雷锋网 (大众号：雷锋网) AI 科技评论音讯：5 月 2 日，Facebook AI Research（FAIR）官网博客中宣布 开源其 AI 围棋机器人 ELF OpenGo（包括源代码和一个训练好的模型） ，该机器人是基于 ELF 平台研发而成，曾击败了 4 位世界排名前 30 的围棋棋手。
据雷锋网理解，该任务次要是受启于 DeepMind 的任务。往年早些时分 FAIR 启动了该项任务，希冀基于其停止强化学习研讨而开发的可扩展、轻量级框架（Extensible Lightweight framework，ELF）再现 AlphaGoZero 最近的后果。其目的则是创立一个开源完成的零碎，该零碎可以自学围棋进而到达人类职业棋手的程度或更高程度；同时他们也希望经过发布的代码和模型，鼓励更多的人去考虑这项技术新的使用和研讨方向。
据这个项目的担任人田渊栋引见，他们用了两千块 GPU 训练该模型，约两到三周后失掉以后版本的围棋 AI模型，该模型根本上超越了强职业棋手的程度。ELF OpenGo 在与世界排名前 30 的四位职业围棋棋手（金志锡，申真谞，朴永训及崔哲瀚）的对弈中，OpenGo 以 14：0 的成果博得了一切的竞赛；在竞赛中OpenGo运用单块 GPU 每步50秒的搜索工夫（每步搜索 8 万个场面），而人类棋手可以有恣意长工夫的考虑。
另外，ELF OpenGo 在与目前地下可用的、最强的围棋机器人 LeelaZero 的对一种，后者采用了除ponder外的缺省配置，以及地下权重（192x15， 158603eb , Apr. 25, 2018），后果 OpenGo 博得了全部 200 场竞赛。
田渊栋博士随后在知乎上宣布的 一篇感想文章 中提到，OpenGo 这个项目「不是为了做最好的围棋顺序，不是说要打败谁」。之所以大多数人都曾因不佳的交通状况而迟过到、叫过苦。经济的快速发展带动的是社会各方面的全面提升，但在此过程中，交通的发展却没跟得上前进的步幅，各类交通难题让交管部门伤透脑筋，如何利用AI来解决相关难题已成当务之急。做这个项目有三个目的：
(1) AlphaGoZero/AlphaZero算法很有意思，我们想晓得为什么它无效果，是怎样会无效果的，是不是好像宣传的那样是百试百灵的通用算法，是不是只需堆机器，强者工智能马上就来了？还是说其实这个算法有什么成绩和弱点？DeepMind不开源也不泄漏细节，文章外面一些中央也没有写得很清楚。我之前写过 Blog讨论过， 但是没有第一手经历总不是很踏实。所以本着研讨目的，我们需求复现一下，先有复现，才有创新，这个是做研讨的习气。
(2)往年年终我重写了 ELF的中心代码，另外也加了散布式训练，需求找个详细使用来测试一下。站在这个角度上，AlphaGoZero/AlphaZero是个完满的选择，再说之前也有 DarkForest 的代码和围棋顺序的经历，所以把它们拼起来不必花太多力气。
(3)不论是通用算法还是散布式平台，都可以用来干很多别的事情，不一定是围棋，不一定是游戏。假如我们去看 ELF OpenGo的代码，会发现其实很大一局部和围棋一点关系也没有，完全适用于其它方向的任务。而围棋对我们来说，只是一个把算法战争台做好的手腕。在这一点上，花点工夫把围棋做好是值得的。
田渊栋博士表示，随着明天 ELF OpenGo 的发布，这三个目的都已到达。当然，他们更希望的是可以借此时机推行一下 ELF 平台和 PyTorch 深度学习框架，让更多的人运用和完善它。
代码见：
https://github.com/pytorch/ELF
模型见：
https://github.com/pytorch/ELF/releases
英文 blog 见： https://research.fb.com/facebook-open-sources-elf-opengo/
ELF 平台
ELF 平台 是一个可扩展、轻量级且十分灵敏的游戏研讨平台，尤其适用于实时战略（RTS）游戏的研讨，于 2016 年 6 月初次发布。
在 C++端，ELF 与 C++线程同时托管多个游戏；而在 Python 端，ELF 可以一次前往一批游戏形态，这使得其对古代的强化学习十分敌对。相比之下，其他平台（例如 OpenAI Gym）则只是运用一个 Python 界面封装一个单一的游戏，这种状况使得并发游戏（许多古代的强化学习算法都有此要求）的执行就变得比拟复杂。
ELF 具有以下特征：
-
端到端： ELF 为游戏研讨提供了端到端的处理方案。它提供微型实时战略游戏环境、并行模仿、直观的 API、基于 Web 的可视化，并且还具有由 Pytorch 受权的强化学习后端，资源需求最少。
-
可扩展 性： 任何具有 C / C ++接口的游戏都可以经过编写一个复杂的包装器拔出到这个框架中。
-
轻量级： ELF 运转速度十分快，开支很小。在一台 MacBook Pro 上，基于 RTS 引擎构建的复杂游戏（MiniRTS）运用 ELF 平台，可以单核每秒运转 40K 帧；而只运用 6 块 CPU+1 块 GPU 从零开端训练 MiniRTS，也只需求六天。
-
灵敏性： 环境和参与者之间的配对十分灵敏。例如单个 agent 与单个环境（例如 Vanilla A3C）、多个 agent 与单个环境（Self-play/MCTS），或许单个 agent 与多个环境（BatchA3C、GA3C）等。而且，任何构建在 RTS 引擎之上的游戏都可以完全拜访其外部表示和静态。
随着这次 OpenGo 的开源，FAIR 也对 ELF 平台停止了改良，晋级了更高效、更敌对的 API 以及支持对数千台计算机停止散布式计算的框架。作为 PyTorch 的一局部，ELF 可以是研讨人员能轻松地尝试不同的强化学习思想，并停止疾速、灵敏的实验。
雷锋网报道。
。
