🔧Tom's Hardware•最新收集於 51m
玩家用 44.5 萬個方塊在 Minecraft 打造 LLM
#command-blocks#model-efficiency#edge-inference#vanilla-minecraftvanilla-minecraft-command-block-llm-chatbotminecraftllmmojang
💡這個由 44.5 萬個命令方塊打造的 Minecraft LLM，揭示極端限制下的模型效率技巧。
⚡ 30-Second TL;DR
有什麼變化
聊天機器人可在不使用模組、插件或資料包的原版 Minecraft 中運作。
為什麼重要
這項專案生動展示了如何在資源與指令集極度受限的環境中實作類神經網路運算。雖然它不是實際的部署方式，卻能為模型壓縮、表示法與執行效率提供有用啟發。
下一步行動
研究創作者的縮減策略，並將相同的運算數量最小化概念應用到受限邊緣推論原型中。
誰應關注：Researchers & Academics
關鍵要點
- •聊天機器人可在不使用模組、插件或資料包的原版 Minecraft 中運作。
- •整個實作使用 445,782 個命令方塊。
- •透過演算法變通方案，初始超過一百萬個方塊的設計得以縮減。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •該專案由 Minecraft 創作者 Sammyuri 及其團隊（如 Minecraft 伺服器 BuiltByBit 成員）共同開發，旨在展示遊戲內邏輯電路的極限。
- •此 LLM 實作採用了類似於 Transformer 的架構，但為了適應 Minecraft 的限制，將權重儲存於命令方塊的記憶體中，並透過紅石訊號進行矩陣運算。
- •該模型具備基礎的文字生成能力，雖然運算速度極慢（生成一個字元可能需要數分鐘），但證明了圖靈完備性在遊戲引擎內的極致應用。
- •開發者利用了 Minecraft 1.19 版本後的命令方塊特性，特別是針對資料處理的優化，成功將原本龐大的運算需求壓縮至現有規模。
- •此專案不僅是技術展示，還被視為教育工具，用於解釋神經網路中反向傳播與權重更新的基本運作原理。
🛠️ 技術深入
- 架構基礎：採用簡化版 Transformer 架構，將神經網路層級映射為 Minecraft 中的邏輯閘陣列。
- 記憶體儲存：利用命令方塊的 NBT 資料儲存功能作為權重矩陣（Weights），而非傳統的紅石電路。
- 運算機制：透過命令方塊執行加法與乘法運算，模擬神經元激活函數（如 ReLU 或 Sigmoid）。
- 數據傳輸：使用紅石訊號作為二進位數據匯流排，在各個運算單元之間傳遞數值。
- 效能限制：受限於遊戲刻（Game Tick）的處理速度，模型推論過程無法即時進行，需依賴遊戲內部的時鐘系統進行序列化處理。
🔮 前景展望AI analysis grounded in cited sources
Minecraft 將成為複雜邏輯系統與 AI 教育的標準沙盒平台。
此類專案證明了遊戲引擎足以模擬真實世界的計算架構，吸引更多教育機構將其作為計算機科學的實作環境。
遊戲內 AI 實作將轉向更高效的資料包（Data Pack）優化。
隨著命令方塊數量的極限被觸及，未來的開發者將更傾向於使用資料包來處理複雜運算，以提升執行效率。
⏳ 時間線
2023-01
Sammyuri 團隊發布了在 Minecraft 中運作的 8-bit 處理器，奠定了複雜邏輯電路的基礎。
2024-05
團隊開始嘗試將神經網路架構移植至 Minecraft，並發布了初步的矩陣運算測試。
2025-02
成功在原版 Minecraft 中運行第一個具備基礎對話能力的 LLM 原型。
2026-07
完成最終優化，將命令方塊數量精簡至 445,782 個並公開技術細節。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Tom's Hardware ↗