文(wén)章來源：機器之心

編輯：杜偉

神奇的紅石，神奇的我的世界，不可(kě)思議的 UP 主。

在我的世界（Minecraft）中(zhōng)，紅石是一種非常重要的物(wù)品。它是遊戲中(zhōng)的一種獨特材料，開關、紅石火把和紅石塊等能(néng)對導線(xiàn)或物(wù)體(tǐ)提供類似電(diàn)流的能(néng)量。

紅石電(diàn)路可(kě)以為(wèi)你建造用(yòng)于控制或激活其他(tā)機械的結構，其本身既可(kě)以被設計為(wèi)用(yòng)于響應玩家的手動激活，也可(kě)以反複輸出信号或者響應非玩家引發的變化，如生物(wù)移動、物(wù)品掉落、植物(wù)生長(cháng)、日夜更替等等。

因此，在我的世界中(zhōng)，紅石能(néng)夠控制的機械類别極其多(duō)，小(xiǎo)到簡單機械如自動門、光開關和頻閃電(diàn)源，大到占地巨大的電(diàn)梯、自動農場、小(xiǎo)遊戲平台甚至遊戲内建的計算機。

近日，B 站 UP 主 @辰占鳌頭等人在我的世界中(zhōng)實現了真正的「紅石人工(gōng)智能(néng)」，他(tā)們耗時六個月，構建了世界上首個純紅石神經網絡，任務(wù)是識别 15×15 手寫數字。

作(zuò)者表示，他(tā)們使用(yòng)非傳統的計算方式——随機計算來實現神經網絡，在設計和布局上比傳統全精(jīng)度計算簡單許多(duō)，并且單次理(lǐ)論識别時間僅為(wèi) 5 分(fēn)鍾。

這個純紅石神經網絡完成了機器學(xué)習領域常見的圖像識别任務(wù)——手寫數字識别，并且準确率達到了 80%（在 MNIST 數據集上模拟）。

在實現的過程中(zhōng)，作(zuò)者使用(yòng)到的各種元素包括如下：

單個神經元接受多(duō)個輸入并産(chǎn)生一個輸出。

加入「乘法器」，僅使用(yòng)随機數和單個邏輯門運算小(xiǎo)數乘法。

神經元陣列輸出識别結果或傳遞到下一層。

各數字的置信度。

卷積層用(yòng)來提取筆(bǐ)畫特征。

全連接第一層：壓縮信息并分(fēn)類。

激活函數陣列：将數據非線(xiàn)性地映射到高維特征空間。

全連接第二、三層：進一步分(fēn)類并輸出識别結果。

作(zuò)者表示，該網絡使用(yòng)的架構是壓縮的 LeNet-5，準确率達到 80%。

不過，受限于 Minecraft 的運算能(néng)力，實際識别時間超過 20 分(fēn)鍾。盡管如此，這仍是紅石數電(diàn)領域的重大突破，也可(kě)能(néng)啓發現實中(zhōng)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(míng)，讓各路網友歎為(wèi)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(yǒu)耐心且堅持不懈的人使用(yòng)紅石在我的世界中(zhōng)實現了 LeNet-5。」LeCun 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(gōng)智能(néng)(中(zhōng)文(wén)/English)

【Minecraft】紅石卷積神經網絡——原理(lǐ)

背後的原理(lǐ)

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

總的來說，他(tā)們使用(yòng)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(yòng)一個帶權重的窗口（卷積核）逐次掃描圖像并提取筆(bǐ)畫特征。

然後将這些筆(bǐ)畫特征饋入到深度神經網絡（全連接層）進行分(fēn)類識别。

在我的世界中(zhōng)實現紅石神經網絡

作(zuò)者首先列出了輸入設備，包括一個單脈沖式壓力闆手寫闆和 15×15 坐(zuò)标屏。其中(zhōng)手寫闆每次産(chǎn)生 2tick 的坐(zuò)标信号，接着由屏幕繪制。

随後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(fēn)，并将結果輸出到下一層。并且，為(wèi)了保證非線(xiàn)性，輸出還經過了 ReLU 函數。

由于卷積核隻有(yǒu) 3×3，因而作(zuò)者直接使用(yòng)了電(diàn)模運算，并在輸出端自動進行 ReLU。

另外，又(yòu)由于卷積無法像動畫裏那樣移動，所以采用(yòng)了直接堆疊的方式，再通過硬連線(xiàn)連接到手寫闆輸入上。

到了全連接層，它的每層由若幹神經網絡構成。每個神經元都連接多(duō)個輸入，并産(chǎn)生一個輸出。神經元将每個輸入加權累加，然後帶入一個激活函數輸出。

需要注意的是，加權求和是「線(xiàn)性分(fēn)割」，而激活函數一定是非線(xiàn)性的，用(yòng)于提升維度。作(zuò)者使用(yòng)了 tanh（雙曲正切）作(zuò)為(wèi)了激活函數。

反映到實際的神經元電(diàn)路中(zhōng)，如下圖所示。

同時，權重被儲存在投擲器（用(yòng)來調整物(wù)品配比生成不同頻率的随機串）中(zhōng)，輸入乘以權重後通過模電(diàn)累加。

最終電(diàn)路實現

關于電(diàn)路實現，首先通過模電(diàn)計算加法，然後轉為(wèi)數電(diàn)信号。

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

接着堆疊神經元，構成一個全連接層。

最後一層的輸出以及層間緩存使用(yòng)如下模電(diàn)計數器，它可(kě)以統計 5Hz 串中(zhōng)「1」的數量，容量則為(wèi) 1024。

最後在輸出層，計數器的高 4 位被連接到計數闆上，然後電(diàn)路選取最大的值并在輸出面闆上顯示。

視頻最後，作(zuò)者展示了最終的網絡結構，如下圖所示。其中(zhōng)，權重範圍為(wèi) [-1, 1]，随機串長(cháng)度為(wèi) 1024，MNIST 數據集上的準确率約為(wèi) 80%。不過當串長(cháng)為(wèi) 256 時，準确率僅為(wèi) 62%。