本文介紹了騰訊微信翻譯團隊開源的人工智慧圍棋項目 PhoenixGo，該項目是對 DeepMindAlphaGo Zero論文《Mastering the game of Go without human knowledge》的實現。
PhoenixGo 是騰訊微信翻譯團隊開發的人工智慧圍棋程序。據介紹，該項目由幾名工程師在開發機器翻譯引擎之餘，基於 AlphaGo Zero 論文實現，做了若干提高訓練效率的創新，並利用微信伺服器的閒時計算資源進行自我對弈，緩解了 Zero 版本對海量資源的苛刻需求。
4 月底，在 2018 世界人工智慧圍棋大賽上，PhoenixGo 取得冠軍。參賽隊伍包括絕藝，LeelaZero、TSGo、石子旋風、Golois，HEROZ Kishi、Baduki 等來自中、日、韓、歐美等國家和地區的人工智慧圍棋高手。
5 月 11 日，PhoenixGo 在 Github 上正式開源，以下是技術細節：
項目地址：https://github.com/Tencent/PhoenixGo
如果你在研究中使用 PhoenixGo，請按以下方式引用庫：
@misc{PhoenixGo2018,author = {Qinsong Zeng and Jianchang Zhang and Zhanpeng Zeng and Yongsheng Li and Ming Chen and Sifan Liu}title = {PhoenixGo},year = {2018},journal = {GitHub repository},howpublished = {\url{https://github.com/Tencent/PhoenixGo}}}
構建和運行
在 Linux 上
1 要求
支持 C++11 的 GCC；Bazel（0.11.1）；（可選）CUDA 和 cuDNN（支持 GPU）；（可選）TensorRT（加速 GPU 上的計算，建議使用 3.0.4 版本）。
2 構建
複製庫，並進行構建配置：
git clone https://github.com/Tencent/PhoenixGo.gitcd PhoenixGo./configure
./configure 將詢問 CUDA 和 TensorRT 的安裝位置，如果必要指定二者的位置。
然後使用 bazel 進行構建：
bazel build //mcts:mcts_main
TensorFlow 等依賴項將會自動下載。構建過程可能需要很長時間。
3 運行
下載和提取訓練好的網絡：
wget https://github.com/Tencent/PhoenixGo/releases/download/trained-network-20b-v1/trained-network-20b-v1.tar.gztar xvzf trained-network-20b-v1.tar.gz
以 gtp 模式運行，使用配置文件（取決於 GPU 的數量和是否使用 TensorRT）：
bazel-bin/mcts/mcts_main --config_path=etc/{config} --gtp --logtostderr --v=1
該引擎支持 GTP 協議，這意味著它可以和具備 GTP 能力的 GUI 一起使用，如 Sabaki。
--logtostderr 使 mcts_main 向 stderr 寫入日誌消息，如果你想將消息寫入文件，將 --logtostderr 改成 --log_dir={log_dir} 即可。
你可以按照此說明更改配置文件：https://github.com/Tencent/PhoenixGo#configure-guide
4 分布模式
如果不同的機器上有 GPU，PhoenixGo 支持分布式 worker。
構建分布式 worker：
bazel build //dist:dist_zero_model_server
在分布式 worker 上運行 dist_zero_model_server，每個 worker 對應一個 GPU：
CUDA_VISIBLE_DEVICES={gpu} bazel-bin/dist/dist_zero_model_server --server_address="0.0.0.0:{port}" --logtostderr
在 config 文件中填充 worker 的 ip:port（etc/mcts_dist.conf 是 32 個 worker 的配置示例），並運行分布式 master：
bazel-bin/mcts/mcts_main --config_path=etc/{config} --gtp --logtostderr --v=1
在 Windows 上
正在進行。
配置指南
以下是 config 文件中的一些重要選項：
num_eval_threads：應與 GPU 的數量一致；num_search_threads：應比 num_eval_threads * eval_batch_size 大一些；timeout_ms_per_step：每步使用的時間；max_simulations_per_step：每步要做多少模擬；gpu_list：使用哪塊 GPU，用逗號隔開；model_config -> train_dir：訓練好的網絡的存儲目錄；model_config -> checkpoint_path：使用哪個檢查點，如果沒設定，則從 train_dir/checkpoint 中獲取；model_config -> enable_tensorrt：是否使用 TensorRT；model_config -> tensorrt_model_path：如果 enable_tensorrt，使用哪個 TensorRT 模型；max_search_tree_size：樹節點的最大數量，根據存儲容量進行更改；max_children_per_node：每個節點的子節點的最大數量，根據存儲容量進行更改；enable_background_search：在對手下棋的時候思考；early_stop：如果結果不再更改，則 genmove 可能在 timeout_ms_per_step 之前返回；unstable_overtime：如果結果仍然不穩定，則更多地考慮 timeout_ms_per_step * time_factor；behind_overtime：如果贏率低於 act_threshold，則更多地考慮 timeout_ms_per_step * time_factor。
分布模式的選項：
enable_dist：啟動分布模式；dist_svr_addrs：分布式 worker 的 ip:port，多條線，每條線中有一個 ip:port；dist_config -> timeout_ms：RPC 超時。
async 分布模式的選項：
Async 模式是在有大量分布式 worker 的時候使用的（多餘 200），而在 sync 模式中需要過多的 eval 線程和搜索線程。
etc/mcts_async_dist.conf 是 256 個 worker 模式的 config 示例。
enable_async：開啟 async 模式enable_dist：開啟分布模式dist_svr_addrs：每個命令行 ip:port 的多行、用逗號分開的列表eval_task_queue_size:根據分布 worker 的數量調整num_search_threads：根據分布式 worker 的數量調整
參看 mcts/mcts_config.proto 更詳細的了解 config 選項。
命令行選項
mcts_main 接受以下命令行選項：
--config_path：配置文件路徑；--gtp：作為 GTP 引擎來運行，如果禁用，則只能進行 genmove；--init_moves：圍棋棋盤上最初的落子；--gpu_list：覆寫配置文件中的 gpu_list；--listen_port：與 --gtp 一起使用，在 TCP 協議埠上運行 gtp 引擎；--allow_ip：與 --listen_port 一起使用，是允許連接的客戶端 ip 列表；--fork_per_request：與 --listen_port 一起使用，表示是否 fork 每個請求。
Glog 選項還支持：
--logtostderr：向 stderr 寫入日誌消息；--log_dir：向該文件夾中的文件寫入日誌消息；--minloglevel：記錄級別：0 - INFO、1 - WARNING、2 - ERROR；--v：詳細記錄，--v=1 即記錄調試日誌，--v=0 即關閉記錄。
mcts_main --help 支持更多命令行選項。