【老计带你懂线性代数】02：向量，AI眼里的万物表示

在这里插入图片描述

开头：AI是怎么"看"世界的

上一篇我们说了，AI的世界是用向量和矩阵搭起来的。这一篇就从最基本的那块砖开始，向量。

先想一个问题：AI怎么理解"一个用户"？它不认识张三李四，它只认数字。所以它会把一个用户变成一串数字，比如 [年龄, 月消费, 登录天数, 活跃度…]。同样，一个词、一张图片、一段声音，进了AI，全都变成一串数字。这一串有序排列的数字，就是向量。向量，就是AI用来表示万物的通用容器。

搞懂向量，你就搞懂了AI理解世界的第一步，把千姿百态的东西，翻译成它唯一能处理的语言，数。

向量是什么：两种同样重要的直觉

在这里插入图片描述

向量有两种理解方式，都要建立，因为AI里两种都用得上。

第一种，向量就是一组有序的数。比如 [1.7, 65, 25] 可能表示一个人的 [身高, 体重, 年龄]。注意"有序"两个字很关键，第一个位置是身高、第二个是体重，顺序不能乱，换了顺序意思就变了。这一组数里有几个数字，就说这个向量是几维的。[1.7, 65, 25] 是三维向量。AI里的向量动辄几百上千维，一个词在大模型里可能是几千维的向量。

第二种，向量是空间里的一个箭头（或一个点）。一个二维向量 [3, 2]，你可以把它画成从原点出发、指向坐标 (3, 2) 的一个箭头，也可以就看成 (3, 2) 这个点。三维向量就是三维空间里的箭头。这种几何直觉极其重要，它让抽象的数字有了空间感，你能"看见"向量的方向和长短。虽然几百维的向量画不出来，但这种"空间中的点和箭头"的直觉一直有效，是理解后面所有内容的钥匙。

打个比方：一组数是向量的身份证号（精确但抽象），空间中的箭头是向量的照片（直观有画面感）。同一个向量，两个视角，AI里我们经常在两者之间来回切换。算的时候用一组数，理解的时候想象成空间里的箭头。

为什么AI里万物皆向量

在这里插入图片描述

这是本篇最重要的思想，一定要建立起来：在AI眼里，万事万物都可以被表示成一个向量，也就是高维空间里的一个点。

一个用户 = [年龄, 消费, 活跃度, …] 一个向量。
一个词 = 一串几百维的数字（这就是大名鼎鼎的词嵌入，embedding），比如"国王"可能是 [0.2, -0.5, 0.8, …]。
一张图片 = 把所有像素排成一长条，就是一个向量（一张28乘28的灰度图就是784维向量）。
一段音频、一个商品、一个网页，统统可以变成向量。

为什么这么做？因为一旦万物都变成了同一个空间里的向量，神奇的事情就发生了，你可以用数学去度量、比较、运算它们。两个用户像不像？算他们向量的距离。两个词意思近不近？看它们向量的方向。给用户推荐商品？在向量空间里找离他最近的商品。把万物变成向量，是现代AI最核心、最底层的套路，没有之一。从推荐系统到搜索引擎，从词嵌入到大模型，从图像检索到人脸识别，底层都是"先把东西变成向量，再在向量空间里做文章"。

这也解释了一个有意思的现象：词嵌入里，“国王"减去"男人"加上"女人”，得到的向量竟然非常接近"女王"。因为这些词被表示成了向量，词与词的语义关系，就变成了向量之间的加减运算。语义，被编码进了几何。这正是向量表示的威力，我们会在后面的篇章里反复见到它。

向量的加法与数乘：最基本的两种运算

向量有两个最基本的运算，配上几何直觉就特别好懂。

向量加法：两个向量相加，就是把对应位置的数字分别加起来。[1, 2] + [3, 1] = [4, 3]。几何上，这相当于"接力"，从原点先走 [1, 2] 这个箭头，再接着走 [3, 1] 这个箭头，最终到达的地方就是 [4, 3]。也就是首尾相接。

向量数乘：一个数字乘以一个向量，就是把向量里每个数字都乘以它。2 乘 [1, 2] = [2, 4]。几何上，这相当于把箭头拉长或缩短（数字大于1拉长、0到1之间缩短、负数则反向）。方向不变（或恰好相反），只改变长短。

这两个运算看着简单，却是一切的基础。神经网络里成千上万次的计算，拆到最底层，大量就是这种加法和数乘的组合。理解了它们的几何意义，你就理解了向量运算在"空间里"到底发生了什么，是在移动、拉伸、组合这些箭头。

高维空间：几百维的向量怎么想象

到这你可能有个疑问：二维三维还能画出来，AI里动辄几百上千维的向量，脑子根本想象不出来，怎么办？

答案是，你不需要真的在脑子里画出几百维的图形，只需要把低维的直觉平移过去。数学有个很妙的地方，二维三维里成立的道理，在几百维里几乎原样成立，只是画不出来而已。两个点之间有距离，二维里是勾股定理，几百维里还是同样的公式，把各维度差的平方加起来再开方。向量有方向、有长短、能相加、能缩放，这些在高维里全都成立。

