本课是AI数学最核心、最常用的底层三要素内积 判断两个向量「像不像」范数 向量的「长度/大小」夹角 两个向量「方向差异」大模型90%的底层逻辑都靠这三个公式相似度计算、注意力机制、归一化、向量检索、 embedding匹配。一、先建立直观理解把向量理解成一段“带方向的趋势”比如文本向量A【喜欢篮球、运动、阳光】文本向量B【爱打球、健身、户外】文本向量C【喜欢看书、安静、独处】人的直觉A和B很像 → 夹角小A和C不像 → 夹角大数学把人的直觉量化成三件事范数每个向量自己有多大内积两个向量重合程度夹角两个向量方向差多少AI所有相似度、匹配、检索全部来自这三个东西。二、第一层范数向量的长度1、通俗定义范数 向量的长度、强度、大小二维向量v(x,y)范数L2范数AI默认范数|v|\sqrt{x2y2}2、大白话例子向量 v(3,4)长度 \sqrt{3242}5就是初中勾股定理。3、AI真实含义embedding向量有128维、512维、1024维范数越大 → 语义越强、特征越强烈范数越小 → 特征微弱、模糊、接近空白大模型训练必须做向量归一化就是把所有向量范数强制拉成1只保留方向、消除大小干扰让相似度更准。三、第二层向量内积最重要AI灵魂公式1、定义超简单两个向量对应位置相乘、全部相加a\cdot b a_1b_1a_2b_2…2、通俗理解内积越大 两个向量越重合、越相似举例直观看懂例1方向几乎一样a(2,3)b(2,3)内积 4913很大例2方向相反a(2,3)b(-2,-3)内积 -4-9-13负数完全相反例3方向垂直、毫无关系a(2,0)b(0,3)内积 000完全不相关3、工程三结论记住终身受用内积0相似、同向内积0无关、垂直30相反、对立**大模型注意力分数、向量检索、匹配打分本质就是算内积。四、第三层夹角相似度的最终标尺1、核心万能公式AI最重要公式之一\cos\theta\frac{a\cdot b}{|a||b|}一句话翻译夹角余弦 内积 ÷ 两个向量长度的乘积2、逐级解读含义\cos\theta1 → 夹角0° → 完全相同\cos\theta0 → 夹角90° → 毫无关系\cos\theta-1 → 夹角180° → 完全相反3、大白话生活类比向量A我喜欢夏天向量B我热爱盛夏→ 夹角极小cos接近1 → AI判定语义一致向量A喜欢夏天向量C讨厌炎热→ 夹角很大cos负数 → AI判定语义相反五、三者串联完整逻辑本节课最大收获我帮你把三个知识点串成一条闭环逻辑考试、AI、工程通用范数单独看一个向量有多大内积两个向量重叠多少夹角剔除向量大小干扰只看方向相似度为什么大模型要用余弦相似度因为内积会被向量长度影响夹角不会。比如长向量、强特征向量天然内积大不公平。所以AI统一用余弦夹角做相似度只看方向不看强弱。六、AI落地终极总结必考、必懂范数向量强度归一化就是把范数改成1内积原始匹配分数受向量长短影响余弦夹角纯净相似度AI最标准匹配方式Transformer注意力机制核心公式Attention(Q,K,V)softmax(\frac{QK^T}{\sqrt{d}})VQK^T 本质就是批量向量内积除以根号维度就是防止范数爆炸、稳定夹角分布七、极简随堂自测是否吃透两个向量垂直内积等于多少为什么AI相似度不用内积要用余弦向量归一化本质是改变范数还是改变方向欢迎评论区写下你的答案。收藏本文防止以后要用找不到关注本专栏下一课实战讲解向量归一化吃透余弦相似度工程坑点。