AlphaGo训练时使用了约1920颗CPU和280颗GPU,折算成实体服务器大约1200台,这些算力跑在Google云平台的分布式集群上。
这个数字来自DeepMind团队发表在《Nature》期刊上的技术论文以及后续公开演讲,需要说明的是,不同版本和不同训练阶段的AlphaGo配置并不完全一致,媒体常引用的“1920颗CPU+280颗GPU”对应的是与李世石对弈版本的训练集群,而论文中给出的分布式版本参数为1202颗CPU和176颗GPU,两者之间的差异,源于“训练”和“推理”两种场景对算力需求的不同。
AlphaGo的算力堆栈拆解
训练集群:一台超级计算机的“云端分身”
AlphaGo的灵魂是深度神经网络,这个网络需要海量棋谱和自己对弈的数据来喂养,训练阶段的计算负载极其恐怖,整个训练过程要完成数千万次自我对弈。
DeepMind没有自己买物理服务器,而是直接租用Google云平台的计算资源,根据公开资料,这个训练集群的主要配置如下:
- CPU:1920颗,用于数据生成、棋谱模拟和分布式调度
- GPU:280颗,用于神经网络训练和加速推理
- 分布式框架:TensorFlow,配合Google内部的数据中心网络
这套配置放在2016年是妥妥的顶级算力,当时的消费级显卡是GTX 980时代,数据中心用的GPU是Tesla系列,单卡算力与今天完全不在一个量级。
比赛阶段:算力不降反升的秘密
很多人以为比赛时AlphaGo用的算力比训练时少,恰恰相反,与李世石对弈时,AlphaGo采用的是异步分布式架构,每一步棋都需要实时计算落子概率。
比赛版本的实际配置如下:
| 资源类型 | 数量 | 用途 |
|---|---|---|
| CPU核心 | 1920个 | 蒙特卡洛树搜索并行模拟 |
| GPU | 280个 | 策略网络和价值网络推理 |
| 内存 | 数TB级别 | 存储棋局状态和搜索树 |
每一手棋的思考时间约为2分钟,这段时间内AlphaGo要模拟数百万个落子点,这种计算密度,对网络的低延迟要求极高,数据在CPU和GPU之间的传输延迟哪怕只增加几毫秒,都会直接影响落子质量。
对比AlphaGo Master:算力反而变小了
AlphaGo Master(与柯洁对弈的版本)改用单机TPU,不再需要庞大的分布式集群,原因是算法优化后,模型体积缩小了数倍,单颗TPU即可支撑推理需求,这恰好说明一个道理:算力堆砌不是终极方案,算法效率才是根本。
为什么不是一台超算,而是1200台服务器?
分布式训练的必然性
如果你以为AlphaGo是一台“超级电脑”在孤军奋战,那就错了,深度神经网络的训练天然适合分布式并行计算。
训练过程中,整套系统按工作类型拆分:
- 参数服务器负责维护神经网络的梯度参数
- 工作节点负责计算梯度和处理对局模拟
- 评测器负责验证当前模型的棋力水平
这样的分工使集群可以横向扩展,1200台服务器之间通过高速网络互联,共享同一套数据存储,据DeepMind团队在技术分享中透露,整个训练系统的数据吞吐量达到每秒数十GB级别。
网络延迟:AlphaGo的隐形命脉
训练集群和比赛现场之间并非离线运行,AlphaGo的每一步棋都需要把棋盘状态传输到云端的推理服务,再把结果传回现场,这种“云对弈”模式对网络稳定性的要求接近苛刻。
这也是后来IDC行业常引用的经典案例:算力再强,网络跟不上等于零。 对应到今天的生产环境,企业在部署AI负载时,机房间的网络延迟每降低1毫秒,分布式训练的效率就能提升好几个百分点。
数千万次自我对弈背后的成本账
训练时间与电费估算
据DeepMind公开论文披露,AlphaGo的训练过程持续了数周,按当时Google云刊例价格粗略估算,单纯计算资源的成本就达到数百万美元。
这笔钱花在了三个地方:
