AlphaGo Lee
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- DeepMind
- Organisatie type
- Industry
- Land
- United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 27 January 2016
- Auteurs
- David Silver, Aja Huang, Chris J. Maddison, Arthur Guez, Laurent Sifre, George van den Driessche, Julian Schrittwieser, Ioannis Antonoglou, Veda Panneershelvam, Marc Lanctot, Sander Dieleman, Dominik Grewe, John Nham, Nal Kalchbrenner, Ilya Sutskever, Timothy Lillicrap, Madeleine Leach, Koray Kavukcuoglu, Thore Graepel, Demis Hassabis
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Games
- Taak
- Go
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Opleidingsgegevens
- 300,000,000 tokens
We trained the policy network pσ to classify positions according to expert moves played in the KGS data set. This data set contains 29.4 million positions from 160,000 games played by KGS 6 to 9 dan human players; 35.4% of the games are handicap games.
Training berekeningen
De rekeningen die worden uitgevoerd om het model te trainen, gemeten in drijvende-komma-berekeningen. Het is een maat voor wat de trainingsrun kostte, niet hoe snel het voltooide model je antwoordt.
- Training berekeningen
- 1.9 × 10²¹ FLOP
- Hoe het werd opgericht
- Comparison with other models
This number is pretty uncertain. I expect it to be right to around a factor of 3, at least compared to AlphaGo Fan. The architecture used was pretty much the same as AlphaGo Fan, but it was "trained for longer" and had around 5.33x the number of convolutional layers of AlphaGo Fan (256/48 = 5.33). The convolutional layers are the major contributor to the training compute, so I somewhat arbitrarily just multiply the compute for AlphaGo Fan by 5. Thus 3.8e20 * 5 = 1.9e21 Otherwise there has be…
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het net trok.
- Wall-clock time
- 696 hours (29 days)
- Bereken kosten
- $22,207
Training times are given for several components: - Policy network classifier: 3 weeks - Policy network RL: 1 day - Value network regression: 1 week - Rollout policy: "Similar to the policy network, the weights π of the rollout policy are trained from 8 million positions from human games on the Tygem server to maximize log likelihood by stochastic gradient descent. Rollouts execute at approximately 1,000 simulations per second per CPU thread on an empty board." could suggest (8M sims / 1000 sims/…
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Model toegang
- Unreleased
- Trainingscode
- Unreleased
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Frontier model
- Yes
- Waarom het wordt gevolgd
- Highly cited
- Vereiste vertrouwen
- Speculative
- Citaties
- 18,175
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- Mastering the game of Go with deep neural networks and tree search
- Laatst bijgewerkt
- 1 January 2026
Wat de cijfers betekenen
Where it came from
AlphaGo Lee was published by DeepMind, in United Kingdom of Great Britain and Northern Ireland, in January 2016. The organisation is categorised as industry.
It works in Games, and is recorded as doing go.
De gewichten zijn nooit gepubliceerd, dus het kan alleen worden bereikt via de aanbieder. Geen enkele grafische kaart verandert dat.
Hoe het was getraind
Training it took roughly 1.9 × 10²¹ FLOP of computation — a measure of what producing the model cost, not of how fast it answers.
It was trained on about 300,000,000 tokens of text.
The reason it appears in this catalogue at all is highly cited.
Antwoorden
AlphaGo Lee — Veelgestelde vragen
When was AlphaGo Lee released?
AlphaGo Lee was published in January 2016. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is AlphaGo Lee used for?
AlphaGo Lee works in Games, and is recorded as handling go. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train AlphaGo Lee?
Around 1.9 × 10²¹ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run AlphaGo Lee?
Geen. AlphaGo Lee is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet worden gedownload of draaien op uw eigen hardware voor welke prijs dan ook. Het is alleen bereikbaar via de provider.
Is AlphaGo Lee open source?
No. AlphaGo Lee has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does AlphaGo Lee have?
No parameter count has been published for AlphaGo Lee, which is why no memory or speed figure appears on this page.
Who created AlphaGo Lee?
AlphaGo Lee was published by DeepMind, based in United Kingdom of Great Britain and Northern Ireland, categorised as industry.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.