Demo 1：Gopnik Blicket Detector — 因果学习
Chapter 2 · 贝叶斯图
核心公式：\( p(C_A, C_B | D) \propto p(D | C_A, C_B) \, p(C_A, C_B) \)
物体 A
物体 B
Blicket 机器
设计实验 Trial
选择放哪些物体到机器上，然后设置机器是否启动，再点击"记录此 Trial"。
机器结果：
| # | 物体 | 机器 |
|---|
DAG 结构
机器 + 物体动画
后验分布 p(C_A, C_B | D)
四种因果假设的后验概率 — 2×2 热力图
观察提示：试试经典实验设计：先放 A+B → 启动，再单独放 A → 启动，最后单独放 B → 不启动。观察后验如何从"均匀"逐步更新到"A 是 blicket, B 不是"。如果 A+B 启动但 A 单独不启动、B 单独也不启动，后验会怎样？
文献与案例意图：本 demo 对应教材 §2.1 贝叶斯网定义与因果学习。Gopnik et al. (2004, 2007) 发现儿童能通过干预实验推断因果结构。DAG \(C_A \to M \leftarrow C_B\) 把"谁导致了什么"编码为因果图，数据通过似然更新隐藏因果属性。教学点：贝叶斯图不只是统计工具，也是因果推断的语言。