这个时代由学习型机器驱动，然而学习本身却隐藏在 API 之后。在这里它一览无余，每一步都呈现在屏幕上，并完全在你的浏览器中运行：一个神经网络实时勾勒出决策边界，一个智能体偶然撞上奖励，注意力决定该看哪个词，噪声在扩散模型下逐渐凝结成结构。没有云端，没有密钥——只有梯度、策略与概率，在发生的瞬间被绘制出来。
一张 Kohonen 网格，它会褶皱、拉伸并披覆在任意数据分布之上——把拓扑结构的发现可视化呈现。
看一个表格型强化学习智能体从零开始构建导航策略——在陷阱中跌撞、发现奖励，并把最优箭头刻入网格的每一个格子。
看 1958 年的 Rosenblatt 神经元一次次修正，逐步在你的数据中划出一条决策线。
看一个手写的神经网络通过反向传播学习分离二维点云时，实时弯折它的决策边界。
GPT 的祖先——根据前面几个词元预测下一个，并看着连贯性随着阶数增长而逐渐浮现。
看 Lloyd 算法把散点图切割成鲜活的 Voronoi 区域，质心实时追踪并锁定各自的簇。
看一个带噪声或被半擦除的图案如何回弹到已存储的记忆，神经元网络一路下坡滚入吸引子。
五种基于梯度的优化器同时冲下同一片损失地形，揭示为何 Adam 在速度、稳定性和逃离鞍点方面胜过朴素的 SGD。
漫游一个手工构建的语义空间，其中 国王 − 男人 + 女人 恰好落到 王后，意义的簇团绽放出霓虹般的色彩。
看 CART 分类器把你的二维数据切分成轴对齐的区域——每次只做一次信息量最大的分裂。
看 ε-贪心、UCB1 与汤普森采样竞相找出最佳的老虎机臂——算法在探索与利用之间博弈时，累积遗憾被实时绘制出来。
看 Transformer 如何决定关注什么——通过实时热图和二部注意力流，让 softmax(QKᵀ/√d) 变得直观可感。