AlphaGo Zero
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- DeepMind
- Tipo di organizzazione
- Industry
- Paese
- United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 18 October 2017
- Autori
- D Silver, J Schrittwieser, K Simonyan, I Antonoglou
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Games
- Compito
- Go
- Approccio
- Self-supervised learning
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 46.4M
- Dati di addestramento
- 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
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 6.5 × 10²⁰ FLOP
- Come è stato stabilito
- 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 corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- Google TPU v1
- Tempo di parete
- 480 hours (20 days)
- Costo di calcolo
- $1,214
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Modello Frontier
- Yes
- Perché è monitorato
- Highly cited
- Record fiducia
- Confident
- Citazioni
- 10,021
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Mastering the game of Go without human knowledge
- Ultimo aggiornamento
- 1 January 2026
Cosa significano i numeri
Da dove è venuto
AlphaGo Zero è stato pubblicato da DeepMind, nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante October 2017. Esce da un'organizzazione categorizzata come industry.
Funziona nel dominio di Games, ed è registrato come eseguire il compito di go.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
Il run di addestramento ha consumato circa 6.5 × 10²⁰ FLOP, su hardware registrato come Google TPU v1. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il set di addestramento si aggirava attorno a 6,348,800,000 token di testo
Il suo criterio di inclusione: highly cited.
Risposte
AlphaGo Zero — domande comuni
AlphaGo Zero— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 6.5 × 10²⁰ FLOP, su hardware registrato come Google TPU v1. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
AlphaGo Zero— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
AlphaGo Zero— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
AlphaGo Zero— quanti parametri ha?
Ha un numero di parametri di 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. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
AlphaGo Zero— chi l'ha creato?
È stato pubblicato da DeepMind, basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come industry.
AlphaGo Zero— quando è stato rilasciato?
È stato pubblicato in October 2017. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
AlphaGo Zero— A cosa serve?
Funziona nel dominio di Games, e viene registrato come gestire il compito di go. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.