夜雨聆风一串数字，就是一堆数字？
给数字装上“坐标”，AI 开始“看懂”世界
温度·甜度坐标 ｜ 词向量 ｜ 余弦相似度
向量系列 · 一串数字 = 向量
📦 3 Parts + Conclusion
👉 滑动
PART 01
给数字装坐标
从这是啥到它像啥
PART 02
位置近意思像
词向量怎么学出来
PART 03
量一下距离
相似度这把尺子
PART ///
写在最后
向量即视神经
上一篇，我们给 AI 装上了一层“视网膜”：文字、图片、声音，统统被翻译成了 0 和 1。
但问题来了。AI 手里现在是一堆数字，可它不知道这些数字是什么意思。“20320”和“22909”，哪个跟“你好”有关？一串孤零零的数字，本身什么都不表示。
要让 AI 从“看见”进化到“看懂”，中间还差一层，叫视神经。这层视神经，就是今天的主角：向量。
01
PART
给数字装上“坐标”
FROM WHAT TO HOW ALIKE
先抛一个问题：假设 AI 收到了两串数字，[8, 9] 和 [7, 8]。
它凭什么知道这两串数字“是一伙的”？光看数字本身，是看不出来的。数字和数字之间，哪来的“接近”？
除非，你给数字装上“坐标”。
我们做个思想实验。假设世界上有一套“饮品坐标”，横轴是温度，纵轴是甜度：
冰美式：冰、不甜 → [1, 2]；冰拿铁：冰、微甜 → [2, 3]；热牛奶：热、微甜 → [9, 4]。
饮品坐标：位置近，就相似
把它们画到图上就一目了然：冰美式和冰拿铁挨得很近，都是“又冰又不怎么甜”的咖啡；热牛奶蹲在另一个角落，又热又带奶味，和咖啡系不搭边。
位置近，就相似。数字还是那几个数字，可一旦规定了“每个数字代表什么”，它们就“站”出了含义。这就是坐标的意义。
我们把这种“一串有坐标意义的数字”起个名字，叫向量（Vector）。通俗地说：向量 = 一串有特定含义的数字。虽然 AI 脑子里的“坐标轴”可能多到我们无法命名，但只要这串数字在空间里的位置离得近，它们的意思就相近。
当然，两个维度远远不够。真实的 AI 世界里，描述一个饮品的词要用很多维度：温度、甜度之外，还有苦度、酸度、气泡感……维度越多，能区分的细节就越多。AI 就是这么干的。Transformer 原始论文里，每个词用 512 维的向量表示；BERT 升级到 768 维；到了 GPT-3，直接干到 12288 维，每个词都是一根一万两千多个数字组成的长向量。
维度越高，能容纳的“关系”就越多。就像我们在交友软件上找人，如果只看“性别”和“年龄”，只能筛选出同龄异性，这太粗糙了；如果加上“爱好”、“收入”、“性格”、“星座”等成千上百个维度，系统就能精确匹配出和你灵魂高度契合的那个人。
💡 一句话记住：数字只是原料，坐标让数字“站”出含义
02
PART
位置越近，意思越像
WORD VECTORS
刚刚的例子只有两个轴：温度、甜度。但上文说了，一个词有成百上千个维度，让人一个个想出来，头都要秃了。所以词向量，根本不是人设计的。
它是 AI 自己，从海量的文章里“学”出来的。它读了无数句“一杯冰美式”“一杯冰拿铁”，发现这俩总出现在同一个点单场景里，于是给它们分到了坐标空间里很近的两个点。
没有人告诉它“冰美式和冰拿铁挨得近”，它是自己“看”出来的。这也是词向量最神奇的地方。
那这个坐标空间长什么样？每个词是一个几百维的向量，人眼看不见，但可以算。
为了证明这一点，我们直接用一个开源中文模型 bge-large-zh-v1.5 来演示一下。下面这段代码，会真实跑出「冰美式 / 冰拿铁 / 热牛奶」三个词的向量，并计算它们两两之间的余弦相似度。结果越接近 1，说明它们在坐标空间里挨得越近。
import numpy as np
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("BAAI/bge-large-zh-v1.5")
words = ["冰美式", "冰拿铁", "热牛奶"]
vecs = {w: model.encode(w) for w in words}
def cos(a, b):
return float(np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)))
print("向量维度：", len(vecs["冰美式"]))
print("冰美式 vs 冰拿铁：", round(cos(vecs["冰美式"], vecs["冰拿铁"]), 4))
