写在前面：

本文将从简单的二维空间来逐渐展开问题，带您理解语义空间。

距离和体型：

这里尝试用距离和体型这两个尺度来理解语义空间，先说的是低维情况，后面在尝试理解高维的情况。

比如，在二维空间的x,y坐标系，如果横纵坐标表示的是距离，例如A(10,15)这个点分别表示距离x轴和y轴的距离是15米和10米，那么显然这个点是和B(11,15)这个点是很近（欧氏距离小）的。在向量表示上，这两个向量的余弦相似度也非常高。这里的“距离x轴的距离和距离y轴的距离”，就是每个点的“属性或者说特征”。于是我们得出了这样的结论：因为二者“特征/属性非常接近”，（从欧氏距离或者余弦相似度的角度来看），所以这两个点在二维空间的分布上是非常接近的。（特征数据-->关于特征的结论）

类似的，如果（160,60）这个数据代表某人的身高和体重，对于两组数据（162,62）（160,60），我们可以自然的得出这样的结论：这两个人的“体型非常相似”。因为这两组数据如果放在二维空间，不论是从欧氏距离还是余弦相似度的角度来看，这两组数据所代表的点/向量是非常接近的。这里的“身高和体重就是某个人的特征”（特征数据-->关于特征的结论）

从上面的两个例子，我们可以总结出这样的规律，如果两组数据在对应维度的空间是“相近的”，（这里的相近，一般的衡量方式就是欧式距离或者余弦相似度这类计算方法，在高维空间，往往就是采用转成向量，计算余弦相似度的方案）那么这两组数据所代表的实例，在现实中具有类似的特征。毕竟，在计算科学领域，事物的特征总是会尽可能的用冰冷的数据来衡量。我们只是反过来，用数据判断事物之间的特征。

在AI领域，经常需要处理高维数据，或者多特征的情况。上面的两个例子都是假设二维空间的情况，某个点也只有两个特征。但现实中，比如物体他可以有很多特征（距离x轴距离，距离y轴距离，颜色，质量，密度...）每个特征都会使用数据来衡量，那么当两个物体在这些特征数所对应的高维空间“非常近时”，我们就认为这两个物体的特征非常类似，也即他们可能具有近似的颜色，质量，密度...

这里的不论是高维还是前面的二维空间，都可以认为是一种语义空间。比如在距离的例子中，x-y这个二维空间中的向量就能够表达某个点的位置信息。尤其对于高维空间，是非常抽象的。在AI领域，却又经常使用到这一概念。因为AI中模型的训练往往需要使用大量的复杂数据。

总结：语义空间是一个用数学方式来表征和度量“含义”的抽象空间。我们可以通过数据在语义空间中的位置，来判断这组数据所对应的实例在现实中和其他实例的相似情况。

如果两组数据在语义空间非常接近，那么这两组数据所代表的实例，就认为具有类似的特征。

这里用MLLM中的模态编码器举例，简单介绍一下：

模态编码器：

本质上就是将图片、音频、文字等数据进行向量化编码，经过模态编码器后，具有相同语义的原始数据类型（图像，文字，音频等），他们各自对应的向量在语义空间会非常的接近。

这就像一个翻译一样：假设图片，文字，音频这三种数据传达的内容都是“一个友好信息”，经过编码后，他们都被映射为一个表示“友好信息”的向量（这个向量就是一个高维的，在语义空间中的高维向量）。模态编码器的出现，解决了不同类型数据之间的“沟通”问题。本质上就是将不同类型的数据转变成相同类型的数据。