打个比方：这就像你没去过某个几百层的摩天大楼，但你完全能理解"第300层比第200层高100层"，因为楼层这个概念你在低楼层就懂了，往上推而已。高维向量也一样，维度只是多了几个"方向"，每个方向的道理和你熟悉的二维三维没区别。

所以后面遇到"512维的词向量"“几千维的特征”，别慌。你就想象成一个空间里的箭头，只不过这个空间的方向特别多。真正做运算时交给NumPy，它不在乎是3维还是3000维，一视同仁地算。你负责理解直觉，计算机负责埋头计算，这就是我们和线代打交道的方式。

输入和输出长什么样

输入：一组数（手动给定，或从数据里来，比如用户特征、词向量）。
输出：向量运算的结果，还是向量（加法数乘的结果）或一个数（后面点积会讲）。
在NumPy里，向量就是一维数组，运算又快又简洁。

上代码：亲手玩一玩向量

用NumPy创建和运算向量。输入：几个向量。输出：运算结果。

# 依赖：pip install numpy
import numpy as np

# 创建向量:就是一个一维数组
user = np.array([25, 5000, 30]) # 一个用户 [年龄, 月消费, 登录天数]
print("一个用户向量:", user)
print("这个向量是几维的:", user.shape[0], "维")

# 向量加法:对应位置相加(几何上是首尾相接)
a = np.array([1, 2])
b = np.array([3, 1])
print("\\n向量加法 a+b:", a + b) # [4 3]

# 向量数乘:每个数都乘(几何上是拉伸/缩短)
print("数乘 2*a:", 2 * a) # [2 4]
print("数乘 0.5*a:", 0.5 * a) # [0.5 1.]

# 词向量的经典例子:国王 – 男人 + 女人约等于女王
# 这里用假数据演示思想(真实词向量是训练出来的几百维)
king = np.array([0.9, 0.7, 0.1])
man = np.array([0.8, 0.2, 0.1])
woman = np.array([0.3, 0.2, 0.9])
result = king – man + woman
print("\\n国王-男人+女人 =", np.round(result, 2))
queen = np.array([0.4, 0.7, 0.9])
print("真实的女王向量 =", queen)
print("两者很接近,说明语义关系被编码进了向量运算")

运行输出（示例）：

一个用户向量: [ 25 5000 30]
这个向量是几维的: 3 维

向量加法 a+b: [4 3]
数乘 2*a: [2 4]
数乘 0.5*a: [0.5 1. ]

国王-男人+女人 = [0.4 0.7 0.9]
真实的女王向量 = [0.4 0.7 0.9]
两者很接近,说明语义关系被编码进了向量运算

运行你会看到：一个用户就是一个三维向量；加法数乘都是对应元素操作；而那个"国王减男人加女人约等于女王"的例子，直观展示了万物皆向量之后，语义关系怎么变成了向量运算。注意NumPy里向量运算不用写循环，一行就对整个向量批量操作，这既简洁又快，是它成为AI计算基础的原因。

在AI里怎么用

向量表示是AI的地基，几乎无处不用，这里点几个你熟悉的：

词嵌入（Embedding）：把每个词表示成一个稠密向量，意思相近的词向量也相近。这是所有NLP和大模型的基础，第12篇会专门深入讲。
推荐系统：把用户和商品都表示成向量，算距离找最匹配的（呼应《老计带你懂AI算法》的协同过滤篇）。
图像和人脸识别：把图片变成向量（特征向量），比较向量的相似度来识别。
向量数据库与检索：现在大火的RAG、语义搜索，核心就是把文档变成向量存起来，查询时找最近的向量。

一句话，你在AI里听到的embedding、特征、表示（representation），说的基本都是向量。建立起"万物皆向量"这个直觉，后面很多概念会豁然开朗。

常见误区

别把维度想象成物理空间的三维。AI里的向量动辄几百上千维，没法画出来，但所有数学和直觉照样成立，别被"几百维"吓住，它就是"一组几百个数"而已。
向量的顺序不能乱。每个位置代表一个固定的特征，打乱顺序就破坏了含义。
向量不只是一列数，它带着几何含义。多想想它在空间里是个箭头、有方向有长短，理解会深很多。

小结与承上启下

向量是什么：一组有序的数，也是空间里的一个箭头（点），两种直觉都要有。
万物皆向量：用户、词、图像都变成向量，是现代AI最核心的底层套路，语义关系能变成向量运算。
两个基本运算：加法（首尾相接）、数乘（拉伸缩短），是一切复杂计算的基础，高维里同样成立。
AI应用：词嵌入、推荐、图像识别、向量检索，底层都是向量。

现在我们有了向量这块砖，可怎么衡量两个向量像不像、一个向量有多大？这在AI里天天要用，比如判断两个词意思近不近、给用户找最像的商品。下一篇讲向量的点积、范数与相似度，看AI怎么给"像不像"和"有多大"算出一个数来。

我们下一篇见。

【老计带你懂线性代数】02：向量，AI眼里的万物表示