一句话看懂：开发者把整数神经网络编译进 ZDoom 地图，让 DOOM 的巫毒娃娃充当计算单元、扇区光照和平面高度存结果，并逐值比对 NumPy 整数参考。这是一个偏实验性质的工程演示，价值在于展示“游戏引擎即计算平台”的可行性边界。
事件核心：发生了什么
开源项目 Doomformer 于 2026 年 10 月发布，做法是把整数神经网络编译成 ZDoom 地图，在 ViZDoom 中运行。DOOM 为额外玩家起点生成的玩家副本（Voodoo dolls，巫毒娃娃）负责算术，扇区光照等级和平面高度存放累加结果。Python 从运行中的游戏里读回每个暴露值，与 NumPy 整数参考逐项比较，容差为 0，错一个就判定失败。
速度是明显的短板：小型 MLP 的引擎耗时约为 NumPy 的 23000 倍，若把整个调用包进计时器则约 65000 倍。手写数字演示在默认调度下需 163 秒实时 DOOM 时间，加 --opt 3 后缩短到 8 秒（273 个游戏 tic）。项目提供 pip 安装和 doomformer hello、draw、museum 等命令，需要 Python 3.11+ 及 Linux 或 macOS。
为什么重要
它更像一篇可运行的技术极客作品，而非 AI 产品。价值在于把“神经网络推理”拆解成确定性的整数运算，并用一个以实时状态机著称的老牌游戏引擎承载，逐值零容差校验。这为教学演示、硬件/引擎极限测试和确定性计算提供了具体样本，也说明在特定约束下，游戏引擎可以充当低速但可审计的计算介质。它不改变大模型训练或推理的主流路线。
对用户/开发者/创作者的影响
对普通用户没有直接使用价值，安装门槛和运行时长注定它属于实验玩具。对开发者而言，项目完整展示了从网络编译、地图构建到值读回的链路，museum 地图还能在不依赖 Python 的情况下游玩，并用 MUTATE 修改一条权重连线、让同一张 7 被读成 1，是理解整数网络权重量化的直观材料。对创作者而言，它提示了一种内容形式：把计算过程“演”出来，而不只是跑出结果。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
准确性需限定语境：目前公开信息显示，DOOM 计算值与 NumPy 整数参考完全一致，但“EXACT”只说明引擎复现了整数网络，不代表识别正确。该整数网络在全部 10000 张 MNIST 测试集上得分 97.16%，前 100 张中 DOOM 读对 99 张。
值得关注的后续
一是 --opt 3 这类调度优化能否继续压缩耗时，让演示从分钟级走向秒级；二是作者是否公开更多网络规模和地图复杂度下的表现；三是社区是否会跟进类似“引擎即计算器”的复现，把这种确定性验证方法用到其他老引擎上。