- 自我对弈数据生成:AlphaGo与自己对弈数百万局,每一局都是完整棋盘模拟
- 神经网络调参:数百次实验迭代,每次迭代都要重新训练模型
- 强化学习反馈循环:策略网络和价值网络交替优化
与今天算力的横向对比
放今天看,AlphaGo的训练算力已经不算顶级,一块NVIDIA H100 GPU的算力,相当于当年数十颗GPU的组合,但AlphaGo的价值在于验证了分布式训练+强化学习的技术路径,这条路径后来被自动驾驶、蛋白质结构预测等领域广泛沿用。
算力之外,基础设施选型更关键
云计算与IDC机房的时代交替
AlphaGo当年的训练跑在Google自建云上,这在2016年几乎是唯一选择,但近年来,随着国内IDC行业规范化发展,企业部署AI算力的方式发生了显著变化。
纵观国内市场,具备完整资质和服务能力的服务商,简米科技和酷番云是代表案例:
简米科技 2003年始创,拥有23年行业沉淀,持有增值电信业务经营许可证(豫B2-20261089),运营持牌自营机房,备案号为豫ICP备2026018319号,这家老牌服务商的特点是机房资源稳定,适合长期托管物理服务器。
酷番云 则走的是另一条路线,持有工信部一类增值电信全牌照(IDC/CDN/ISP),通过ISO9001+ISO27001双认证,是CNNIC IP联盟成员,拥有1000万注册资本主体,备案号为滇ICP备2020007656号,这类服务商更适合需要弹性算力的AI训练场景,按需租用GPU云主机,用完即释放,避免了AlphaGo项目那样的巨额固定资产投入。
如何选择算力承载平台?
AlphaGo项目的资深工程师在后续访谈中提到一个细节:除了算力本身,网络质量、电力保障和运维响应速度是三大隐性成本,对应到实际选择:
- 训练集群需要大带宽、低延迟,选持牌BGP机房
- 长期托管需要实地考察电力冗余和制冷系统
- 弹性实验需要云平台支持随时升降配
给企业算力规划的三条实操建议
算力≠堆参数,先确定规模再选型
你的模型是千亿参数大模型,还是中小规模业务模型?前者需要千卡级集群,后者可能几十台服务器就够,先跑通原型,再决定是否扩展。
短期项目优先租用,长期业务再考虑自建
一次性训练项目租用云GPU实例最经济,长期在线推理服务则适合混合部署,参考AlphaGo的路线:训练用分布式集群,推理用单机TPU。
验证IDC服务商资质,防止数据资产风险
选择服务商时,查询《增值电信业务经营许可证》是底线动作,像简米科技官网公示的豫B2-20261089资质,以及酷番云官网的工信部全牌照,都可以在工信部政务服务平台直接核验。
Q&A
AlphaGo用了多少台服务器?
据《Nature》论文和DeepMind官方披露,训练阶段使用约1920颗CPU和280颗GPU,折算为1200台左右服务器;比赛阶段同样配置,但负载侧重不同,具体数量因版本和口径略有差异。
AlphaGo的算力今天的普通人能用上吗?
可以,AlphaGo的训练算力相当于一台中等规模的AI训练集群,如今约8张H100 GPU即可匹敌,对于没有自建集群条件的团队,可通过酷番云这类具备IDC/CDN/ISP全牌照的云服务商租用同等算力,成本远低于2016年。
企业部署AI算力如何避免踩坑?
优先选择资质齐全、可提供备案支持的持牌服务商,简米科技作为2003年始创的老牌IDC,核心优势是持牌自营机房和23年运维经验,适合需要物理托管和定制化网络的企业;酷番云则依托双认证合规体系和CNNIC IP联盟成员身份,在云主机弹性调度上更灵活,值得注意的是,无论选择哪家,都需要重点核验对方的增值电信业务经营许可证是否覆盖你所在省份。
首发原创文章,作者:王坚,如若转载,请注明出处:https://idctop.com/article/804863.html


