数学的可视化思维

把三维橙子按半径削掉最外 10%，果肉还剩 $0.9^3\approx 73\%$。同一件事在 100 维里做：$0.9^{100}\approx 0.003$。高维的橙子几乎全是皮——不是橙子变奇怪，是「体积」被半径的 $n$ 次方彻底支配。

另一件更颠覆的：高维里随机取两个方向，几乎必然接近垂直——二维中夹角均匀分布，一百维中它紧挤在 90° 附近。所以高维直觉的正确姿势不是硬想象一百维立方体（没人做得到），而是换掉本能。

$n$ 维单位球的体积是 $V_n=\pi^{n/2}\big/\Gamma(\tfrac{n}{2}+1)$，其中 $\Gamma$ 是阶乘的连续推广。分母增长快过分子，$V_n$ 在 $n=5$ 见顶后趋于 0：高维单位球在同尺寸立方体里几乎不占地方，体积都跑去了角落。

更有力的表述是测度集中：球面上任何 1-Lipschitz 函数 $f$（输入动一点，输出至多动一样多）满足

要害在 $n$ 站在指数上：维度越高，任何「温和」的函数就越接近一个常数。

我们默认维度是量的堆叠——再加一维，无非更宽敞些。但上面这些说明，维度是一个会发生相变的参数：低维直觉在 $n\to\infty$ 时不是慢慢变模糊，而是被另一套规律整体替换。妙在新规律并不混乱，反而出奇整齐。大数定律正是测度集中在乘积空间上的特例：概率论最基本的定理，骨子里是一条高维几何事实。

• 嵌入向量：两个随机 768 维向量的余弦相似度极大概率落在 0 附近的窄带里，所以 0.3 已是强信号；套低维直觉设阈值会严重误判。
• 扩散模型：$d$ 维标准高斯的样本几乎全落在半径 $\sqrt{d}$ 的薄壳上而非原点附近，加噪调度与采样路径都建立在这个壳上。
• 最近邻失效：维度诅咒的精确含义是「最近与最远距离之比趋于 1」，KNN 与球树因此同时退化。

降维就是投影，投影就是影子。手影投在墙上变成兔子——丢掉了大量信息，却保住了你关心的那部分。真正的问题是：选哪面墙。

PCA 选「让影子摊得最开」的那面墙，即方差最大的方向。但接下来这一步令人意外：如果你只关心「谁离谁近」，那么随便找一面墙就够了——随机投影几乎和最优投影一样好。

Johnson–Lindenstrauss 引理：给定 $\mathbb{R}^d$ 中的 $N$ 个点与精度 $\varepsilon$，存在线性映射 $f:\mathbb{R}^d\to\mathbb{R}^k$，只要

就能让所有点对满足 $(1-\varepsilon)\|x-y\|\le\|f(x)-f(y)\|\le(1+\varepsilon)\|x-y\|$。

要害是：$k$ 里没有 $d$。目标维度只依赖点数的对数与精度，与原空间多高无关——一百万个点，原维度不论 $10^3$ 还是 $10^9$，$\varepsilon=0.1$ 时几千维都够。而构造 $f$ 的办法竟是取一个随机高斯矩阵。

三重出人意料。第一，保距所需维度与原维度无关——「高维」在这里根本不收费。第二，随机做法几乎最优：好方向太多，坏方向被指数级压制。第三也最漂亮，它把卡片 1 那条坏消息改写成了工具——正因为随机投影后的长度紧贴期望值，才敢对全部 $N^2$ 个点对同时取并集界。同一条几何事实，既是维度诅咒，也是维度祝福。

• 向量检索：随机投影与 LSH 是 FAISS 一类库的底层，先压维再建索引，JL 保证召回不塌。
• 目标不同：PCA 线性、保全局方差；t-SNE/UMAP 保的是局部邻域，因此 t-SNE 图里簇的相对距离与大小基本不可解读——当代被误读最多的一类图。
• 可解释性：中间层可视化本质都是投影；看到的结构多少来自数据、多少是方法自己造的，必须分清。

