在我的世界（Minecraft）中，紅石是一種非常重要的物品。它是游戲中的一種獨特材料，開關、紅石火把和紅石塊等能對導線或物體提供類似電流的能量。

紅石電路可以為你建造用于控制或激活其他機械的結構，其本身既可以被設計為用于響應玩家的手動激活，也可以反復輸出信號或者響應非玩家引發的變化，如生物移動、物品掉落、植物生長、日夜更替等等。

因此，在我的世界中，紅石能夠控制的機械類別極其多，小到簡單機械如自動門、光開關和頻閃電源，大到占地巨大的電梯、自動農場、小游戲平臺甚至游戲內建的計算機。

近日，B 站 UP 主 @辰占鰲頭等人在我的世界中實現了真正的「紅石人工智能」，他們耗時六個月，構建了世界上首個純紅石神經網絡，任務是識別 15×15 手寫數字。

作者表示，他們使用非傳統的計算方式——隨機計算來實現神經網絡，在設計和布局上比傳統全精度計算簡單許多，并且單次理論識別時間僅為 5 分鐘。

這個純紅石神經網絡完成了機器學習領域常見的圖像識別任務——手寫數字識別，并且準確率達到了 80%（在 MNIST 數據集上模擬）。

在實現的過程中，作者使用到的各種元素包括如下：

單個神經元接受多個輸入并產生一個輸出。

加入「乘法器」，僅使用隨機數和單個邏輯門運算小數乘法。

神經元陣列輸出識別結果或傳遞到下一層。

各數字的置信度。

卷積層用來提取筆畫特征。

全連接第一層：壓縮信息并分類。

激活函數陣列：將數據非線性地映射到高維特征空間。

全連接第二、三層：進一步分類并輸出識別結果。

作者表示，該網絡使用的架構是壓縮的 LeNet-5，準確率達到 80%。

不過，受限于 Minecraft 的運算能力，實際識別時間超過 20 分鐘。盡管如此，這仍是紅石數電領域的重大突破，也可能啟發現實中的硬件神經網絡。

目前，視頻的播放量已經超過 80 萬，全 B 站排行榜最高第 39 名，讓各路網友嘆為觀止。就連圖靈獎得主 Yann LeCun 也在 Facebook 上轉發了該視頻，表示「一位非常有耐心且堅持不懈的人使用紅石在我的世界中實現了 LeNet-5?！筁eCun 是 LeNet 架構提出者。

【Minecraft】世界首個純紅石神經網絡！真正的紅石人工智能(中文/English)【Minecraft】紅石卷積神經網絡——原理

背后的原理

在另外一個視頻《【Minecraft】紅石卷積神經網絡——原理》中，作者詳細解釋了紅石卷積神經網絡的原理。

總的來說，他們使用的是壓縮的 LeNet-5 卷積神經網絡，卷積是網絡的第一步計算，使用一個帶權重的窗口（卷積核）逐次掃描圖像并提取筆畫特征。

?

然后將這些筆畫特征饋入到深度神經網絡（全連接層）進行分類識別。

在我的世界中實現紅石神經網絡?

作者首先列出了輸入設備，包括一個單脈沖式壓力板手寫板和 15×15 坐標屏。其中手寫板每次產生 2tick 的坐標信號，接著由屏幕繪制。

隨后輸入的手寫數字進入卷積層，計算方法是累加卷積核被遮蓋的部分，并將結果輸出到下一層。并且，為了保證非線性，輸出還經過了 ReLU 函數。

由于卷積核只有 3×3，因而作者直接使用了電模運算，并在輸出端自動進行 ReLU。

另外，又由于卷積無法像動畫里那樣移動，所以采用了直接堆疊的方式，再通過硬連線連接到手寫板輸入上。

到了全連接層，它的每層由若干神經網絡構成。每個神經元都連接多個輸入，并產生一個輸出。神經元將每個輸入加權累加，然后帶入一個激活函數輸出。需要注意的是，加權求和是「線性分割」，而激活函數一定是非線性的，用于提升維度。作者使用了 tanh（雙曲正切）作為了激活函數。

反映到實際的神經元電路中，如下圖所示。

同時，權重被儲存在投擲器（用來調整物品配比生成不同頻率的隨機串）中，輸入乘以權重后通過模電累加。

最終電路實現

關于電路實現，首先通過模電計算加法，然后轉為數電信號。

累加器則是改裝了另一位 Up 主提供的 2tick 流水線加法器，使之不會溢出。

接著堆疊神經元，構成一個全連接層。

最后一層的輸出以及層間緩存使用如下模電計數器，它可以統計 5Hz 串中「1」的數量，容量則為 1024。

最后在輸出層，計數器的高 4 位被連接到計數板上，然后電路選取最大的值并在輸出面板上顯示。

視頻最后，作者展示了最終的網絡結構，如下圖所示。其中，權重范圍為 [-1, 1]，隨機串長度為 1024，MNIST 數據集上的準確率約為 80%。不過當串長為 256 時，準確率僅為 62%。

? ?