AI 的数学语言（一）：用数字画地图——从数轴到高维空间

引言

如果有人告诉你——

ChatGPT 不认识任何一个字。它只认识数字。

你可能会觉得奇怪。它明明能写诗、能翻译、能回答"猫为什么喜欢纸箱"。

但事实就是如此。在 AI 的世界里，一切都是数字。 文字是数字，图片是数字，声音也是数字。AI 做的所有事情——理解、推理、生成——都是数字之间的计算。

这个系列共四篇，带你从零开始理解这些计算的数学语言——线性代数。别被这个名字吓到。我们从最简单的东西开始：一个数字。

系列导航

你正在读第一篇。如果你已经读过我们的 Attention 机制文章，你会在这个系列中找到很多"原来如此！“的瞬间。

▸ 第一篇（本文）：从数轴到高维空间 — 向量是什么？词怎么变成数字？

▹ 第二篇：向量的加减法 — 点积、余弦相似度、AI 衡量"相似"的方法

▹ 第三篇：矩阵——空间的变形术 — 矩阵如何变换空间（含动画演示）

▹ 第四篇：矩阵乘法与 AI — 理解 Transformer 的最后一块拼图

▹ 第五篇：激活函数——神经网络的开关

▹ 第六篇：梯度下降——AI 怎么学习

第一章：一个数字能描述什么？

温度计：最简单的例子

看看你家的温度计。上面只有一个数字——比如 23°C。

这一个数字就能告诉你：现在冷不冷、该穿什么衣服、要不要开空调。

一个数字 = 一条信息。

这些都可以画在一根线上——数轴：

冷                    舒适                    热
◄──────┼──────┼──────┼──────┼──────┼──────►
      10     15     20     25     30    (°C)
                           ▲
                      你家: 23°C

数轴上的每个点，只需要一个数字就能确定位置。数学家说这叫一维空间。

公式时间

一维空间中的一个点 = 一个数字 x

例：温度 = 23，体重 = 65，余额 = 3500

简单吧？但一个数字能描述的东西太有限了。如果我想告诉你一个地方在哪，一个数字够吗？

第二章：两个数字能做什么？

城市地图：用两个数字定位

想象你在一个整齐的棋盘格城市（像纽约的曼哈顿）。朋友问你"星巴克在哪”，你说：

“第 3 街，第 5 大道的路口。”

两个数字，精确定位一个点。

这就是数学课上的坐标系——一个横轴 x，一个纵轴 y，两根轴交叉。任何一个点都可以用 (x, y) 来表示。

看到了吗？从一个数字到两个数字，我们的描述能力大幅跳跃——从线上的点，变成了平面上的点。

公式时间

二维空间中的一个点 = 两个数字 (x, y)

例：星巴克 = (3, 5)，天安门 = (39.9, 116.4)

第三章：更多数字 = 更多信息

加到三个数字

如果那个城市的建筑有很多层楼呢？“第 3 街，第 5 大道，12 层"——三个数字，定位三维空间中的任何一个点。

1 个数字 → 线上的点    (一维)
2 个数字 → 平面上的点  (二维)
3 个数字 → 空间中的点  (三维)

这三个你都能想象出来。但接下来呢？

游戏角色：五个数字描述一个人物

如果你玩过 RPG 游戏（角色扮演），你一定见过这样的属性卡：

五个数字完整地描述了这个角色的能力。我们可以把它写成一组数字：

阿光 = [85, 40, 92, 1200, 30]

这组数字叫做向量（vector）。

向量 = 一组有序的数字

没有什么高深的。向量就是一串数字，按固定顺序排列。

关键认知跳跃：

你没法在脑子里想象 256 维空间。没人能。

但数学完全一样。 2 维空间里怎么计算距离、怎么比较相似度，256 维空间里用完全相同的公式。

所以不用害怕"高维"——它只是更长的数字列表。

公式时间

n 维向量 = n 个数字按顺序排列

写法：v = [v₁, v₂, v₃, …, vₙ]

1 维是向量，2 维是向量，256 维也是向量。

第四章：AI 怎么把文字变成数字？

好了，到了关键问题：ChatGPT 是怎么处理文字的？

答案很简单——它把每个词变成一个向量。

词向量（Word Embedding）

在 AI 内部，有一张巨大的"词典"。这个词典不是给你查释义的，而是给每个词分配一串数字：

"国王" → [0.21, -0.45, 0.89, 0.12, ..., 0.33]   ← 256个数字
"王后" → [0.19, -0.42, 0.85, -0.15, ..., 0.30]   ← 256个数字
"汽车" → [-0.82, 0.11, -0.03, 0.67, ..., -0.21]  ← 256个数字

