🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
📐
Embedding与向量表示词向量能通过向量运算捕捉语义关系——最经典的例子是"king" - "man" + "woman" ≈ "queen"。这个惊人发现由Google的Tomas Mikolov在2013年做出,证明了AI能自己学会"国王之于王后,正如男人之于女人"这种抽象类比。
一句话总结
💡
Embedding 将文本、图像等非结构化数据映射为稠密向量，使语义相似性可计算，是向量检索的前提。
常见误区
这些坑别踩
✗
误区 1
任意 Embedding 模型都通用。
✓
正确理解
不同 Embedding 模型在不同领域和语言上表现差异大，需按任务选择。
✗
误区 2
向量维度越高检索越准。
✓
正确理解
高维增加计算和存储成本且可能维度灾难，需与数据规模匹配。
✗
误区 3
Embedding 向量能完全表示语义。
✓
正确理解
Embedding 是有损压缩，会丢失部分信息，不同模型侧重点不同。