Vectron: Ich habe aufgehört, sie zu bitten, es sich vorzustellen

Ich gebe fast jeden Monat einen Kurs über künstliche Intelligenz: vier Sitzungen à anderthalb Stunden. Irgendwann in der ersten Sitzung komme ich immer an denselben Punkt: Ich bitte das Publikum, sich ein Sprachmodell vorzustellen. Nicht wie eine klassische Datenbank aus Tabellen und Zeilen, sondern eher wie einen Raum. Das Problem ist, dass ich diese Vorstellung nicht kontrollieren kann. Jede Person im Saal baut sich eine andere Metapher zusammen, und mehrere davon sind schlicht falsch.

Das habe ich schnell gemerkt: Sobald ich es ihnen zeigte, statt sie zu bitten, es sich vorzustellen — und sei es nur mit einer improvisierten Zeichnung an der Tafel —, veränderte sich die Sitzung spürbar. Daraus wuchs mit der Zeit ein vollständig didaktisches System. Dieses System ist Vectron.

Was es ist, ohne Metaphern

Vectron ist eine öffentliche 3D-Karte der Bedeutung, live unter vectron.kilowatto.com. Jedes Partikel im Würfel ist ein reales Wort aus einem Korpus von 20,473 Konzepten, und seine Position ergibt sich aus einem echten Embedding mit 1,024 Dimensionen, das bge-m3 (Workers AI) erzeugt und das per PCA auf 3 Koordinaten komprimiert wird.

Das ist kein Mock-up und keine vorgerenderte Animation. Du tippst einen Satz, und er wird wirklich tokenisiert, mit demselben BPE (cl100k_base), das ein echtes Modell verwendet. Du fixierst ein Partikel, und seine Nachbarn stammen aus einer echten Vektorsuche in Cloudflare Vectorize, in den vollen 1,024 Dimensionen — nicht in den 3, die du auf dem Bildschirm siehst. Du vergleichst zwei Konzepte, und der Kosinus, den es dir zeigt, ist der reale Kosinus. Der komplette Stack: Workers, Vectorize, D1, R2 und Workers AI, mit dem Frontend in Three.js über WebGPU — 20,473 Partikel in einem einzigen Draw-Call — und ein Korpus, der von selbst wächst, alle 30 Minuten, per Cron.

Warum ich es nicht bei einer Wochenend-Spielerei belassen habe

Ich bin seit über 25 Jahren in der Technologiebranche, die meiste Zeit davon damit beschäftigt, Unternehmen aufzubauen — Ignia Cloud, meine Investitionen, das Yucatech Festival. Vectron entstand nicht aus demselben Ehrgeiz. Es entstand genau aus demselben Impuls wie die Frustration im Kursraum: Wenn sich etwas zeigen statt beschreiben lässt, muss man es richtig zeigen — auch wenn das bedeutet, sich tief in Shader, PCA und GPU-Rendering einzuarbeiten, statt es bei einem Wochenendexperiment zu belassen.

Auch lehren, wo es lügt

Der Teil des Projekts, auf den ich am stolzesten bin, ist nicht der, der hübsch aussieht. Es ist der, der mit echten Zahlen über den Korpus misst, wie sehr du dem glauben kannst, was du siehst.

Was Vectron über sich selbst misst: Die 3 sichtbaren Achsen behalten gerade einmal 11.69% der realen Varianz (16 vollständige Komponenten kommen nicht einmal auf 26%). Rund 31% der Nachbarn, die der Bildschirm vorschlägt, sind von der Projektion erfunden (Trustworthiness von 0.694 bei k=10). Der Kosinus zwischen zwei völlig unverwandten Wörtern liegt bei 0.412 — die Null existiert nicht. Und es gibt echte Konzentration: Ein Konzept taucht in 77 Nachbarschaftslisten auf, gegenüber einem Durchschnitt von 10.

Daraus ergibt sich die wichtigste Designentscheidung des Produkts: Das Versprechen ist an die Abfrage geknüpft, die du stellst, nicht an die Position, in der die Punkte landen. Die Linien, die Konzepte verbinden, sind der ehrliche Kanal — realer Kosinus in 1,024 Dimensionen —; die Position ist der unehrliche Kanal — 11.69% Varianz. Deshalb behalten wir die Linien, mit Korrekturen: eine Obergrenze, wie viele gezeichnet werden, eine Strichstärke proportional zum realen Kosinus, ein Label, das erklärt, wonach du gefragt hast, und gekappte Linien, wenn die Beziehung nicht reziprok ist.

Der Moment, in dem ich wusste, dass es funktionieren würde

Es war nicht, als ich das Rendering fertigstellte, und auch nicht, als der Korpus sein Ziel von 20,473 Konzepten erreichte. Es war in einem Kurs, als ich es meinen Teilnehmern zeigte und sie ein Wort fixierten und sahen, wie sich seine echten Nachbarn im Raum aufleuchteten. Dieses “ahh, jetzt verstehe ich es”-Gesicht, dem ich jahrelang mit Zeichnungen an der Tafel hinterhergejagt war, sah ich endlich in Echtzeit — ohne dass ich noch etwas erklären musste.

Was als Nächstes kommt

Vectron bleibt nicht auf einer einzigen Ebene stehen. Es gibt eine Version für alle, die noch nie mit einem Sprachmodell in Berührung gekommen sind — ohne Fachjargon, mit 300 kuratierten Konzepten statt der vollen 20,473, weil weniger Elemente zu mehr echtem Lernen führen. Es gibt eine mittlere Version, mit Tokens, Embeddings und einem Fehler-Labor. Und es gibt eine fortgeschrittene Version für alle, die das komplette Instrument wollen: die unbearbeitete Mathematik und Kontrolle über den Korpus. Nach Erfahrungsstufe zu trennen statt nach Schwierigkeitsgrad ist genau das, was einen Anfänger, der auf Oberflächenmerkmale schaut, von einem Experten unterscheidet, der auf tiefe Prinzipien schaut.

Und das Projekt korrigiert sich weiterhin selbst. Als eines der Audits, die ich durchgeführt habe — sechs insgesamt, mit über 190 verifizierten Referenzen —, ergab, dass der Korpus nichts über echte Zweisprachigkeit bewies, ließ ich das richtige Protokoll laufen, und es zeigte sich, dass Spanisch in 50.7% der Fälle richtig lag, gegenüber 100% bei Englisch: eine Lücke, die vollständig zwischen den Sprachen verlief. Das wurde behoben, indem beide Formen eingebettet wurden, und heute liegt der Wert bei 99.3%.

Das ist, glaube ich, die eigentliche Idee hinter Vectron: ein Bildungswerkzeug über künstliche Intelligenz, das sich selbst genau der Prüfung unterzieht, die es den Menschen beibringt, von jeder KI einzufordern. Schaut vorbei, spielt damit herum und sagt mir, wie gut — oder wie schlecht — es euch etwas erklärt, das ich euch früher nur bitten konnte, euch vorzustellen: vectron.kilowatto.com.