注意看"国王"和"王后"的数字：前几位很接近（0.21 vs 0.19，-0.45 vs -0.42）。而"汽车"的数字完全不同。

这不是巧合。这些数字经过训练，让意思相近的词拥有相近的向量。

类比：词向量就是超级属性卡

还记得游戏角色的 5 个属性吗？词向量是同样的概念，只不过：

第二行很重要：词向量的每个维度，不是人类起名的。 AI 在大量文本上训练后，自动发现了区分词义的最佳方式。我们只知道，意思接近的词，向量就接近。

动画：词向量空间

下面的动画展示了一个简化的二维投影——把高维词向量"压缩"到二维平面，你可以直观看到相似的词聚在一起：

注意动画中的两个关键现象：

如果你读过我们的 Attention 机制文章，你会记得第一章里的"雷达图”——那正是词向量的简化表示。现在你知道了：那些数字是怎么来的，以及为什么意思相近的词数字也接近。

第五章：这和 AI 有什么关系？

到这里我们建立了一个认知：

但 AI 不只是看这些数字，它要处理这些数字。怎么处理？

第一步：比较——谁和谁相似？

“国王"和"王后"相似吗？比较它们的向量就知道了。向量越接近，意思越接近。

这就是搜索引擎、推荐系统、ChatGPT 理解你的话的起点。

第二步：变换——把向量从一个空间映射到另一个空间

AI 拿到词向量后，不是原封不动地用。它会通过一个"变换”，把词向量变成新的向量——提取出不同的信息（比如"这个词在问什么"“这个词提供了什么信息”）。

这个"变换"就是矩阵乘法。 这是第三篇文章的内容。

第三步：组合——把多个向量的信息合并

一句话有很多个词，每个词都是一个向量。AI 需要让它们互相交流——“你"这个词需要知道"好"在旁边。

这个"交流"就是注意力机制（Attention）。 它的核心运算也是矩阵乘法。这是第四篇的内容。

第一篇（本文）   → 万物变成向量（数字列表）
                      ↓
第二篇（下一篇） → 比较向量（点积、余弦相似度）
                      ↓
第三篇           → 变换向量（矩阵 × 向量）
                      ↓
第四篇           → 批量变换（矩阵 × 矩阵 = AI 的核心运算）

第六章：动手验证

光说不练假把式。下面是我们在 AI 实验 VM 上用 Python + NumPy 实际跑的实验：给三个词分配简化的 5 维向量（真实模型用 256 维以上，原理完全一样），然后计算它们之间的距离。

以下命令在 Ubuntu 22.04 + Python 3.10 环境中执行：

azureuser@ai-lab:~$ source ~/ai-lab-venv/bin/activate
(ai-lab-venv) azureuser@ai-lab:~$ python3

>>> import numpy as np
>>>
>>> # 给三个词分配简化的 5 维向量（真实模型用 256 维以上）
>>> king  = np.array([0.9, 0.8, 0.1, 0.3, 0.7])   # 皇室 + 男性
>>> queen = np.array([0.8, 0.2, 0.1, 0.3, 0.7])   # 皇室 + 女性
>>> car   = np.array([0.1, 0.5, 0.9, 0.8, 0.1])   # 交通工具
>>>
>>> # 计算欧氏距离（越小越相似）
>>> print(f"king ↔ queen 距离: {np.linalg.norm(king - queen):.2f}")
king ↔ queen 距离: 0.61
>>> print(f"king ↔ car   距离: {np.linalg.norm(king - car):.2f}")
king ↔ car   距离: 1.41

结果解读： 0.61 vs 1.41 —— king 和 queen 的距离只有 king 和 car 的一半不到。向量越接近，语义越接近。

继续验证"平行四边形"关系——king − man ≈ queen − woman：

>>> man   = np.array([0.2, 0.9, 0.1, 0.2, 0.5])
>>> woman = np.array([0.1, 0.1, 0.1, 0.2, 0.5])
>>>
>>> print(f"king  - man   = {king - man}")
king  - man   = [ 0.7 -0.1  0.   0.1  0.2]
>>> print(f"queen - woman = {queen - woman}")
queen - woman = [0.7 0.1 0.  0.1 0.2]
>>>
>>> # 两个"方向向量"之间的距离
>>> print(f"两个方向的距离: {np.linalg.norm((king-man) - (queen-woman)):.2f}")
两个方向的距离: 0.20

结果解读： 距离只有 0.20，几乎一样！从 man 到 king 的"方向"和从 woman 到 queen 的"方向"高度一致——“皇室"这个概念被编码成了一个方向。

本章小结

下一篇预告

我们已经知道万物可以变成向量。下一个问题是：

怎么衡量两个向量有多相似？

答案是一个简单到令人惊讶的运算——点积。它是 AI 里最重要的单步运算，ChatGPT 每次回答你的问题，都要执行数万亿次点积。

下一篇：AI 的数学语言（二）：向量的加减法——数字世界的方向与距离