AlphaZero
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- DeepMind
- Type d'organisation
- Industry
- Pays
- United Kingdom of Great Britain and Northern Ireland
- Publié
- 5 December 2017
- Auteurs
- David Silver, Thomas Hubert, Julian Schrittwieser, Ioannis Antonoglou, Matthew Lai, Arthur Guez, Marc Lanctot, Laurent Sifre, Dharshan Kumaran, Thore Graepel, Timothy Lillicrap, Karen Simonyan, Demis Hassabis
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Games
- Tâche
- Chess, Shogi, Go
- Approche
- Self-supervised learning
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- Données d'entraînement
- 3,520,000,000 tokens
"We trained a separate instance of AlphaZero for each game. Training proceeded for 700,000 steps"
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 1.1 × 10²⁰ FLOP
- Comment cela a été établi
- Third-party estimation
The Go version (there were versions trained individually for three different games) was trained for 34 hours using 5k TPUv1 for data generation 64 TPUv2 for parameter updating I used the PCD chip entries for the lowest precision numerical format we had for each, which was INT8 for TPUv1 and FP16 for TPUv2 Direct training compute: 1.06e20 FLOPs
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- Google TPU v2,Google TPU v1
- Chips utilisés
- 5,064
- Temps en temps réel
- 24 hours
- Coût de calcul
- $229,919
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- Highly cited,Historical significance
- Confiance d'enregistrement
- Likely
- Citations
- 2,071
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Ce que ce modèle est
AlphaZero a été publié par DeepMind, dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant December 2017. L'organisation de publication est catégorisée comme industry.
Il fonctionne dans le domaine de Games, et est enregistré comme exécutant la tâche de chess, Shogi, Go.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a nécessité un budget de calcul d'environ 1.1 × 10²⁰ FLOP, sur matériel enregistré comme Google TPU v2,Google TPU v1. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 3,520,000,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. highly cited,Historical significance.
Réponses
AlphaZero — questions courantes
AlphaZero— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.1 × 10²⁰ FLOP, sur matériel enregistré comme Google TPU v2,Google TPU v1. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
AlphaZero— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
AlphaZero— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
AlphaZero— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
AlphaZero— qui l'a créé ?
Il a été publié par DeepMind, basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme industry.
AlphaZero— quand a-t-il été publié ?
Il a été publié dans December 2017. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
AlphaZero— à quoi ça sert ?
Il fonctionne dans le domaine de Games, et est enregistré comme gérant la tâche de chess, Shogi, Go. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.