![CCTV-17農(nóng)業(yè)農(nóng)村 | [中國三農(nóng)報道]中國科學(xué)院植被病蟲害遙感監(jiān)測與預(yù)測系統(tǒng)升級版發(fā)布](/uploads/202208/630c32e37f65b.png)
文章來源：機(jī)器之心
編輯：杜偉
神奇的紅石，神奇的我的世界，不可思議的 UP 主。
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(guān)、紅石火把和紅石塊等能對導(dǎo)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(jī)械的結(jié)構(gòu)，其本身既可以被設(shè)計為用于響應(yīng)玩家的手動激活，也可以反復(fù)輸出信號或者響應(yīng)非玩家引發(fā)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(jī)械類別極其多，小到簡單機(jī)械如自動門、光開關(guān)和頻閃電源，大到占地巨大的電梯、自動農(nóng)場、小游戲平臺甚至游戲內(nèi)建的計算機(jī)。
近日，B 站 UP 主 @辰占鰲頭等人在我的世界中實現(xiàn)了真正的「紅石人工智能」，他們耗時六個月，構(gòu)建了世界上首個純紅石神經(jīng)網(wǎng)絡(luò)，任務(wù)是識別 15×15 手寫數(shù)字。
作者表示，他們使用非傳統(tǒng)的計算方式——隨機(jī)計算來實現(xiàn)神經(jīng)網(wǎng)絡(luò)，在設(shè)計和布局上比傳統(tǒng)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(jīng)網(wǎng)絡(luò)完成了機(jī)器學(xué)習(xí)領(lǐng)域常見的圖像識別任務(wù)——手寫數(shù)字識別，并且準(zhǔn)確率達(dá)到了 80%（在 MNIST 數(shù)據(jù)集上模擬）。
在實現(xiàn)的過程中，作者使用到的各種元素包括如下：
單個神經(jīng)元接受多個輸入并產(chǎn)生一個輸出。
加入「乘法器」，僅使用隨機(jī)數(shù)和單個邏輯門運算小數(shù)乘法。
神經(jīng)元陣列輸出識別結(jié)果或傳遞到下一層。
各數(shù)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(shù)陣列：將數(shù)據(jù)非線性地映射到高維特征空間。
全連接第二、三層：進(jìn)一步分類并輸出識別結(jié)果。
作者表示，該網(wǎng)絡(luò)使用的架構(gòu)是壓縮的 LeNet-5，準(zhǔn)確率達(dá)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(shù)電領(lǐng)域的重大突破，也可能啟發(fā)現(xiàn)實中的硬件神經(jīng)網(wǎng)絡(luò)。
目前，視頻的播放量已經(jīng)超過 80 萬，全 B 站排行榜最高第 39 名，讓各路網(wǎng)友嘆為觀止。就連圖靈獎得主 Yann LeCun 也在 Facebook 上轉(zhuǎn)發(fā)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(xiàn)了 LeNet-5?！筁eCun 是 LeNet 架構(gòu)提出者。
【Minecraft】世界首個純紅石神經(jīng)網(wǎng)絡(luò)！真正的紅石人工智能(中文/English)
【Minecraft】紅石卷積神經(jīng)網(wǎng)絡(luò)——原理
背后的原理
在另外一個視頻《【Minecraft】紅石卷積神經(jīng)網(wǎng)絡(luò)——原理》中，作者詳細(xì)解釋了紅石卷積神經(jīng)網(wǎng)絡(luò)的原理。
總的來說，他們使用的是壓縮的 LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)，卷積是網(wǎng)絡(luò)的第一步計算，使用一個帶權(quán)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(jīng)網(wǎng)絡(luò)（全連接層）進(jìn)行分類識別。
在我的世界中實現(xiàn)紅石神經(jīng)網(wǎng)絡(luò)
作者首先列出了輸入設(shè)備，包括一個單脈沖式壓力板手寫板和 15×15 坐標(biāo)屏。其中手寫板每次產(chǎn)生 2tick 的坐標(biāo)信號，接著由屏幕繪制。
隨后輸入的手寫數(shù)字進(jìn)入卷積層，計算方法是累加卷積核被遮蓋的部分，并將結(jié)果輸出到下一層。并且，為了保證非線性，輸出還經(jīng)過了 ReLU 函數(shù)。
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(jìn)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(jīng)網(wǎng)絡(luò)構(gòu)成。每個神經(jīng)元都連接多個輸入，并產(chǎn)生一個輸出。神經(jīng)元將每個輸入加權(quán)累加，然后帶入一個激活函數(shù)輸出。
需要注意的是，加權(quán)求和是「線性分割」，而激活函數(shù)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(shù)。
反映到實際的神經(jīng)元電路中，如下圖所示。
同時，權(quán)重被儲存在投擲器（用來調(diào)整物品配比生成不同頻率的隨機(jī)串）中，輸入乘以權(quán)重后通過模電累加。
最終電路實現(xiàn)
關(guān)于電路實現(xiàn)，首先通過模電計算加法，然后轉(zhuǎn)為數(shù)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(jīng)元，構(gòu)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(shù)器，它可以統(tǒng)計 5Hz 串中「1」的數(shù)量，容量則為 1024。
最后在輸出層，計數(shù)器的高 4 位被連接到計數(shù)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(wǎng)絡(luò)結(jié)構(gòu)，如下圖所示。其中，權(quán)重范圍為 [-1, 1]，隨機(jī)串長度為 1024，MNIST 數(shù)據(jù)集上的準(zhǔn)確率約為 80%。不過當(dāng)串長為 256 時，準(zhǔn)確率僅為 62%。
010-5289 6043