Facebook AI Research（FAIR）在其官方博客宣布开源他们开发的曾打败专业围棋棋手的 AI 围棋机器人 ELF OpenGo，包括源代码和训练好的模型。
博客详情：https://research.fb.com/facebook-open-sources-elf-opengo/
开发团队表示，受 DeepMind 的启发，他们在今年早些时候启动了一项使用 FAIR 的可扩展、轻量级框架 ELF 进行强化学习研究的工作，希望能重现与 AlphaGoZero 最接近的结果，最终创建一个能自学围棋并达到人类职业棋手或更高水平的开源系统。
ELF OpenGo 是他们用两千块 GPU 训练约两到三周后得到的围棋 AI ，目前已成功战胜其他开源机器人和人类棋手。ELF OpenGo 在 4 月 25 日曾与目前公开可用的最强大的围棋机器人 LeelaZero 进行了 200 场比赛，最终以 198 胜 2 负 的成绩赢得胜利，而且是在使用默认设置的情况下。
此外，OpenGo 还和世界排名前 30 的四位职业围棋棋手（金志锡，申真谞，朴永训及崔哲瀚）进行对弈，并以 14：0 的成绩赢得了所有的比赛。在比赛中 OpenGo 使用单块 GPU 每步 50 秒的搜索时间（每步搜索 8 万个局面），而人类棋手并没有限制下棋思考的时间。
开发团队表示，此次开放训练代码、测试代码和模型，是希望激励他人思考这项技术的新应用和研究方向，期待社区能够带来更进一步的探索。同时也是借此机会推广一下 ELF 平台和 PyTorch 深度学习框架，希望更多的人能使用和完善它。
ELF 是一个大范围、轻量级且易于使用的游戏研究平台。
ELF 可以让研究者们在不同的游戏环境中测试他们的算法，其中包括桌游、Atari 游戏，以及定制的即时战略游戏（RTS）。它们可以运行在带有 GPU 的笔记本电脑上，而且支持在更为复杂的游戏环境中训练 AI 。
ELF 在 C/C++界面中运行所有游戏，自动处理并发问题如多线程/多任务。另外，ELF 还有一个纯净的 Python 用户界面，提供了一批可供训练的游戏状态。ELF 也支持游戏以外的用途，它包括物理引擎等组件，可以模拟现实世界的环境。
项目详情及源码查看