看见数学（十一）：向量——给万物一个坐标

前两幕，我们学会了描述静止的世界（数、方程、坐标），也学会了描述变化的世界（函数、指数、波、微积分）。

第三幕的主题是：看不见的世界。

高维空间、概率分布、梯度场——这些东西你摸不到、看不见，但 AI 恰恰就在这些"看不见的世界"里运行。

数学帮你看见它们。

系列导航

第一幕（5 篇）+ 第二幕（5 篇）→ 查看全部

▸ 第十一篇（本文）：向量——给万物一个坐标 【第三幕开篇】

▹ 第十二篇：矩阵——空间的变形术

▹ 第十三篇：概率——拥抱不确定

▹ 第十四篇：高维——超越想象力

▹ 第十五篇：梯度下降——数学会学习

▹ 第十六篇：终章——数学是人类的望远镜

第一章：一杯咖啡有多少"维度"？

你走进一家咖啡店。

服务员问：“您想喝什么样的咖啡？”

你说：“温度高一点，甜度低一点，浓度大一点。”

不知不觉间，你用了三个数来描述一杯咖啡：

你的咖啡 = [温度: 85°C, 甜度: 2/10, 浓度: 8/10]

用数学的写法：
  咖啡A = [85, 2, 8]

这三个数组成的列表，就是一个向量。

在 第四篇（坐标革命） 里，我们学过：两个数 (x, y) 可以确定平面上的一个点。三个数 (x, y, z) 可以确定空间中的一个点。

现在我们扩展这个思想：任意多个数，可以描述任意复杂的事物。

向量 = 一组有序的数。 就这么简单。

它可以是 2 个数（地图坐标），可以是 5 个数（游戏角色属性），也可以是 768 个数（词向量）。个数就是"维度"。

一句话记住： 向量不是一个高深的概念。向量就是"一串数字"——用来描述一个事物的多个方面。你每天都在和向量打交道，只是没人告诉你它叫向量。

第二章：向量的加减法——直觉篇

向量最直觉的操作是加法。

想象你和朋友一起推一辆车：

  你推：向右 3 步，向前 4 步  →  [3, 4]
  朋友推：向右 1 步，向前 2 步  →  [1, 2]

  合起来：[3+1, 4+2] = [4, 6]

  车最终：向右 4 步，向前 6 步

向量加法就是"每一维分别相加"

向量减法也很自然——它表示"差异"：

北京的气候 = [年均温: 12°C, 降水: 580mm, 日照: 2600h]
上海的气候 = [年均温: 16°C, 降水: 1200mm, 日照: 1900h]

差异 = 上海 - 北京 = [+4°C, +620mm, -700h]

意思：上海比北京暖 4 度、多雨 620mm、少晒 700 小时

向量减法告诉你"两个事物差在哪里"。

第三章：点积——“两件事有多像？”

这是向量最重要的操作。没有之一。

点积（dot product）衡量的是：两个向量有多"相似"。

向量 A = [1, 2, 3]
向量 B = [4, 5, 6]

点积 = 1×4 + 2×5 + 3×6 = 4 + 10 + 18 = 32

就是"对应位置相乘，然后全加起来"

点积为什么能衡量相似度？

直觉上：如果两个向量在每一个维度上都"同方向、同大小"，乘起来都是正数，加起来就很大。如果方向相反，乘起来是负数，加起来就小甚至是负的。

更精确地说，有一个叫余弦相似度的公式：

余弦相似度 = 点积 / (|A| × |B|)

结果范围：-1 到 1
  1  = 完全相同方向（非常像）
  0  = 完全无关
 -1  = 完全相反

一句话记住： 点积 = “这两个东西有多像”。它是 AI 最核心的计算——Attention 机制的核心就是算词与词之间的点积（还记得第五篇吗？QK^T 就是在算点积）。

第四章：连接 AI——“国王 - 男人 + 女人 = 女王”

现在来看向量在 AI 里最惊艳的表演。

2013 年，Google 的研究者用一个叫 Word2Vec 的模型，把每个词映射成一个向量（几百维的数列表）。

训练完成后，他们发现了一个震撼世界的现象：

向量("国王") - 向量("男人") + 向量("女人") ≈ 向量("女王")

翻译成人话：
  从"国王"里减去"男性"的成分
  加上"女性"的成分
  得到的向量最接近的词是——"女王"

这意味着：
  "国王"和"女王"之间的关系
  与
  "男人"和"女人"之间的关系
  在向量空间里是同一个"方向"——
  那个方向代表了"性别"这个概念

没有人教 AI “什么是性别”。 AI 只是读了大量的文本，自动学到了——“国王"和"男人"有某种关系，“女王"和"女人"有同样的关系。这种关系被编码成了向量空间中的一个方向。

更多例子：

向量不只是"一串数字”。它们捕捉到了概念之间的关系。

如果你想深入了解词向量的运算、余弦相似度的计算、以及 AI 怎么把词变成向量，可以看我的 《AI 的数学语言（一）：用数字画地图》 和 《AI 的数学语言（二）：向量的加减法》——那两篇有更详细的代码演示和数学推导。

一句话记住： AI 把每个词变成向量后，词的"含义"就变成了可以加减乘除的数学对象。“国王 - 男人 + 女人 = 女王"不是 AI “理解"了性别，而是向量空间自然编码了语义关系。

第五章：你一直在用向量

在结束之前，让我指出一件你可能没意识到的事：

你的大脑一直在做"向量运算”。

数学没有发明新的东西。数学只是把你大脑已经在做的事——精确化、量化、可计算。

动手实验

实验：词向量的相似度

import numpy as np

# 简化的 5 维词向量
words = {
    '国王': np.array([0.9, 0.8, 0.1, 0.3, 0.7]),
    '女王': np.array([0.8, 0.2, 0.1, 0.3, 0.7]),
    '男人': np.array([0.2, 0.9, 0.1, 0.2, 0.5]),
    '女人': np.array([0.1, 0.1, 0.1, 0.2, 0.5]),
    '汽车': np.array([0.1, 0.5, 0.9, 0.8, 0.1]),
}

# 余弦相似度
def cosine_sim(a, b):
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

print("余弦相似度（越接近 1 = 越像）：")
print("─" * 35)
for a, b in [('国王','女王'), ('国王','男人'), ('国王','汽车')]:
    sim = cosine_sim(words[a], words[b])
    bar = "█" * int(sim * 20)
    print(f"  {a} ↔ {b}: {sim:.3f}  {bar}")

# 向量算术
print("\n国王 - 男人 + 女人 ≈ ?")
result = words['国王'] - words['男人'] + words['女人']
best_word, best_sim = '', -1
for w, v in words.items():
    if w not in ['国王', '男人', '女人']:
        sim = cosine_sim(result, v)
        if sim > best_sim:
            best_word, best_sim = w, sim
print(f"  最接近的词: {best_word} (相似度 {best_sim:.3f})")

本篇小结

下一篇预告

向量描述了"一个事物”。但如果你想同时变换一大堆向量呢？

比如——把一个图形旋转 45 度、把一张图片放大两倍、把一个词向量从"原始含义"空间投影到"查询/键/值"空间？

做这件事的工具叫矩阵。

矩阵不是"一堆数排成方块”。矩阵是一个变换器——它可以拉伸、旋转、投影整个空间。而神经网络的每一层，就是一次矩阵变换。

下一篇：看见数学（十二）：矩阵——空间的变形术