontier
- Yes
- Por qué se rastrea
- Highly cited
- Confianza de registro
- Confident
- Citas
- 10,021
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Mastering the game of Go without human knowledge
- Última actualización
- 1 January 2026
Qué significan los números
De dónde vino
AlphaGo Zero fue publicado por DeepMind, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante October 2017. Sale de una organización categorizada como industry.
Funciona en el dominio de Games, y se registra como realizando la tarea de go.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
El entrenamiento consumió alrededor de 6.5 × 10²⁰ FLOP, en hardware registrado como Google TPU v1. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 6,348,800,000 tokens de texto
Su criterio de inclusión: highly cited.
Respuestas
AlphaGo Zero — preguntas comunes
AlphaGo Zero— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 6.5 × 10²⁰ FLOP, en hardware registrado como Google TPU v1. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
AlphaGo Zero— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
AlphaGo Zero— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
AlphaGo Zero— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 46.4M. Input size: 19*19*17=6137, internal dimension 19*19 1 conv block 17*3*3*256=39168 39 residual blocks 2*3*3*256*256=1179648 Policy head 256*2+2*19*19*(19*19+2)=262598 Value head 256*1+1*19*19*256+256*1=92928 Total: 39168+39*1179648+262598+92928=46400966. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
AlphaGo Zero— ¿Quién lo creó?
Fue publicado por DeepMind, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como industry.
AlphaGo Zero— ¿cuándo fue lanzado?
Se publicó en October 2017. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
AlphaGo Zero— ¿Para qué se utiliza?
Funciona en el dominio de Games, y se registra como manejando la tarea de go. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.