print("冰拿铁 vs 热牛奶：", round(cos(vecs["冰拿铁"], vecs["热牛奶"]), 4))
print("冰美式 vs 热牛奶：", round(cos(vecs["冰美式"], vecs["热牛奶"]), 4))
我跑了一遍，真实输出是这样的：
向量维度： 1024
冰美式 vs 冰拿铁： 0.6117
冰拿铁 vs 热牛奶： 0.4979
冰美式 vs 热牛奶： 0.3714
结果一目了然！“冰美式”和“冰拿铁”的相似度是 0.6117，最接近 1，而“冰美式”和“热牛奶”只有 0.3714，最低。这就说明：含义相近的词，向量距离就近。AI 不再是只存数字，而是知道哪些词是一伙的。
💡 一句话记住：向量里的每个数字是 AI 画下的坐标
03
PART
两个向量有多像？量一下距离
COSINE SIMILARITY
现在我们手里有了一堆向量。“冰美式”和“冰拿铁”很近，“冰美式”和“热牛奶”很远。可问题是，“很近”是多近？总不能光靠“感觉”吧。
这里要用到一把尺子，也就是我们前面提过的余弦相似度（Cosine Similarity）。
名字听着吓人，道理特别朴素。把两个向量看成两条从原点射出的“箭头”，它们之间有一个夹角。夹角越小，两个向量方向越一致，越像；夹角越大，方向越不一样，越不像。余弦相似度，就是把这个夹角变成一个数字。越接近 1 越像，越接近 0 越不像。
还记得饮品坐标吗？冰美式 [1, 2] 和冰拿铁 [2, 3] 指向几乎同一个方向，夹角小，相似度接近 1；冰美式和热牛奶 [9, 4] 方向明显不同，夹角大，相似度就低。
夹角小 = 相似，夹角大 = 不相似
这个“夹角”，用公式一算就出来。公式长这样：
余弦相似度 = (a₁b₁ + a₂b₂) ÷ (√(a₁²+a₂²) × √(b₁²+b₂²))
说人话就是：先把两个向量的对应位相乘、加在一起（分子），再除以两个向量各自的“长度”相乘（分母）。比如冰美式 [1, 2] 和冰拿铁 [2, 3]：分子 = 1×2 + 2×3 = 8，分母 = √(1+4) × √(4+9)，一除就出来一个数。公式看着唬人，其实每一步都是小学算术。
现在用二维的饮品向量亲手算一遍，看结果和上面的示意图是不是一致：
import math
冰美式 = [1, 2]
冰拿铁 = [2, 3]
热牛奶 = [9, 4]
def cos(a, b):
dot = sum(x * y for x, y in zip(a, b))
na = math.sqrt(sum(x * x for x in a))
nb = math.sqrt(sum(y * y for y in b))
return dot / (na * nb)
print("冰美式 vs 冰拿铁：", round(cos(冰美式, 冰拿铁), 4))
print("冰美式 vs 热牛奶：", round(cos(冰美式, 热牛奶), 4))
冰美式 vs 冰拿铁： 0.9923
冰美式 vs 热牛奶： 0.7719
结果和示意图完全对得上：冰美式和冰拿铁夹角小，相似度接近 1；冰美式和热牛奶夹角大，相似度明显低。“像不像”终于可以用一个数字说话了。
有了这把“尺子”，AI 能干什么？搜东西：你说“冰咖啡”，它能找出“冰美式”；找同类：它能从一堆词里，自动把“冰美式、冰拿铁、美式”圈到一起；去重、聚类、推荐……背后全是这把尺子。
💡 一句话记住：向量之间能量出“距离”
///
LAST
写在最后：向量 = AI 的“视神经”
FROM RETINA TO OPTIC NERVE
来，把这几步连起来看：
万物 → 0 和 1（视网膜，上一篇）
↓
0 和 1 → 向量坐标（视神经，这一篇）
↓
向量之间 → 能测"像不像"（看懂含义）
第 1 篇，AI 有了“视网膜”：万物变成数字。这一篇，AI 有了“视神经”：数字变成坐标，坐标带来距离，距离带来“含义”。
它第一次“看懂”了：冰美式和冰拿铁是一伙的，冰美式和热牛奶不是。虽然 AI 还是说不出“冰美式是苦的”这种话，但它已经知道谁和谁“更熟”。理解世界，就是这么开始的。
但别急，故事还没完。单看一个向量，只是张“静态的坐标卡”。向量真正的威力，藏在运算里。向量之间还能相加、相减、相乘：加法、数乘让向量“动”起来；点积能算出更精确的“像不像”；矩阵让一堆向量排好队，变成一台“信息加工机”。
下一层，就是向量的运算与矩阵。让 AI 从“看懂”进化到“会算”。我们下篇见 🐼
既然看到这里了，如果觉得有用，随手点个赞、在看、转发三连吧。
THANKS FOR READING