在我的世界里，红石是一个非常重要的物品。它是游戏中的一种独特材料，例如开关、红石火把和红石块，可以为电线或物体提供类似于电流的电力。红石电路可以为您构建结构来控制或激活其他机制，这些机制本身可以设计为响应手动玩家激活，或重复输出信号或响应非玩家引起的变化，例如生物移动、物品掉落、植物生长，白天和黑夜等等。因此，在Minecraft中，红石可以控制多种类型的机械，从自动门、电灯开关和频闪电源等简单机械到大型电梯、自动农场、小型游戏平台，甚至游戏内置电脑。近日，B站UP主@陈兵阿头等人实现了我的世界中真正的“红石人工智能”。他们花了六个月的时间建立了世界上第一个纯红石神经网络。任务是识别15×15的手写数字。作者表示，他们采用了一种非传统的计算方式——随机计算来实现神经网络，在设计和布局上比传统的全精度计算要简单得多，单次理论识别时间仅为5分钟。这个纯红石神经网络完成了机器学习领域常见的图像识别任务——手写数字识别，准确率达到了80%（在MNIST数据集上模拟）。在实现过程中，作者使用的各种元素包括：单个神经元接受多个输入并产生一个输出。添加了一个“乘法器”，它仅使用随机数和单个逻辑门进行分数乘法。神经元阵列输出识别结果或传递给下一层。每个数字的置信水平。卷积层用于提取笔划特征。全连接第一层：压缩信息和分类。激活函数数组：将数据非线性映射到高维特征空间。全连接的第二层和第三层：进一步分类并输出识别结果。据作者介绍，网络使用的架构是压缩的LeNet-5，达到了80%的准确率。但受限于Minecraft的计算能力，实际识别时间超过20分钟。尽管如此，这仍然是红石数字电子领域的重大突破，也可能启发真正的硬件神经网络。目前，该视频的播放量已突破80万，全B站最高排名第39位，令各界网友惊叹不已。就连图灵奖获得者YannLeCun也在Facebook上转发了这段视频，称“一个非常有耐心和执着的人在Minecraft中使用红石实现了LeNet-5”。LeCun是LeNet架构的创造者。【我的世界】世界上第一个纯红石神经网络！真正的红石人工智能（中文/英文）【我的世界】红石卷积神经网络-原理背后的原理作者在另一个视频《【Minecraft】红石卷积神经网络——原理》中详细讲解了红石卷积神经网络的原理。通常，他们使用压缩的LeNet-5卷积神经网络。卷积是网络计算的第一步，使用加权窗口（卷积核）依次扫描图像并提取笔画特征。然后将这些笔画特征输入深度神经网络（全连接层）进行分类和识别。在Minecraft中实现一个红石神经网络作者首先列出了输入设备，包括一个单脉冲压力板平板电脑和一个15×15坐标屏幕。数位板每次产生2tick坐标信号，然后在屏幕上绘图。然后输入的手写数字进入卷积层，计算方式是对卷积核覆盖的部分进行累加，并将结果输出到下一层。并且，为了保证非线性，输出也通过了ReLU函数。由于卷积核只有3×3，作者直接使用电模型运算，在输出处自动进行ReLU。另外，由于卷积不能像动画中那样移动，所以采用了直接堆叠的方式，然后hardwired到tabletinput上。当谈到全连接层时，每一层都由几个神经网络组成。每个神经元连接多个输入并产生一个输出。神经元对每个输入进行加权和累加，然后将其放入激活函数输出中。需要注意的是，加权求和是“线性分割”，激活函数必须是非线性的才能增加维度。作者使用了tanh（双曲正切）作为激活函数。反映到实际的神经元电路中，如下图所示。同时，权重存储在投掷器中（用于调整物品的比例以生成不同频率的随机字符串），输入乘以权重并通过模拟电路累加。最后的电路实现关于电路实现，先通过模拟电路计算加法，然后转换成数字信号。累加器是另一个Upmaster提供的2tick流水线加法器，这样不会溢出。然后堆叠神经元形成全连接层。最后一层的输出和层间缓存使用下面的模拟计数器，可以统计5Hz串中“1”的个数，容量为1024。最后在输出层，高4位计数器连接到计数板，然后电路选择最大值并将其显示在输出板上。在视频的最后，作者展示了最终的网络结构，如下图所示。其中权重范围为[-1,1]，随机字符串长度为1024，在MNIST数据集上的准确率约为80%。但是当字符串长度为256时，准确率只有62%。