数学动画常被当作教学装饰，但它的内核是一个真正的数学对象：连续变形。3Blue1Brown 讲线性代数时不把矩阵画成数表，而是让整个网格被拉伸、旋转——因为矩阵本来就不是名词，是动词。静态图只能画出动词的结果，动画画的是动词本身。

再进一步：变形本身可以就是证明。若能把 A 连续变成 B，而某个量全程不变，那么这个量在 A 与 B 上必然相等——这就是拓扑不变量的全部思想。

两个连续映射 $f,g:X\to Y$ 同伦，是指存在连续的

$X$ 是被变形的东西，$Y$ 是它所在的空间，$[0,1]$ 就是时间轴，$H(\cdot,t)$ 是第 $t$ 帧——$H$ 本身就是那段动画。同伦不变量，就是在所有这类动画下纹丝不动的量。

看内接矩形问题：平面闭曲线上总能找到四点构成矩形吗？把曲线上所有无序点对组成一个空间——$(a,b)$ 与 $(b,a)$ 算同一点，这次粘合恰好造出一次翻转，得到的正是 Möbius 带。再把每个点对映到 $\mathbb{R}^3$：记下中点位置与两点距离。一个矩形，就等于两个点对共享了中点与距离，即这个映射的自交点。而 Möbius 带的边界是原曲线、必须躺在平面上，拓扑迫使它的内部无法无自交地嵌进去——于是矩形必然存在。

整个论证没有一个方程，全是形状。这是可视化思维作为发现引擎最纯粹的样子：它不是把证明画出来，它就是证明。

• Manim（3B1B 的动画库）把「关键帧」换成「连续变换的参数族」——你写的不是动画，是 $H$。
• 表示学习：分类网络做的事，是把两团缠绕的流形连续拉直到线性可分。Chris Olah 的经典可视化说明，网络深度约等于允许的变形步数。
• 同伦延拓法：解非线性方程组时，从已知解的简单方程连续变形到目标方程、沿途跟踪解——用于电路仿真与机器人逆运动学。

Anscombe 四重奏：四组数据的均值、方差、相关系数、回归线相同到小数点后两位，画出来却是四张毫不相干的图。统计量是有损压缩，图是那个丢掉的部分。后来的 Datasaurus 把玩笑推到极致：同样的统计量可以画出一只恐龙。

但图也骗人，骗法还可以量化。人眼读位置最准，长度次之，往下依次是角度、面积、体积、颜色深浅。所以饼图（角度＋面积）系统性地不如条形图，三维柱状图（体积）几乎必然误导。

可视化的形式框架叫图形语法：一张图，就是一个从数据变量到视觉通道的映射

每个通道有自己的感知精度——Cleveland 与 McGill 用受控实验测出了上面那个排序。于是「设计一张图」有了确切含义：在所有映射里挑一个，把最重要的变量交给精度最高的通道。

这一步把审美问题变成了信道问题。数据要穿过一条有噪声、响应非线性的信道——人的视觉系统——才能抵达理解，设计就是给这条信道选编码。它和信息论同构：有容量，有失真，有编码优劣。一张误导的图不是「不好看」，是编码错误：高重要性的变量被塞进了低精度通道。美学在这里第一次有了可证伪的判据。

• 损失曲面：二维切片画出的「平坦／尖锐」会被参数缩放任意扭曲，Li 等人的 filter normalization 正是为了让这张图在模型之间可比。
• 注意力热图：颜色是精度最低的通道之一，人对饱和度的判断严重依赖上下文——同一张 attention map 换个 colormap 就能读出不同「结论」。
• 模型评估：ROC 曲线把两个率映到位置通道，比单一 AUC 数字保住的信息多得多；同一个 AUC 可对应形状迥异的曲线，这就是 Anscombe 的现代版。