认知科学这些年有一个很有意思的动向：我们用来描述"概念之间关系"的那套几何，正在从光滑平坦的欧氏空间，换成有曲率的黎曼流形。这不是某篇论文里的花哨噱头，而是有扎实行为实验撑腰的硬结论。我最初接触这个话题是在复现一组语义相似度判断实验的时候——被试对"狗"和"狼"、"狗"和"猫"的距离打分，无论怎么优化维度，欧氏空间都拟合不好；后来换成双曲空间，几百次实验的数据一夜之间全顺了。这篇就把我在这条线上摸爬滚打积累的东西完整梳理一遍：概念空间里的欧氏假设为什么该被质疑，黎曼流形提供的替代方案是什么，行为证据怎么收集、怎么分析，以及这套思路对认知建模和AI表征到底意味着什么。无论你是做心理物理、计算语言学还是NLP嵌入，这条几何转向的主线都值得了解。
1. 概念空间里那条被默认了的欧氏假设
1.1 从语义距离到心理空间：一个用了七十年的捷径
把概念放进空间里度量，这个想法至少可以追溯到上世纪中叶的语义距离研究。当时的逻辑很简单：让人对"玫瑰"和"郁金香"的相似度打分，把一堆这样的分数丢进多维缩放（MDS），就能画出一张"心理地图"。早期的颜色感知研究就是这么干的——被试对颜色差异的判断，可以被一个二维圆盘很好地表达，圆心是白色，圆周是纯色。这个结果一度让大家相信，概念空间就是欧氏空间：任意两个点之间有一条直线距离，距离越短，概念越接近。
这套思路的吸引力在于操作上的便利。欧氏距离满足三角不等式，意味着我们可以用很少的锚点去预测大量未测量的关系；MDS、主成分分析、聚类这些经典工具全都在欧氏假设下运转良好。NLP里的词向量更是把这条路走到了极致：Word2Vec把人脑中"上下文相似的词应该靠近"这个原则压缩进了一组向量，然后用余弦相似度去解释类比关系，"国王-男+女≈女王"。从心理学到工程，整个领域共享着同一个默认前提：概念空间是平坦的。
但恰恰是这个默认前提，在过去的十几年里被越来越多的行为数据顶出了裂缝。
1.2 欧氏空间解释不了的三个反常现象
先说第一个反常：层级结构里的"容量爆炸"。动物概念天然是一棵树——"金毛"挂在"狗"下面，"狗"又挂在"哺乳动物"下面。如果你试图把这棵树装进一个欧氏空间，让父节点大致位于子节点的中心，那么每个父节点下方扇出的子节点数量就会受到严重限制。因为欧氏空间的体积随维度是多项式增长的，树的分支数是随深度指数增长的，两者永远对不上。你只能在"牺牲距离保真"和"增加维度"之间二选一，而维度一高，行为实验的预测力反而下降。
第二个反常来自相似度判断的不对称性。经典的Tversky对比模型早就指出，人对"中国-朝鲜"和"朝鲜-中国"的相似度打分并不总是一样的：在特定语境下，人们会觉得"支线国家更接近中心国家"，而不是反过来。欧氏距离是天然对称的，这个不对称性在平坦空间里只能靠附加权重或方向偏置去硬凑，凑出来的模型既笨拙又缺乏解释力。
第三个反常是距离判断中的捷径效应。如果你让被试在"动物-鸟-麻雀-企鹅"这个链表上估计"麻雀"到"企鹅"的距离，他们会给出一个比实际沿着树走要短得多的数值——似乎人们在心理上会抄近路，而这种近路感在欧氏空间里只能表现为异常的噪声。
1.3 反常不是噪声，而是几何信号
我当年看到这些反常数据的第一反应，是怀疑实验设计有问题：刺激材料没控制好、被试注意力不集中、打分尺度过窄。于是花了整整两个月把实验一轮轮重做，结果每次都是一样的模式。后来我才意识到问题出在我自己的理论框架上——我把数据里的系统性偏差当成了随机误差。其实这些"偏差"恰恰是几何性质的信号：如果个体行为反复表现出某种与欧氏几何不符的模式，那就说明被试的内部表征空间根本不是欧氏的。
这里有个研究心态的转变很关键：不要把模型拟合失败归咎于数据，而要把拟合失败当作模型假设的证伪。我们手上的行为数据没有义务服从欧氏几何，真正该反思的是那个"距离必须是直线"的预设。
2. 黎曼流形的一堂课：从地球表面到概念的弯曲
2.1 用一张地图理解黎曼流形
黎曼流形这个名字听起来吓人，但思想上并不复杂。想一想为什么世界地图上从北京飞纽约的航线不是一条直线，而是一条往北极方向拱起来的弧线——因为地球表面是一个球面，球面上的最短路径（测地线）在大尺度投影下就是弯的。局部来看，你脚下的一块地砖是平的，小范围内欧几里得几何完全够用；但把所有局部拼在一起，整体的曲率就藏不住了。
