“ 向量化是一切大模型技术的基础，大模型中的一切都是向量。”
在之前的文章曾不止一次的讲过向量，向量作为大模型的基础数据格式，其重要性不言而喻；但大部分人对向量还是没有一个深刻的认识。
所以，今天我们就来讨论一个问题，那就是向量化，大模型的入口。
向量化
向量的概念这里就不解释了，有问题的可以看之前的文章，或者自己去找一下向量，矩阵的内容看看。
先来讨论第一个问题，为什么要向量化？
原因在于计算机无法直接处理非数值性计算，所以的计算都需要转换成数值运算才行；但数值计算的方式有很多，为什么会选择向量作为载体？
原因就在于向量的几个基本特性：
第一就是向量便于计算机进行处理；
第二就是向量能够表示文本，图像等之间的语义关系
第三就是使用矩阵来表示向量，计算效率更高
什么是向量化？
简单来说向量化就是把其它格式的数据转换为向量形式，这里的其它格式包括我们常见的一切格式的数据，文本，图像，视频，音频等等；因此，可以直接把向量化理解为一种数据格式转换的技术。
在大模型中哪些地方需要进行向量化？
简单来说，任何需要输入到大模型的数据都需要向量化；其次，需要记录语义关系的也都需要向量化，比如RAG，向量数据库等。
众所周知，大模型是由一个输入层，一个隐藏层，一个输出层组成；而其中隐藏层包括一个或多个神经网络层。其中，输入层需要做的一件事就是把输入数据向量化，只有这样才能被隐藏层接受和处理。
记住一句话，在大模型中一切都是向量。
那怎么实现向量化？
在不同的技术阶段，向量化的方式也有所不同；以文本向量化来说，文本向量化一般有三种方式：
one-hot编码
词汇映射(Word2Vec)
Word Embedding(广义上Word2Vec也属于Word Embedding的一种)
词嵌入是文本向量化的一种常见方式，一般情况下会将一个单词映射到一个高维向量中来代表这个词，这就是词向量。
而文本嵌入层的作用就是，将文本中词汇的数字表示转变为高维的向量表示，旨在高维空间捕捉词汇间的关系。
Embedding 可以说是目前比较常见的一种向量化的方式，各大模型服务商，以及开源社区都发布了大量的Embedding模型来提供给用户使用；而Embedding嵌入就是一种经过专门训练的用来向量化数据的神经网络模型。
只不过Embedding嵌入模型经过矩阵算法的优化，比传统的向量化方式效率更高，效果更好。
https://cloud.tencent.com/developer/article/1749306
而且，Embedding的应用非常广泛，其不仅是大模型的基础技术之一；事实上，Embedding也是大模型技术的应用场景之一。比如在图像搜索，推荐系统，广告，搜索等业务中，Embedding都发挥着重要的作用。
了解了文本向量化的工具之后，那么思考一下图像和视频是怎么实现向量化的？
在图像向量化的过程中，卷积神经网络和自编码器都是用于图像向量化的有效工具；前者通过训练提取图像特征并转换为向量；后者则学习图像的压缩编码以生成低维向量表示。
卷积神经网络（CNN）：通过训练卷积神经网络模型，我们可以从原始图像数据中提取特征，并将其表示为向量。例如，使用预训练的模型（如VGG16, ResNet）的特定层作为特征提取器。
自编码器（Autoencoders）：这是一种无监督的神经网络，用于学习输入数据的有效编码。在图像向量化中，自编码器可以学习从图像到低维向量的映射