今天，我们从一个看似简单却至关重要的问题开始：AI模型，到底是如何“读懂”人类语言的？

当我们向AI大模型输入“今天天气不错”，它看到的并不是这六个汉字，而是一串冰冷的数字。然而，它却能从中理解语义，并生成富有逻辑和情感的回应。

这一切都源于AI心智的起源——词嵌入 (Word Embedding)。

1

一、 从符号到数字：文字向量化

在AI模型内部，所有运算都基于数学。因此，在我们深入Transformer的复杂结构之前，必须解决一个更根本的问题：如何将离散的、符号化的文字（Token），转化为机器可以处理的、有意义的数字？

这条“进化之路”充满了挑战，也见证了AI对语言理解的逐步深化。

1. 最初的尝试：索引与独热编码的困境

最直观的想法，莫过于给每个字或词编一个号。就像字典里的页码，“今天”是100，“天气”是120。

例如，假设“今天天气不错”这个句子被切分为“今天”、“天气”、“不错”三个词，若“今天”在词典中对应的位置为100，“天气”在词典中的位置为120，“不错”在词典中的位置为230，那么“今天天气不错”可以被表示为：[100, 120, 230]。

这种方式看似简单合理，但存在一个严重的问题：无法表示Token的语义。用索引来表示Token，数字完全取决于Token在词典中的位置，跟Token的含义无关。
从数字表示上看，一些差距较小的数字，例如1、2或3、4等，在数字上的差距较小，但是所代表的Token含义可能完全不同。

而一些含义相近的Token，例如“西红柿”、“番茄”，在词典中可能一个在第200位，另一个可能在第1888位，这两个数字差距非常大，但所代表的Token含义相似。

后来，一个更“科学”的方法出现了——独热编码 (One-Hot Encoding)。假设我们的词典只有三个词：“今天”、“天气”、“不错”，那么：

“今天” -> [1, 0, 0]
“天气” -> [0, 1, 0]
“不错” -> [0, 0, 1]

这种表示法在传统机器学习中很常见，但对于拥有数万甚至数十万词汇的自然语言处理而言，它带来了两个致命缺陷：

维度灾难与稀疏性

以DeepSeek为例，DeepSeek模型的词表大小超过12万。如果用独热编码，每个词的向量就是12万维，其中只有一个1，其余全是0。这在计算和存储上都是一场噩梦。

语义的缺失

更严重的是，从数学上看，任何两个不同的独热向量都是正交的。在向量空间中，正交意味着“毫无关系”。这意味着，“西红柿”与“番茄”的关系，和“西红柿”与“飞船”的关系是完全等价的。这显然是对人类语言丰富内涵的巨大误读。
这些早期的尝试，仅仅是将文字变成了“数字符号”，却未能赋予这些数字“灵魂”——也就是语义。

2. 词嵌入的“降维打击”

词嵌入技术，正是为了解决上述所有问题而诞生的。它的核心思想，源于语言学中一个优雅的假说——分布假说 (Distributional Hypothesis)：

分布假说

“一个词的意义，由它上下文中的词所决定。” (You shall know a word by the company it keeps.)

简单来说，如果“国王”和“女王”都常常与“城堡”、“统治”、“国家”一同出现，那么它们的意义就是相近的。

基于此，词嵌入不再将词视为孤立的符号。它通过一个专门训练的神经网络（如Word2Vec, GloVe，嵌入层等），将高维、稀疏的独热向量，“压缩”成一个低维、稠密的实数向量。这个模型的最常用的训练方法是：输入一句话，并将其中的一个词语抹掉，让模型根据其它词语预测这个词语。

词嵌入的过程，堪称一场“降维打击”：

• 维度从词典大小（如DeepSeek的129,280）急剧压缩到几百或几千维（如DeepSeek的7168维）。
• 向量从只有一个1的“稀疏”状态，变为每个元素都是非零浮点数的“稠密”状态。
• 最关键的是，这场“压缩”并非信息的损失，而是语义的注入。原本冰冷的向量，从此拥有了“温度”和“意义”。

2

二、 语义空间

那么，一个词嵌入向量，究竟代表了什么？
它代表了一个词在某个高维语义空间中的精确“坐标”。
让我们将这个高维空间简化为一个二维平面来理解。
假设一个词嵌入向量的长度为2，向量的第一个元素为x，第二个元素为y。在这个空间里，每一个词都是一个点。你会惊奇地发现：

在这个空间中，语义相近，则空间相邻： “国王”与“女王”、“男人”与“女人”这些词，会自然地聚集在一起。我们可以通过计算向量间的余弦相似度来量化这种“亲疏关系”。

关系可计算，则语义可推理： 更神奇的是，这些“星座”之间还存在着奇妙的几何关系。从“男人”指向“女人”的向量，几乎与从“国王”指向“女王”的向量平行且等长。这意味着：

v(“国王”) - v(“女王”) ≈ v(“男人”) - v(“女人”)

其中，v(“国王”)表示“国王”这个词的词嵌入向量。

这个关系可以解释为：“国王”跟“女王”的差距与“男人”跟“女人”的差距差不多。

我们把这个式子变换一下：

v(“国王”) - v(“男人”) + v(“女人”) ≈ v(“女王”)

这个解释更为直观：“国王”减去“男人”，再加上“女人”，就约等于“女王”。这个解释更加符合我们的认知。

这个经典的类比关系，说明AI能够用数学运算，捕捉到了语言中“性别”这一抽象概念。向量空间中的方向，开始对应现实世界中的特定语义关系。

3

三、 从“词”到“世界”

掌握了表示“词”的方法后，嵌入技术的征途便奔向了星辰大海——表示更复杂的概念。

1. 句子嵌入

现在，我们已经理解了如何把一个词转为一个词嵌入向量，让我们考虑一个更复杂的问题，如何用向量表示一个完整的句子？

简单地将这句话所有词向量相加或平均，会丢失至关重要的语序信息，比如“我为人人” 和 “人人为我”，两个句子将会得到相同的向量，但语义完全不同。

现代大模型通过其核心的自注意力机制，动态地为句子中的每个词生成一个“上下文感知”的嵌入。最终，整个句子被编码成一个能概括其核心思想的、独一无二的向量——句子嵌入。

这项技术，直接催生了语义检索的革命。我们不再依赖关键词，而是能真正理解查询意图，从海量知识库中找到最相关的答案。这，便是当今大热的RAG（检索增强生成）技术的核心基石，我们将在后续内容中深入拆解。

2. 多模态嵌入：打破感官的次元壁

我们的世界是多模态的——有文字、有图像、有声音。为了让AI拥有更完整的“世界观”，多模态嵌入应运而生。

它的目标，是创建一个统一的、跨越所有感官的“概念空间”。在这个空间里：

一张猫的图片，和文字“一只可爱的猫”，它们的向量坐标将无限接近。

通过这种方式，模型得以在视觉和语言之间建立起一座坚实的桥梁，从而实现了“看图说话”、“以文生图”等令人惊叹的跨模态能力。

例如，我们可以实现这样一个效果：

我们通过两句诗词：“正是江南好风景，落花时节又逢君”，分别在一个庞大的图像库中，检索它们对应的图像，就实现了这样一个效果。

4

结语

从简单的数字索引，到蕴含宇宙奥秘的词嵌入向量，我们走过了AI理解语言的第一里路，也是最重要的一里路。
词嵌入层，正是整个AI大模型的“地基”。这块基石的质量，直接决定了 Transformer 所能达到的高度和稳固性。

在下一期中，我们将沿着数据的流向继续向上，探索大模型是如何基于这些嵌入向量，一步步“思考”并生成下一个词的。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！