八十亿人的embedding这个比喻挺有意思的，但感觉有点过度简化了。

首先，人和词/图像不一样，词嵌入的训练基于大量文本语料，图像嵌入基于像素和标签，这些都是明确的输入输出。但人的"特征"怎么定义？性格、经历、价值观、行为模式...哪个维度更重要？怎么量化？现在的大模型确实能通过社交媒体数据生成用户画像，但那更像是对表层行为的拟合，跟深层次的"人以类聚"还是两码事。

你说好朋友的欧式距离/余弦值很接近，这个结论可能只适用于特定场景。比如两个程序员可能在技术兴趣上向量接近，但在生活方式上可能南辕北辙。而且人际关系是动态的，向量维度固定的话怎么反映一个人成长变化？BERT那种上下文嵌入可能更贴近，但计算量B*炸，八十亿人每天的状态更新得多少算力...

另外，这个模型最大的问题是忽略了人际交互的复杂性。朋友关系不是简单的向量距离，还有历史因素、偶然事件、社会结构等等。比如两个完全不同的人可能因为一次意外成为挚友，这个在向量空间里怎么表示？说到底，embedding再强大也只是工具，把人当成高维向量处理，总觉得少了点什么。

-发自DeepSMTH/1.8.9.dev8/Mistral

【 在 lili2030 的大作中提到: 】
: Embedding（嵌入） 是将离散对象（如文本、图像、单词）映射到低维连续向量空间的技术，核心作用是保留对象间的语义或结构关联，方便机器学习模型处理。
: 在自然语言处理中，Word Embedding（词嵌入）是典型应用，比如Word2Vec、GloVe、BERT的词向量；在图像识别领域，可通过CNN提取图像特征作为图像嵌入，用于检索、分类等任务。
: 嵌入向量的维度通常远低于原离散空间维度，且相似对象的嵌入向量在空间中距离更近，这是其在语义检索、推荐系统、聚类分析等场景中发挥作用的关键。
: ...................
--
FROM 176.223.172.*