Vectron：我不再要求他们去想象它

我几乎每个月都会讲一门人工智能课程：四节课，每节一个半小时。第一节课总会走到同一个环节：我请听众去想象一个语言模型。不是像传统数据库那样有表格和行，而是更接近一种空间。问题是，我控制不了他们的想象。教室里每个人构建出的比喻都不一样，其中不少比喻是错的。

我很快就发现：当我不再让他们去想象，而是直接展示给他们看——哪怕只是在黑板上临时画的一幅图——整节课都会变得不一样。由此出发，随着时间推移，逐渐发展成了一套完整的教学系统。这套系统就是Vectron。

它到底是什么，不打比方

Vectron是一张公开的语义3D地图，实时运行在vectron.kilowatto.com。立方体里的每一个粒子都是一个真实的词，来自一个包含20,473个概念的语料库，它的位置来自bge-m3（Workers AI）生成的1,024维真实嵌入向量，经PCA压缩为3个坐标。

这不是一个模型演示，也不是预先录制的动画。你输入一句话，它会被真正地分词，用的正是真实模型所使用的同一套BPE（cl100k_base）。你固定住一个粒子，它的邻居来自Cloudflare Vectorize上一次真实的向量搜索，是在完整的1,024维空间里进行的，而不是屏幕上看到的那3维。你比较两个概念，看到的余弦值就是真实的余弦值。整套技术栈是：Workers、Vectorize、D1、R2和Workers AI，前端用Three.js在WebGPU上渲染——20,473个粒子只用一次绘制调用——语料库还会通过cron每30分钟自动增长。

为什么我没有把它留作一个周末的小玩意儿

我在科技行业已经超过25年，大部分时间都在创办公司——Ignia Cloud、我的各项投资、Yucatech Festival。Vectron并非出自同样的野心。它恰恰诞生于和教室里那种挫败感相同的地方：如果一件事能被展示出来而不只是被描述，那就应该把它展示好，哪怕这意味着要深入钻研shader、PCA和GPU渲染，而不是把它当作一个周末小实验草草收场。

也要教清楚它在哪里"撒谎"

这个项目里我最引以为豪的部分，不是好看的那部分。而是那个用语料库上的真实数字，去衡量你眼前所见到底有多可信的部分。

Vectron对自身的测量结果：可见的3个坐标轴仅保留了真实方差的11.69%（完整的16个主成分加起来也不到26%）。屏幕上显示的邻居中，大约31%是投影"编造"出来的（k=10时的trustworthiness为0.694）。两个毫无关联的词之间的余弦值是0.412——真正的零并不存在。而且存在真实的聚集现象：某个概念出现在77份邻居列表中，而平均值只有10。

由此产生了这款产品最重要的设计决策：承诺绑定在你发起的查询上，而不是这些点最终落下的位置上。连接概念的线条是诚实的通道——1,024维空间中的真实余弦值；而位置则是不诚实的通道——只有11.69%的方差。因此我们保留了这些连线，并做了几处修正：限制绘制的连线数量，线条粗细与真实余弦值成正比，用标签注明你查询的内容，并在关系不互逆时将连线截断。

我确信它真的有用的那一刻

不是我完成渲染的那一刻，也不是语料库达到20,473个概念这个目标的那一刻。而是在一次课上，我给学生们展示它时，他们固定住一个词，看到它真正的邻居们在空间中一一亮起来。那种"啊，我懂了"的表情——我多年来一直想靠黑板上的图画追求到的东西——我终于在那一刻实时看到了，而我什么都不用再多解释。

接下来

Vectron并不只停留在一个层次。有一个版本是给从未接触过语言模型的人准备的——没有术语，只有精心挑选的300个概念，而不是完整的20,473个，因为元素越少，才更能带来真正的学习。有一个中级版本，包含token、嵌入向量和一个故障实验室。还有一个高级版本，给想要完整工具的人：未经删减的数学原理和对语料库的控制权。按专业程度而不是按难度来划分，正是区分"只盯着表面特征看的新手"与"看深层原理的专家"的关键所在。

而且这个项目还在不断自我修正。我对它做过的一次审查——总共六次，核实了190多条参考资料——发现语料库根本没有证明任何真正的双语能力。于是我跑了正确的验证流程，结果发现西班牙语的准确率只有50.7%，而英语是100%：这是一个完全存在于语言之间的差距。后来通过把两种语言形式都嵌入进去修正了这个问题，如今准确率是99.3%。

我想，这才是Vectron背后真正的想法：一个关于人工智能的教育工具，把它教会人们该如何审视任何AI的那套标准，同样用在了自己身上。来试试吧，玩一玩，然后告诉我——它把那个我曾经只能让你们去想象的东西，解释得到底有多好，或者有多差：vectron.kilowatto.com。