夜雨聆风【AI认知】是我和大家一起学习 AI 的长期专栏。
我们从基础概念开始，一点点看懂 AI 的底层逻辑和现实应用，慢慢搭起一张 AI 世界地图。
AI认知003导图🗺️
数据提供经验，但机器不能直接处理人类世界里的“意思”→ 表示，就是把信息转成机器能处理的形式→ 不同数据要先被拆成基本单位文本可以切成 Token，图像可以切成图像块，音频可以切成时间片→ 这些单位会被转成向量，也可以被转成 JSON、函数参数、API 调用格式→ Embedding 是把对象放进向量空间，让相似和相关可以被计算→ 好的表示，能保留有用关系；差的表示，会丢失或混淆关系→ 上下文会改变表示，同一个词在不同语境里不该被固定理解→ 多模态表示，让文字、图片、声音、视频之间可以互相对齐
上一篇我们讲了数据。
数据是 AI 能力的第一块地基，它决定模型接触过怎样的世界，也决定模型能从中学到什么经验。但有了数据，还不等于机器就能学习。
人看到一句话，可以直接理解大概意思；看到一张图片，可以知道里面有一只猫、一辆车、一个人；听到一段语音，可以分辨语气、停顿和情绪。机器不是这样工作的。机器不能直接处理“意思”，它只能处理数字、结构、规则、概率和运算。
所以，在数据和模型之间，还需要一层转换。
这一层就叫：表示。
如果说数据回答的是“AI 从哪里获得经验”，那么表示回答的是：这些经验怎样变成机器可以处理的形式？
01｜表示不是把世界变简单，而是把世界变成可计算
表示，简单说，就是把信息转换成机器能处理的形式。
这句话听起来很普通，但它是理解 AI 的一个关键入口。
因为人类世界里的信息，本来不是为机器准备的。一句话里有字面意思，也有上下文；一张图片里有颜色、轮廓、物体、位置关系；一段声音里有音高、节奏、停顿、语气。人可以凭经验直接理解这些东西，机器必须先把它们转成可以计算的结构。
这里要先避免一个误解：表示不等于“把所有东西都变成向量（我们后面说）”。向量是非常常见、也非常重要的一种表示方式，尤其在语言理解、语义检索、图像识别里经常出现。但表示这个概念更大，它指的是任何一种“把信息变成机器可处理形式”的方式。
比如，文本进入模型时，通常先被切分成 Token 序列，再通过嵌入层映射为向量表示；用户意图可以被表示成 JSON；调用工具时，可以被表示成函数参数或 API 调用格式。它们看起来形式不同，但本质一样：都是把人类能理解的信息，转换成机器能处理的东西。
所以这一篇讲“表示”，不是只讲一个技术名词，而是讲 AI 系统里非常基础的一步：机器要先把世界翻译成自己的语言，后面才谈得上学习、理解、生成和行动。
在文本里，这个单位通常叫 Token。Token 可能是一个字、一个词，也可能是一个常见片段。大语言模型看到的不是“一篇文章”这个整体，而是一串 Token 序列。上下文长度、长文处理、输出截断、模型计费，很多都和 Token 数量有关。
图像也需要切分。常见做法是把图像拆成像素块，或者更适合模型处理的图像 patch。一张图片不是被模型一次性“看懂”的，而是被分解成许多局部区域，模型再从这些局部区域里学习边缘、纹理、形状、物体和空间关系。
音频则要按时间切。声音是连续变化的波形，模型需要把它拆成很短的时间片，观察不同时间片里的频率、音色、节奏、停顿和语调。
视频更复杂，它既有一帧一帧的图像，又有时间上的连续变化。单张画面只能告诉模型“这里有什么”，连续帧之间的关系才能告诉模型“发生了什么”。
所以，Token 只是文本切分的一种形式。更一般地说，表示的第一步，是把复杂数据拆成机器可以处理的基本单位。不同类型的数据，切分方式不同，但目标一致：先把混成一团的信息，拆成可以计算、比较、组合的小块。
03｜第二步：把这些单位变成机器能计算的形式
切分只是开始。Token、图像块、音频片段这些单位，如果只是被拆出来，机器仍然不知道它们之间有什么关系。接下来，还要把它们转换成更适合计算的形式。
在大模型里，最常见的一种形式就是向量。向量可以先理解成一组数字。一个 Token、一段文字、一张图片、一个文档，都可以被转换成一组数字，用来表示它在模型里的某种位置和特征。
为什么要变成向量？因为向量可以计算。机器可以计算两个向量之间的距离，可以比较它们是否接近，可以把它们放进模型里继续运算。这样，原本很难直接处理的“意义”，就变成了可以参与计算的关系。
