Cheng Lou 开源 Handwired：把程序逻辑手写成免训练神经网络
昨天学习了一下 handwired，做了一些例子，比如做了几个倒计时、贪吃蛇这种 https://t.co/A3B63zf3Y3 最后做了个教学视频：把代码变成神经网络：不训练、一个数都不差，这有什...
Cheng Lou 把 JS 代码手写成零训练的神经网络，浏览器里跑出 130 层的小桌面系统，demo 网页直接能玩，原理讲得很清楚。
前 React 核心团队成员、Midjourney 工程师 Cheng Lou 开源了 Handwired，可以把 if-else 和循环改写成神经网络权重，权重手写、零训练，输出与对应 JavaScript 程序完全一致。演示中的 Mini OS 由一个 130 层、9909 个权重的网络驱动，训练次数为零，在浏览器 CPU 上实时运行。实时搜索 10 万份 JSON 文档的 demo 转成 WebGPU 后每次搜索 11 到 15 毫秒，浏览器自带正则引擎一般 8 到 28 毫秒，不支持 WebGPU 退回 CPU 时要 13 秒。代码以 MIT 许可开源，需要装 Bun，从 template 目录的示例开始写，文档有完整教程。项目还设想把 Handwired 程序接到 Karpathy 的 nanoGPT 上一起训练，但目前只是设想，没有实现。
昨天学习了一下 handwired，做了一些例子，比如做了几个倒计时、贪吃蛇这种 https://t.co/A3B63zf3Y3 最后做了个教学视频：把代码变成神经网络：不训练、一个数都不差，这有什...
昨天学习了一下 handwired，做了一些例子，比如做了几个倒计时、贪吃蛇这种 claude.ai/artifact/VSxUQ… 最后做了个教学视频：把代码变成神经网络：不训练、一个数都不差，这有什么用 视频1: 英文版 视频2: 中文版 有人把普通代码原封不动地变成了神经网络，一次没训练，结果一个数都不差。 这期从期末总评和停车费讲起，说清神经网络的两种零件：加权求和和开关，再看一条“及格线”怎么变成 7 个权重、1 层的网络。 接着用闰年、FizzBuzz、阶梯电价、生命游戏、贪吃蛇等例子，回答几个问题： 权重和层到底是什么？ 和 ChatGPT 背后的 Transformer 差在哪？ 网络能不能在浏览器里现场训练，刷新还在吗？ 出了错怎么查？ 变成网络会更快吗，CPU 和 GPU 差在哪？ 这个思路还能用在哪？ --- 视频制作的 Skill 参考： github.com/JimLiu/baocut/… 模型：Opus 5.5 配音：Gemini 3.8 TTS Your browser does not support the video tag. 🔗 View on Twitter Your browser does not support the video tag. 🔗 View on Twitter 宝玉 @dotey Cheng Lou 开源 Handwired：手写权重，把程序逻辑变成不用训练的神经网络 Midjourney 工程师、前 React 核心团队成员 Cheng Lou 开源了一个自称“玩具项目”的 Handwired：把程序里的 if-else 和循环改写成神经网络的权重。权重是手写的，不用训练，输出和对应的 JavaScript 程序完全一致，在浏览器里就能跑。 原理一行代码就能讲清。比如 result = a > 4 ? 10 : 12，在 a 是整数时可以改写成： above4 = relu(a - 4) - relu(a - 5) result = above4 × 10 + (1 - above4) × 12 relu 就是 Math.max(0, x)，神经网络里最常见的激活函数。a 大于 4 时 above4 正好是 1，否则是 0。两个分支都算出来，再用它挑一个。神经网络本质上就是一堆乘法、加法加上 relu，所以程序里的判断和分支，都能收进一个大矩阵乘法里。 也许你会好奇，神经网络的输出不是带概率、不精确吗？ Cheng Lou 的回答是：训练出来的才这样，按程序逻辑手写的权重，同样的输入永远得到同样的输出。 他放了三个 demo。 第一个是 Mini OS，一个有三个窗口和程序坞的小桌面，拖动、缩放、层叠、滚动、文字输入、动画都有。打开浏览器开发者工具看，页面就是普通的网页元素，没有大模型，也没有扩散模型。驱动它的是一个 130 层、9909 个权重的“神经网络”，训练次数为零，在浏览器里用 CPU 实时计算。 第二个是实时搜索 10 万份 JSON 文档，每敲一个键重搜一遍。正则匹配、JSON 解析、高亮全是这种手写网络，再转成 WebGPU 代码放到显卡上并行跑。项目文档里的实测（Apple M5 Max + Chrome）：每次搜索 11 到 15 毫秒；浏览器自带的正则引擎一般 8 到 28 毫秒，遇到容易回溯的写法要 2 秒多。文档写明两者谁快说不准，所以页面把两个时间都列出来。浏览器不支持 WebGPU 时会退回 CPU，搜一遍要 13 秒。 第三个是会“学习”的相册。整个程序可微分，也就是能用训练神经网络的反向传播来调参数。你在左边画几个矩形当草图，右边的照片布局由一个小网络算出，它的 244 个参数随着你拖动实时训练。损失函数里加了一项对齐惩罚，照片会自己往一条线上靠，没有任何代码专门去对齐它们。参数很少，训练全在 JavaScript 里跑。 Cheng Lou 还设想，把一段 Handwired 程序接到 nanoGPT（Andrej Karpathy 的一个小型 GPT 训练项目）这样的模型上一起训练，模型既能写莎士比亚，又能精确执行那段程序。这个目前只是 README 里的设想，仓库里没有现成实现。 代码以 MIT 许可开源，demo 直接在网页上打开就能玩。想自己写，需要装 Bun，克隆仓库后从 template 目录的开关按钮示例开始，文档里有完整教程。 推文说“把普通 JS 代码变成神经网络”，容易让人以为能把现成代码丢进去自动转换。项目文档写的是：没有工具能把已有的 JavaScript 源码转成网络。你要用它提供的构建函数，把逻辑一句句写成比较、选择、加权求和这类操作。网络每次都要把所有操作跑一遍，不能提前退出，也不能跑运行时才知道次数的循环，所以常见的循环得改写成计数、树形合并之类的结构，文档专门用一章讲怎么改。所有数都是 32 位浮点数，每个值的取值范围要事先声明。 项目主页： chenglou.me/handwired/ GitHub： github.com/chenglou/handw… 原推文： x.com/_chenglou/stat… 🔗 View Quoted Tweet 💬 9 🔄 1 ❤️ 13 👀 2220 📊 8 ⚡
