# Eric Jang 从零复现 AlphaGo：2026 年训练强围棋 AI 只要几千美元算力

> 原标题：Eric Jang分享从零构建AlphaGo的经历与见解

- 来源：AI HOT 精选
- 发布时间：2026-05-16T18:56:06.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/21755
- 原文：https://x.com/pmarca/status/2055723987850690927

## 摘要

Eric Jang 花了几个月从零实现 AlphaGo，并把过程写成教程和代码放了出来。他原本的理解是“用自我对弈训练的搜索增强神经网络”，但亲手做一遍后对细节有了更深体会。他给出一条关键判断：前沿研究仍然很贵，但特定能力的落地成本掉得很快——到 2026 年，训练一个能打的围棋 AI 租算力只要几千美元，不再需要 DeepMind 级别的资源。他自称...

## 推荐理由

我会先打个折：这是个人分享，不是论文或模型发布，所以信息密度有限。但亮点很明确——Eric Jang 一个人花几个月从零把 AlphaGo 做出来，还给了个具体成本判断：2026 年租算力训强围棋 AI 只要几千美元。这个数字直接说明当年需要大团队、大预算的系统，现在个人和小团队也能碰了。正文没披露具体训练配置和模型强度验证，所以“强”到什么程度还不好说，这点先别太激动。整体适合当一条有话题、有数字、对从业者有参考价值的动态来推。

## 锐评

这条分享的价值不在技术新，而在成本信号。Eric Jang 花几个月从零复现 AlphaGo，结论很直接：前沿研究依然烧钱，但把一项确定能力落地，价格已经跌到个人或小团队能承受的范围。他给出的数字是 2026 年租算力几千美元就能训出能打的围棋 AI，对比 2016 年 DeepMind 动辄百万美元级的投入，降幅超过两个数量级。

不过要打个折。正文没披露他用的具体硬件配置、训练时长和最终棋力对标的是哪个版本，也没说几千美元是只算训练还是含调试迭代。这些缺口让“几千美元”更像一个量级示意，不能直接当预算表用。另外，他自称围棋和 AlphaGo 学徒，代码和教程已公开，想验证的人可以自己跑一遍。

对从业者的实际意义是：别再默认复现经典系统需要大厂资源。如果连 AlphaGo 这种曾被视为算力怪兽的项目都能压到这个成本，很多“太贵所以不做”的内部论证该重新算了。