不过这里也要再次强调：向量不是唯一的表示形式。向量适合表达语义相似、特征关系和模式结构；但当 AI 要调用工具时，表示可能会变成另一种样子。
比如你说：“帮我查一下明天北京天气，然后整理成一句话。”系统要把这句话转换成机器能执行的结构：调用天气工具，地点是北京，时间是明天，输出格式是一句话。这里的表示可能就是 JSON、函数参数或 API 调用格式。
所以，表示不是只有“转向量”这一条路。更准确地说，表示就是把信息转换成当前任务需要的机器形式。理解语言时，常常需要向量；调用工具时，常常需要结构化参数；检索资料时，可能需要向量和关键词一起用。
这也是表示这个概念容易被讲窄的地方。它不是某一种格式，而是一层转换：把人类的信息，变成机器能继续处理的信息。
04｜Embedding：把对象放进可以比较关系的空间
现在我们再来看一个常见词：Embedding，中文常翻译成“嵌入”。
如果前面讲的是“信息可以被转成向量”，那么 Embedding 更进一步讲的是：把对象放进一个向量空间里，让对象之间的关系也能被计算。
举个简单例子。如果只是编号，“猫=001，狗=002，汽车=003”，机器只知道它们是三个不同对象，却不知道“猫”和“狗”比“猫”和“汽车”更接近。但如果通过 Embedding 把它们放进向量空间里，语义上接近的东西可以距离更近，语义上差得远的东西可以距离更远。
这就让很多事情变得可能。
比如你在知识库里搜“AI 知识库”，有一篇笔记标题叫“如何让模型先读公司文档再回答”。这篇笔记没有出现“知识库”三个字，但它讲的内容和“AI 知识库”很接近。如果系统把你的问题和文档内容都做成 Embedding，就可以通过向量距离找到这类语义相关的资料。
所以 Embedding 的重点不是“又把数据变成了一组数字”，而是让相似、相关、主题、类别这些关系进入可计算空间。它解决的是：机器怎样判断两个内容虽然字面不同，但意思接近。
不过，Embedding 也不能被神化。语义接近不等于事实正确，相关不等于因果，相似不等于可以直接替代。它能帮助系统找到相关内容，但不能自动保证内容真实可靠。
这一点后面讲知识库和 RAG 时会非常重要：向量检索能帮 AI 找到“可能相关”的资料，但最终是否准确，还要看资料质量、引用方式和生成过程。
05｜表示质量：保留下来的关系，决定模型能学到什么
到这里，我们已经知道：数据要先被切分，再转成机器能处理的形式，很多时候还会通过 Embedding 进入向量空间。接下来的问题是：是不是只要转完就行？
不是。
表示的质量非常关键。因为表示不是机械地把东西换个格式，而是在决定哪些信息被保留，哪些信息被压缩，哪些信息被丢掉。
如果表示太粗糙，原本不同的东西可能被混在一起。比如两个词字面相近，但含义完全不同；两个句子说法不同，但意思其实接近；一张图片里主体和背景混在一起；一段声音里内容和噪音缠在一起。表示如果处理不好，模型后面就很难学出稳定规律。
好的表示应该尽量保留有用关系。它能让模型看出词语之间的语义接近，句子之间的主题关联，图片区域之间的对象关系，音频片段之间的节奏变化，代码片段之间的功能相似。
这就是为什么 AI 能力提升不只靠更多数据和更大模型，也靠更好的表示方法。数据里本来有关系，但如果表示方式看不见这些关系，模型就很难学到。反过来，一个好的表示方式，会把隐藏在数据里的结构更清楚地暴露出来。
所以，表示质量影响的不是表面格式，而是模型能不能从数据里抓住真正有用的规律。
06｜表示不是固定的，上下文会改变意义
前面为了方便理解，我们好像在说：一个词可以被转成一个向量，一个对象可以被放进一个空间。但真正进入大模型时，表示并不是永远固定的。
同一个词，在不同上下文里，意义会变。
比如“苹果”出现在“我买了一斤苹果”里，多半是水果；出现在“苹果发布了新手机”里，多半是公司。同一个词，如果永远只有一个固定表示，就很难处理这种变化。
现代大模型强的地方之一，就是它会根据上下文动态调整表示。
一个词前后出现了什么内容，会影响它当前应该被理解成什么。不是先查一本固定词典，再机械套用解释，而是在当前上下文里重新确定它的位置和作用。
