<div dir="ltr">If anything, the other great DCNN applications predate the application of these methods to Go. Deep neural nets (convnets and other types) have been successfully applied in computer vision, robotics, speech recognition, machine translation, natural language processing, and hosts of other areas. The first paragraph of the TensorFlow whitepaper (<a href="http://download.tensorflow.org/paper/whitepaper2015.pdf">http://download.tensorflow.org/paper/whitepaper2015.pdf</a>) even mentions dozens at Alphabet specifically.<div><br></div><div>Of course the future will hold even more exciting applications, but these techniques have been proven in many important problems long before they had success in Go and they are used by many different companies and research groups. Many example applications from the literature or at various companies used models trained on a single machine with GPUs.<br><div class="gmail_extra"><br><div class="gmail_quote">On Mon, Feb 1, 2016 at 12:00 PM, Hideki Kato <span dir="ltr"><<a href="mailto:hideki_katoh@ybb.ne.jp" target="_blank">hideki_katoh@ybb.ne.jp</a>></span> wrote:<br><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex">Ingo Althofer: <trinity-a297d40e-3cf2-45f1-8d38-13a5912b636c-1454339862588@3capp-gmx-bs72>:<br>
<span class="">>Hi Hideki,<br>
><br>
>first of all congrats to the nice performance of Zen over the weekend!<br>
><br>
>> Ingo and all,<br>
>> Why you care AlphaGo and DCNN so much?<br>
><br>
>I can speak only for myself. DCNNs may be not only applied to<br>
>achieve better playing strength. One may use them to create<br>
>playing styles, or bots for go variants.<br>
><br>
>One of my favorites is robot frisbee go.<br>
><a href="http://www.althofer.de/robot-play/frisbee-robot-go.jpg" rel="noreferrer" target="_blank">http://www.althofer.de/robot-play/frisbee-robot-go.jpg</a><br>
>Perhaps one can teach robots with DCNN to throw the disks better.<br>
><br>
>And my expectation is: During 2016 we will see many more fantastic<br>
>applications of DCNN, not only in Go. (Olivier had made a similar<br>
>remark already.)<br>
<br>
</span>Agree but one criticism.  If such great DCNN applications all<br>
need huge machine power like AlphaGo (upon execution, not<br>
training), then the technology is hard to apply to many areas,<br>
autos and robots, for examples.  Are DCNN chips the only way to<br>
reduce computational cost?  I don't forecast other possibilities.<br>
Much more economical methods should be developed anyway.<br>
#Our brain consumes less than 100 watt.<br>
<span class=""><font color="#888888"><br>
Hideki<br>
</font></span><span class="im"><br>
>Ingo.<br>
><br>
>PS. Dietmar Wolz, my partner in space trajectory design, just told me<br>
>that in his company they started woth deep learning...<br>
>_______________________________________________<br>
>Computer-go mailing list<br>
><a href="mailto:Computer-go@computer-go.org">Computer-go@computer-go.org</a><br>
><a href="http://computer-go.org/mailman/listinfo/computer-go" rel="noreferrer" target="_blank">http://computer-go.org/mailman/listinfo/computer-go</a><br>
</span><span class="im">--<br>
Hideki Kato <mailto:<a href="mailto:hideki_katoh@ybb.ne.jp">hideki_katoh@ybb.ne.jp</a>><br>
</span><div class=""><div class="h5">_______________________________________________<br>
Computer-go mailing list<br>
<a href="mailto:Computer-go@computer-go.org">Computer-go@computer-go.org</a><br>
<a href="http://computer-go.org/mailman/listinfo/computer-go" rel="noreferrer" target="_blank">http://computer-go.org/mailman/listinfo/computer-go</a></div></div></blockquote></div><br></div></div></div>