对于计算机科学爱好者们来说，有关《我的世界》中的环境是否「够格」作为各种严肃实验的话题，早已经过了充分讨论：
答案是肯定的，《我的世界》中红石电路和命令方块体系已经分别图灵完备了。这意味着我们理论上可以在其中构建一个通用图灵机（虽然难度比较大），进而造出一台功能完整的常规架构计算机。
既然如此，我们能不能在游戏里「敲出」一个神经网络模型呢？
已经有人做到了。最近，一名来自印度的程序员 Ashutosh Sathe 向我们展示了真正的技术，他在《我的世界》里运行起了一个具有图像识别能力的神经网络。
只要在游戏里的「画板」上写字，《我的世界》里的「计算机」就可以识别出你写的内容是什么：
在《我的世界》里进行 MNIST 式的手写数字识别。
「神经网络推断出画板上的文字为数字 1」。
除了给出识别的结果，神经网络识别的过程也是清晰可见：
在看了这波操作之后，众多吃瓜网友留下了不争气的泪水，感慨道：「这是『别人的世界』……」
这一炫酷的技术被称为 scarpet-nn，是一套可以让玩家在《我的世界》游戏中运行二值神经网络（BNN）的工具。BNN 是一种激活、权重被固定为 1 或-1 的特殊神经网络，大幅度简化了神经网络的运算量，最早由 Yoshua Bengio 等人提出。正是这些特性，让 BNN 的权重可以由单个二进制位来表示，并在《我的世界》里运行。
与此前人们在《我的世界》中运行神经网络的一些尝试不同，scarpet-nn 的 API 允许人们在游戏中运行任何二值神经网络的体系架构。也就是说，任何人都可以训练自己的二值神经网络，然后将其运行在《我的世界》里。
此外，Ashutosh Sathe 还开放了代码。
项目地址：https://github.com/ashutoshbsathe/scarpet-nn
技术细节：投影（Litematica）原理图生成
要想在我的世界里运行神经网络，你首先需要安装一个 Java 版游戏，Litematica 和 carpetmod 两个 mod，另一方面还需要有 Python 3，深度学习框架 pytorch 和 nbtlib 库。
通用表征标准
在 scarpet-nn 中，nn-to-litematica 模块将 pytorch 检查点的二值化权重转换为 litematica 原理图。每个 litematica 的排列方式是让前两个维度位于 (x,z) 平面上。此外，原理图的加载点（加载原理图时玩家所在的区域）总是表示权重数组中的第一个数字。权重数组中的第一个维度是从加载点到 X 轴正半轴，第二个维度是从加载点到 Z 轴正半轴。超过 3 的维度会被重塑成第 3 个轴（Y 轴）。
卷积层的表征
这里遵循上述通用表征标准。由于卷积层是以四维数组的形式存储的，因此需要压缩额外的维度，使其变成三维。卷积层的典型 shape 是 [c_2,c_1,f_h,f_w]。其中，
- c_2 = 输出激活应有的通道数
- c_1= 输入激活应有的通道数
- (f_h,f_w)= 卷积滤波器的高度和宽度
为了将此转换成三维的表征，scarpet-nn 将 (f_h,f_w) 压缩成一个大小为 f_h×f_w 的单一维度。因此，生成的原理图中新的卷积层将会是 [c_2,c_1,f_h×f_w]。
为了直观地理解这一点，请看下面的样例图片。该图展示了第三个卷积层（conv3）权重的块表征，它的权重从 [16, 8, 3, 3] 压缩成了 [16, 8, 9]。
全连接层的表征
全连接（fc）层也符合 scarpet-nn 的通用表征标准。全连接层的典型 shape 是 [n,k]，输入是 [m,n]，输出是 [m,k]。由于所有的操作都是二维的，所以不需要做维度调整。由于也没有第三维，所以整个的权重数组都在 X-Z 平面内。
如下是 fc1 层的示意图。该层的 shape 是 [8, 16]。
看完技术细节，有人觉得，在这种像素化的沙盒游戏里，用红石搭建神经网络，未免也太过复杂……
但也有人觉得，恰恰是因为用红石逻辑构建网络，才让人印象深刻。
作者本人回复说，scarpet-nn 比命令方块体系的性能要好得多，《我的世界》可以将其用于绘制地图时在隐蔽模式下打开隐藏内容。
只是目前，在《我的世界》中可以实现的神经网络功能仍然有限：看起来只有前向传播而没有反向传播。
不过在玩家们的不懈努力下，又有什么是不能实现的呢？
参考链接：https://ashutoshbsathe.github.io/scarpet-nn/https://www.reddit.com/r/MachineLearning/comments/gb08da/p_i_wrote_an_api_to_build_neural_networks_in/
