很多人一听到“向量”，脑子里会立刻浮出高中数学。坐标轴、公式、矩阵、线性代数——一股纯技术气味扑面而来。可如果只把向量看成数学名词，你反而会错过它在 AI 里真正重要的位置。因为现代 AI 之所以能做推荐、检索、相似搜索、语义匹配，靠的都不只是“记住了很多东西”，而是更早的一步：它先把对象放进了一个可比较的空间里。这句要记住。因为只要这句不成立，“向量”这个词就永远只会像一块数学黑板。而这篇真正要做的，恰恰是把它从黑板上拉回现实里。它不再只是公式。它开始回答一个真正重要的问题：当关键差异已经被抓出来之后，机器怎样让这些差异真正变成可比较的关系。
一、为什么光抓差异还不够
前一篇说过，特征是在复杂输入里抓关键差异。但差异抓出来之后，如果只是零散地堆在那里，系统还是很难真正长出能力。它还必须做到一件事：让这些差异之间的远近、方向、相对位置，变得可比较、可计算、可排列。否则，“这首歌和那首歌更像”“这篇文章和那篇内容更接近”“这个用户更像哪一群人”，在机器那里都没有稳定位置。这就是为什么 AI 最后要走到“空间化”。特征解决的是“抓什么”。空间解决的是“抓到之后，怎样让关系开始长出形状”。换句话说，特征回答的是“抓什么”。向量和空间化回答的则是：“抓到之后放到哪里，才能让关系开始变得可比较”。
二、向量真正解决的，不是专业感，而是关系感
可以把向量先理解成一句很人话的话：向量是机器存放差异关系的空间容器。注意，不是只存对象本身，而是存关系。一旦对象进入空间，很多原来只是直觉的东西，就开始有了机器能操作的形式：谁更近谁更远谁聚成一团谁偏在一边谁站在两团之间这也是为什么搜索、推荐这些能力，看起来像魔法，底层却离不开空间。因为如果没有空间，“相近”这件事就永远只是人的感觉，没法变成机器能调用的能力。这句特别重要。因为现代 AI 很多让人震动的能力，表面上是在“它怎么知道这个也相关”。底层却都绕不开一件事：系统必须先让“彼此接近”变成一种能被稳定运算的结构。这也是为什么现代 AI 很多能力表面差别很大，底层却老是会走回同一个地方。检索如此。推荐如此。语义搜索如此。图像相似判断也是如此。因为它们都得先把“彼此更像”这件事写成一个能运算的结构。
三、为什么现代 AI 这么依赖空间化
想象一下，你桌上有一堆纸条，每张都写着一点信息。如果这些纸条毫无位置关系，只是乱堆着，你当然也能一张张翻，但很难迅速看出整体结构。可一旦你按内容远近把它们摊开，事情就变了。有些纸条会自然靠在一起，有些明显远离，还有一些刚好站在两类中间。这时，“关系”第一次长出了形状。AI 里的向量空间，承担的就是这种功能。它不是为了显得数学化，而是为了让“关系”变得可算。也就是说，向量重要，不是因为它让系统看上去更专业。而是因为它让关系第一次从“感觉差不多”变成“可以比较远近”。这也是为什么，这一章不能被写成线性代数小课。本册要解释的，不是公式。而是现代 AI 为什么必须依赖空间化，才能让“更像”“更近”“更相关”这些感觉，真正变成机器能调用的能力。所以为什么现代 AI 这么依赖空间化？因为没有空间，你很难稳定地处理这些问题：这段文字更接近哪一类意思？这张图片更像哪种视觉模式？这个人更像哪种偏好群体？这篇文档和哪几篇其实在谈同一个问题？
所以，这一篇真正要讲的话是：向量不是数学摆设，而是机器让差异变得可比较的空间容器。特征解决的是“抓什么”，向量解决的是“抓到之后放到哪里”。只要这句话记住了，你就会更容易理解现代 AI 为什么离不开空间化。也会自然走到下一个问题：既然已经有了空间，那空间里的位置，又是怎样被安排出来的？这就轮到一个很常被人听成黑话、其实特别关键的词出场了：embedding。
夜雨聆风