跳到主要內容

文章

所有筆記,依時間排序。

  1. № 014

    三分鐘訓練你的 AI 作曲家:聽它從亂彈到療癒

    在瀏覽器裡從零訓練一個會寫四部合唱的小 Transformer,邊練邊聽它從亂彈變成音樂。然後你當評審,點二十下把它調得更放鬆;也看它怎麼找到評審的漏洞。

    互動

    7 分鐘
  2. № 013

    三分鐘打造迷你 Figure AI:只給它一顆相機、一隻手臂

    Figure 的人形機器人只靠頭上的相機做事。這裡從零做一個最小的版本:一隻方塊畫成的手臂,靠一顆 48 × 48 的相機把方塊拿起來、放到你指定的地方。把相機撞歪它照樣放得好;縮小版你可以在瀏覽器裡花三分鐘自己練一個。

    互動

    10 分鐘
  3. № 012

    把光追放進 3D 遊樂園:體驗開車碰撞、飛機加速、直升機飛行

    上篇的房間是靜止的。這一篇把同一個路徑追蹤器搬到戶外,放進一個可以操控的人、五台車、一架直升機和一架飛機,每一幀都重新算光。東西一動,累積的樣本就全部作廢;看四件事怎麼讓它還是跑得動。

    互動

    9 分鐘
  4. № 011

    一張圖怎麼從雪花變清晰:從零寫一個 WebGPU 路徑追蹤器

    一個像素的顏色,是很多條亂彈的光線的平均。看一張圖從滿是雜訊慢慢變清楚,射一條光線看它怎麼算出一個顏色,打開一個開關讓雜訊少五倍,換上金屬和玻璃,再看 BVH 怎麼讓一百萬個三角形也跑得動。

    互動

    9 分鐘
  5. № 010

    從零打造一個任務排程器

    60 個互相等待的任務、4 個 worker、215 行 TypeScript。排程器本身只有四條規則,連任務失敗後重新排進去都算在內;難的是回答「還要多久」。看三條進度條各自怎麼騙你,再用排程器自己去預測,最後讓它從做完的任務裡學。

    互動

    9 分鐘
  6. № 009

    沒有人排班的城市:300 個小人各忙各的

    一座程序化生成的 3D 城市,每個小人只看自己的四條需求決定下一件事。把決策換成隨機或固定時程,看整座城市的節奏怎麼變。

    互動

    9 分鐘
  7. № 008

    一邊畫地圖,一邊找自己:從零寫一個 SLAM

    一台沒有 GPS、沒有地圖的小車,怎麼一邊畫地圖、一邊知道自己在地圖上的哪裡。開著它繞一圈,看地圖慢慢歪掉,再在回到起點的那一刻整張彈正。

    互動

    7 分鐘
  8. № 007

    一團雜訊怎麼長成一顆蘋果:在瀏覽器裡訓練 3D 擴散模型

    選兩種水果,按下訓練。一個從零寫起的擴散模型會在你的瀏覽器裡,學會把一團彩色的 3D 雜訊點,一步一步收成那兩顆水果,連顏色一起。

    互動

    9 分鐘
  9. № 006

    把一隻機器狗搬進瀏覽器:它的走路策略只是四次矩陣乘法

    用 MuJoCo 的 WebAssembly 版和 Deep Robotics 公開的走路策略,在瀏覽器裡讓 Lite3 走起來,然後動手把它弄倒:蒙住它的感覺、推它、調壞它的馬達。

    互動

    8 分鐘
  10. № 005

    一個身體,兩個頭:在瀏覽器裡訓練同時畫框又畫遮罩的 HydraNet

    用 emoji 水果當訓練資料,在瀏覽器裡從零訓練一個共用主幹、兩個輸出頭的小網路。十秒鐘它就找得到水果。然後我們誠實地量一次:多任務學習到底幫了什麼忙,又要付出什麼代價。

    互動

    9 分鐘
  11. № 004

    在瀏覽器裡從零訓練一個 Transformer:看注意力自己長出來

    不用 PyTorch,也不用任何函式庫。用 TypeScript 寫一個會自動微分的小引擎、一個一萬多個參數的 Transformer,然後按下按鈕,看它在幾秒內學會把一串數字反過來。

    互動

    7 分鐘
  12. № 003

    打造神經進化交易戰隊:從賭徒到股神

    讓一群隨機的交易機器人在 2024 年的蘋果股價上競爭、繁殖、突變,三十代之後報酬率 +43%,買進持有只有 +34%。親手訓練一支,再看清楚這個數字為什麼不算數。

    互動

    4 分鐘
  13. № 002

    從菜鳥到鳥霸王:讓 50 隻小鳥自己學會 Flappy Bird

    給五十隻小鳥各一顆只有六個權重的大腦,加上優勝劣汰,多半十幾代牠們就能連過一百根管子。然後打開那顆大腦,看牠到底學到了什麼。

    互動

    3 分鐘
  14. № 001

    從零開始的 CNN:在瀏覽器裡看見卷積神經網路怎麼「看」

    不用任何機器學習函式庫,只用 TypeScript 寫出一個能辨識手寫數字的卷積神經網路,然後把它每一層的輸出攤開來看。

    互動

    6 分鐘