“棋盤就是一副黑白的單通道解析度為19的影象。”這個事情在普通人看來比較不會想到。
不過對於比較熟悉影象技術和深度神經網路的孟繁岐來說，是很自然的事情和概念。
“我們從深度神經網路的突破中獲得了靈感，在2012年底的AlexNet之前，瘋狂石頭這款圍棋智慧提供的準確率是最高的，達到35%左右。
目前主要是在研究，如何使用深度神經網路使得圍棋智慧的判斷更加精準。
Alex和你引領的深度神經網路在分類問題上有了驚人的突破，這是我們今年啟動這個專案的一大原因。
我們目前在嘗試收集大量的專業對弈棋譜，目前已經有了十多萬場比賽的內容。而從這十萬多場比賽當中，又可以抽離出上百萬個單次落子。
透過這個資料，我們現階段在確立合適的網路結構，在這個方面，我想你是專家中的專家。”
“我大概瞭解了。”孟繁岐聽完之後基本明白了DeepMind現階段的想法和進展情況。
雖然此前黃博士在圍棋AI專案上有過很多研究，但阿爾法圍棋專案畢竟才剛剛開始，同時也是基於全新的深度網路技術。
目前為止，他們還沒有形成一整套的學習以及對抗的思路，那一套策略網路評估網路強化學習蒙特卡洛搜尋的總體結構還沒有成型。
還停留在比較早期的階段，甚至還沒有最後決定到底使用怎樣的網路結構比較好，此時正在對模型本身的結構進行測試和設計。
“這方面確實是我比較擅長的方向，尤其最近，我在CPU和小模型的設計上有一些想法，這些內容應該會對你們有一定的幫助。”
要說各種裝置和各種型別的任務，網路用什麼運算元比較好，速度和效能怎麼取捨，即便再往後五年，孟繁岐都是當之無愧的第一人。
因為他熟知的那些取捨和結論，都是後來谷歌這樣的大平臺NAS(網路結構搜尋的實驗結果。
所謂NAS，其實就是一種窮舉對比的方式。
在特定的資料集上，把所有想得到想不到的運算元組合用窮舉的形式全都特麼的測試一遍。
最後得出的網路結構，當然會比人類自己設計的要好要快，不過換一個差距很大的資料未必好用。
獲取這個答案的代價是相當驚人的，隨著搜尋空間的增大，顯然需要非常恐怖的計算資源去支撐。
好在孟繁岐已經將幾個大公司上萬張顯示卡，數年時間測試出來的主要結論全都白嫖了。
這個知識的價格成本，恐怕不止十數億美金。
“那實在太好了。”見孟繁岐一口答應在阿爾法狗的網路設計上提供幫助，黃博士喜笑顏開，“我們現階段除了需要快速迭代對比確定網路結構之外，沒有什麼特別大的困難。”
“如果非要說的話，就是缺少一個職業守門員級別的人類棋手。”黃博士想了想，補充道。
他自己業餘六段，其實可以擔當此任。
可他畢竟太過了解圍棋AI，起到的測試效果可能不夠真實，並且他也很忙，不可能一直負責對弈測試。
同時，歐美那邊圍棋的熱度也並不高，樊麾二段就曾經多次奪得歐美圍棋冠軍，職業守門員級別測試員不是那麼好找。
“這個沒關係，我二月份會去一次英國，跟你們確認一下效果和後續的思路。”孟繁岐聞言笑了笑：“到時候給你們找一個守門員中的守門員。”
要說的職業守門員水平的棋手，想必沒有誰比已經連續定段了七年，今年正在第八次對職業棋手這個身份發起衝擊的七定王戰鷹，更加適合的了吧？
這門都守了第八回了。