理论上这事确实能做到，吐槽君有位认识的芯片行业大佬就开玩笑时说过。但实际要操作起来，真的难，非常难。

没想到这个话题一年都不到，最近居然有B站大佬搞出来了。

来自B站up主@辰占鳌头的作品着实火了一把。

他和朋友们合作完成的这个号称“世界首个纯红石神经网络”，神经元、卷积层、全连接层、激活函数、乘法器、输入、输出……样样俱全、蔚为壮观，而且可以真的实现手写数字识别，准确率还达到了80%。

这波，妥妥就是如网友所说：

简直是实力与耐心做出来的超凡成果。

目前，这个视频的播放量已经上了一百万，在外网，它甚至还引起了LeCun的注意：不仅转发了他们的作品，还给出了“Very meta”的评价。

耗时6个月，用红石搭建卷积神经网络

红石是我的世界里一种可以传递信号的矿石资源，可以用来制作红石电路，进而完成小到如自动门、光开关、频闪电源的简单机械，大到电梯、自动农场、盾构机、小游戏平台甚至计算机的复杂工具。

本次作者们搭建的这个神经网络的架构，基于LeCun于1998年提出的经典卷积结构LeNet-5，它就是用来实现手写数字识别的。

相比传统的全精度计算（乘法器和加法器），作者经过一番思考和估算，决定采用随机计算的方式来实现这个神经网络，这样可以让设计和布局都简单一些。

毕竟对于用随机计算实现乘法来说，只需一个与门就可以表示单极，一个同或就能表示双极。

由于在我的世界中进行反向传播不太可能，网络的权重都是先在Pytorch中训练好，然后直接搬进去。

为了生成由随机串组成的权重，作者利用“投掷器投掷物品是随机的”这一原理造了一个随机数生成器。

总的来说，他们采用的是一个压缩的LeNet-5，先使用一个带权重的窗口（卷积核）逐次扫描图像并提取笔画特征，然后将这些笔画特征馈入到深度神经网络（全连接层）进行分类识别。

具体来说：

首先由输入设备：一个单脉冲式压力板手写板和15×15坐标屏，产生坐标信号，并在屏幕上绘制出笔迹。

然后手写数字进入卷积层，累加卷积核被遮盖的部分，并将结果输出到下一层。

其中：

（1）在卷积层，作者没有使用随机计算，而是使用我的世界中的模拟信号进行加法运算；

（2）为了保证输入数据可以非线性地映射到高维度特征空间然后进行线性分类，输出经过了激活函数ReLU；

（3）由于卷积无法随意移动，所以采用直接堆叠的方式，再通过硬连线连接到手写板输入上。

随后，是全连接层。每层由若干神经网络构成，每个神经元都连接多个输入，并产生一个输出。神经元将每个输入加权累加，然后带入一个激活函数输出。

全连接层使用的是随机计算，

激活函数用的是非线性的tanh。

最后一层的输出使用一个模电计数器，用来统计5Hz串中“1”的数量，容量则为1024。

最终，输出部分，计数器的高4位被连接到计数板上，然后电路选取最大的值并在面板上显示结果。

作者介绍，该神经网络在MNIST数据集上约实现了80%的准确率，作为对比，同权重的全精度网络的准确率为88%。

另外，它的单次理论识别时间约为5分钟，但没想到Minecraft的运算能力实在有限——在实际测试中，可能要40分钟以上。

由此作者得出，Minecraft随机计算神经网络在时间开销上未必优于全精度网络。不过全精度网络目前还没有人做出来。

之所以吐槽君说细思极恐，是因为上次聊到这个话题，这次又看到实际操作，忽然想到一个假设，我们是否也活在虚拟世界里？