这也是为什么 Prompt提示词 会影响输出。你给模型的背景、角色、任务、材料、限制条件，其实都在影响模型对当前问题的表示。背景越清楚，模型越容易把问题放到正确的语义空间里；背景越混乱，它就越容易误解任务。
这里先不展开模型结构。只需要先记住一点：现代大模型之所以能动态调整表示，和后面要讲的注意力机制有关。等下一篇讲模型结构时，我们再看它是怎么做到的。
这一节先建立一个概念：表示不是固定的。同一个词、同一句话、同一段材料，在不同上下文里，可以形成不同表示。
07｜多模态表示：不同形式的信息要能互相对齐
前面主要讲文字。但今天的 AI 已经不只处理文字，还能看图片、听语音、理解视频，甚至把文字、图片、声音放在同一个任务里处理。
这背后仍然是表示问题。文字有文字的表示，图像有图像的表示，音频有音频的表示，视频还有时间维度上的表示。多模态 AI 的关键，不是简单地多接几种输入，而是让这些不同形式的信息能够互相对齐。
比如你给 AI 一张猫的图片，再问“这是什么动物”，系统需要把图像里的视觉特征和语言里的“猫”这个概念对应起来。你让 AI 根据图片写说明，它要从视觉表示转到语言表达。你让 AI 听一段语音并总结，它要先处理声音，再转成语义，再组织成文字。
所以，多模态不是界面升级，而是表示能力的扩展。不同形式的数据先各自变成机器可处理的表示，再通过对齐，让系统知道图片里的对象、语言里的词、声音里的内容、视频里的动作之间有什么关系。
一旦这种对齐做得更好，AI 就不只是“会聊天”。它可以观察图片、理解语音、描述视频、根据屏幕内容执行任务，也可以把不同来源的信息合在一起处理。
这就是为什么多模态能力会改变 AI 产品形态。它让 AI 从文本框里走出来，开始接触更接近真实世界的信息。
08｜表示不只发生在模型训练中，也发生在 AI 每次工作时
最后，我们把表示放回整个 AI 系统里看。
表示不是模型训练阶段才用一次。模型训练时，数据要先被转换成机器能处理的形式；模型投入使用后，用户问题、知识库文档、搜索结果、工具说明、调用参数，也同样要被转换。AI 每次工作，其实都在经历某种表示过程。
比如知识库检索。系统不是只在文档里找几个关键词，而是会把用户问题和文档片段都转换成表示，再比较它们是否相关。
在真实应用里，系统不只会表示正文内容，也会表示标题、关键词、标签、时间等附加信息。这些信息可以先被单独记录下来，比如标题就是标题，标签就是标签，时间就是时间。只有当它们需要参与模型计算时，才会被转换成模型能够处理的数值形式。它们不是和向量并列的关系，而是同一批信息在不同用途下，会有不同的表示方式。
工具调用也是一样。用户用自然语言说“帮我把这篇文章整理成飞书文档”，系统要理解“这篇文章”指什么，“整理”是排版还是改写，“飞书文档”是云文档还是普通文件，最后还要把这些信息变成工具能执行的参数。
这个过程本质上仍然是表示：把人的意图转换成机器能执行的形式。
所以，不管 AI 是在学习数据，还是在使用资料、调用工具、处理任务，它都需要先把对象转换成机器能处理的形式。这个转换过程，就是我们这一篇讲的“表示”。不用把它说得很玄。表示就是 AI 系统的翻译过程：把人类世界里的内容，翻译成机器世界里能计算、能比较、能调用、能执行的形式。
09｜结语
这一篇讲的是能力生成链条的第二层：表示。
数据提供经验，但机器不能直接处理人类世界里的意思。表示的作用，就是把文字、图片、声音、视频、文档、工具和用户意图，转换成机器能处理的形式。所以，表示不是一个单一形式。
为了不把概念混在一起，我们可以先粗略分成几类：一种是切分出来的单位，比如 Token、图像块、音频片段；一种是模型计算用的数值形式，比如 Embedding 这样的向量表示；还有一种是系统交互用的格式，比如 JSON、函数参数、API 调用格式。
它们都和“表示”有关，但解决的问题不一样。
理解表示之后，我们再看 AI，就不会只说“它读懂了文章”、“它看懂了图片”、“它理解了我的意思”。更准确地说，是这些内容先被转换成了某种机器可处理的表示，模型再在这些表示之间计算关系、生成输出。
下一篇，我们继续拆第三层：模型结构。也就是，数据和表示准备好之后，AI 到底需要一个什么样的结构，才能承载这些规律，并最终形成我们看到的能力。
如果文中有不准确或不完善的地方，欢迎大家留言补充。
