В основном такие вещи зависят от доли компании на конкретном рынке и законов страны. Когда это доля превышает некий процент, такая компания начинает считаться монополистом и к ней могут применяться специальные нормы и ограничения.
Apple в большинстве стран все-таки не обладает настолько большой частью рынка.
Мне через пару дней после запроса дали доступ. Руки пока не дошли протестировать, но условия действительно вкусные, особенно по памяти.
x86 64bit Cores — это вроде бы Atom.
По оценке про-комментатора, в начале игры AlphaGo допустила серьезную ошибку в развитии. По его словам, в том конкретном (и достаточно часто встречающемся) паттерне у края доски достаточно сложно просчитать все варианты, но любой профессиональный игрок его бы опознал, понял, что там нет шансов, смирился с локальной потерей и продолжил в другом месте. AI вместо этого еще довольно долго пыталось там бороться и усугубляло свое положение, теряя все больше. Может подобных паттернов было мало в обучающей выборке.
Но несмотря на это, в середине партии AlphaGo смог выравнять ситуацию и далее особо серьезных ошибок уже не допускал. Было несколько довольно странных ko threat ходов, но возможно к этому моменту бот считал что он ведет и просто упрощал ситуацию на доске.
Если судить по словам разработчиков, то первая ошибка (на 79 ходу) — это ошибка именно value network. AlphaGo некорректно оценивала свою позицию, как выигрышную, вплоть до 87 хода.
А вот дальнейшие «ошибки» это уже видимо следствие алгоритма MCTS и методики обучения. AG проигрывала небольшое количество очков (по оценкам комментатаров в пределах коми) и на столе были возможности отыграть там пару, там пару и может быть в отдаленной концовке удалось бы уравнять, особенно если навязать сложный ко-файт.
Но сети AlphaGo были обучены только на бинарную оценку (победа/поражение), потому уменьшение отставания для нее не было приоритетом (грубо говоря, она не видала разницы между поражением в 20 и в 1 очко). Потому при анализе дерева отдавалось предпочтение ветвям, которые в пределах просчета давали видимые шансы именно на победу.
Для наступления такой победы требовались маловероятные (крайне ошибочные) ответные ходы от Ли Седоля, но алгоритм из-за своей архитектуры отдавал предпочтение таким ветвям перед более безопасными, но не дающими очевидных шансов.
Вот и получился тот набор ошибок AI в конце, когда тот играл «детские» ходы (а по сути в надежде на детскую ошибку оппонента), которые Ли Седоль тут же наказывал.
Для игры с Fan Hui применялась распределенная версия с 1202 CPU и 176 GPU. По словам DeepMind, они используют такие же мощности и в этой игре, но AI может работать и на более слабом железе. Для сравнения, версия 1202/176 имела в октябре Elo 3140, а 48/8 — Elo 2890. Сейчас уровень игры уже конечно намного выше.
Еще, из интересного, в недавнем интервью www.theverge.com/2016/3/10/11192774/demis-hassabis-interview-alphago-google-deepmind-ai
основатель Deepmind Demis Hassabis отметил, что если для самой игры вычислительные мощности требуются сравнительно небольшие, то для обучения и создания копий для игры между собой требовались значительно большие ресурсы и без облачных мощностей Google им бы не удалось создать и обучить сеть в такой короткий срок.
Хороший подход к анализу, но предпосылки не совсем верные. Задачи взять и растопить невесть откуда взявшиеся 5 см снега не будет.
Главной целью скорее будет топить весь снег по мере его выпадания. Серьезным снегопадом является уровень 1см в час. Случаются, конечно, и большие цифры в исторических сводках, но рассматривать такие случаи смысла нет, так это уже уровень шторма и по определению нелетная погода.
Далее, плотность свежевыпавшего (не слежавшегося) снега 50-70 кг на м^3
Получаем:
(2500м*50м*0,01м) * 70кг/м^3 * 334*10^3Дж = 29,2 ГДж,
что дает нам вполне приемлимую требуемую мощность в 8.1 МВт. Пускай даже 10МВт с запасом — все равно уже вполне реалистично.
Apple в большинстве стран все-таки не обладает настолько большой частью рынка.
x86 64bit Cores — это вроде бы Atom.
Но несмотря на это, в середине партии AlphaGo смог выравнять ситуацию и далее особо серьезных ошибок уже не допускал. Было несколько довольно странных ko threat ходов, но возможно к этому моменту бот считал что он ведет и просто упрощал ситуацию на доске.
А вот дальнейшие «ошибки» это уже видимо следствие алгоритма MCTS и методики обучения. AG проигрывала небольшое количество очков (по оценкам комментатаров в пределах коми) и на столе были возможности отыграть там пару, там пару и может быть в отдаленной концовке удалось бы уравнять, особенно если навязать сложный ко-файт.
Но сети AlphaGo были обучены только на бинарную оценку (победа/поражение), потому уменьшение отставания для нее не было приоритетом (грубо говоря, она не видала разницы между поражением в 20 и в 1 очко). Потому при анализе дерева отдавалось предпочтение ветвям, которые в пределах просчета давали видимые шансы именно на победу.
Для наступления такой победы требовались маловероятные (крайне ошибочные) ответные ходы от Ли Седоля, но алгоритм из-за своей архитектуры отдавал предпочтение таким ветвям перед более безопасными, но не дающими очевидных шансов.
Вот и получился тот набор ошибок AI в конце, когда тот играл «детские» ходы (а по сути в надежде на детскую ошибку оппонента), которые Ли Седоль тут же наказывал.
Еще, из интересного, в недавнем интервью www.theverge.com/2016/3/10/11192774/demis-hassabis-interview-alphago-google-deepmind-ai
основатель Deepmind Demis Hassabis отметил, что если для самой игры вычислительные мощности требуются сравнительно небольшие, то для обучения и создания копий для игры между собой требовались значительно большие ресурсы и без облачных мощностей Google им бы не удалось создать и обучить сеть в такой короткий срок.
Главной целью скорее будет топить весь снег по мере его выпадания. Серьезным снегопадом является уровень 1см в час. Случаются, конечно, и большие цифры в исторических сводках, но рассматривать такие случаи смысла нет, так это уже уровень шторма и по определению нелетная погода.
Далее, плотность свежевыпавшего (не слежавшегося) снега 50-70 кг на м^3
Получаем:
(2500м*50м*0,01м) * 70кг/м^3 * 334*10^3Дж = 29,2 ГДж,
что дает нам вполне приемлимую требуемую мощность в 8.1 МВт. Пускай даже 10МВт с запасом — все равно уже вполне реалистично.