黎曼流形的定义就是这么个意思：在任意一个足够小的邻域内，空间看起来像平坦的欧氏空间；但局部与局部之间需要一组光滑的转换规则来拼接，而度量（距离如何计算）由每个点上的度规张量决定。对一个生活在流形表面的人来说，"距离"不是两个点之间画条直线，而是沿着曲面走的最短路径长度。
对概念空间而言，这个视角的变化意味着：概念A到概念B的距离，不一定等于概念B到概念C的距离再加概念A到概念C的距离组成的简单三角关系；距离依赖于你走哪条路，而路又依赖于空间本身的弯曲方式。
2.2 曲率的三种口味：正、负、零
流形分类最直观的标尺是曲率。零曲率就是我们熟悉的平坦欧氏空间，三角形的内角和恰好是180度。正曲率的代表是球面：在球面上画一个大三角形，内角和会超过180度，而且你走直线（大圆）最后会绕回原点。负曲率的代表是马鞍面或双曲空间：三角形内角和小于180度，平行线会发散，空间里能塞下的"东西"比平坦空间指数级地多。
这三种曲率对应的心理直觉完全不同。正曲率适合描述有界、收敛、互联紧密的概念群——比如颜色环，所有颜色靠得很近，绕一圈又回来。负曲率适合描述树状、层级分明、逐级展开的分类结构——每个父概念下可以挂出指数级增长的子概念，空间容量随"深度"指数扩张。零曲率只适合那些既没有严格层级、也没有循环收敛的中性结构。
2.3 为什么概念的层级结构长着一张负曲率的脸
从几何学的角度看，树状结构是负曲率空间的天然居民。以双曲空间（典型模型是庞加莱圆盘）为例，它的圆周附近密度指数增长，越往外走，可用空间越大。把一棵概念树嵌进去，根概念放在圆心附近，子概念沿径向展开，枝叶的容量完全够用。这在欧氏空间里是个老大难问题，在双曲空间里却几乎是免费的——你不需要增加额外的维度，就把"容量爆炸"问题消解掉了。
当然，纯粹的双曲结构也不是万灵药。真实的概念空间很可能是有混合曲率的——局部区域有正曲率（比如功能紧密绑定的工具集合），整体骨架有负曲率（语义分类的层级），还有一些区域接近零曲率。这也是为什么最近的模型开始用"乘积流形"（product manifold），把双曲、球面和欧氏三块拼在一起，各管一段。但这是后话，关键在于：一旦你承认曲率可以是变量，行为数据里的那些反常就不再是噪声，而是告诉你"这里到底弯向哪边"的探针。
3. 把"弯曲"变成可测的行为证据：三类实验范式
3.1 范式一：相似度三元组与三角不等式违例
三角不等式是欧氏空间最硬的一条公理：对任意三个点A、B、C，d(A,C) ≤ d(A,B) + d(B,C)。放在概念空间里就是说，"苹果"到"香蕉"的距离，不应该超过"苹果"到"梨"与"梨"到"香蕉"的距离之和。行为实验里可以这样测：设计一批三元组，让被试分别对AB、BC、AC的相似度打分，然后把相似度换算成距离，检查不等式是否被大量违例。
我做过的一版实验里，选了60个动物概念，随机抽取200个三元组，每个三元组由三个独立被试完成打分。分析阶段把相似度按指数衰减函数映射为距离（相似度越高，距离越小），然后统计违例比例。纯随机作答的违例率在50%左右；而我们的数据违例率一度逼近68%，远超随机水平。这个结果单独看不能直接证明空间是双曲的，但足以说明：欧氏距离框架在描述概念相似度时存在系统性的、统计上显著的系统偏差。
3.2 范式二：不对称性判断的几何含义
不对称性是另一个容易测的指标。设计成对判断任务：给被试两个词，让他们在7点量表上回答"X在多大程度上是Y的一种"以及"Y在多大程度上是X的一种"。"狗在多大程度上是动物的一种"得分很高，反过来则很低。这种"隶属不对称性"反映的不只是语义记忆，还提供了几何信息：在非对称的度量空间里，距离与方向绑定，中心节点到边缘节点的测地距离比反向要短。
配合反应时实验效果更好。眼动和按键反应时数据显示，被试判断"企鹅→鸟"比"鸟→企鹅"更快、更稳。如果用平坦空间建模，这种方向性效应很难解释；但如果你把概念空间想象成一个有坡度的曲面——下坡比上坡快——就非常自然。行为上的方向偏好，是局部曲率存在的直接征兆。
3.3 范式三：路径选择与心理导航
最直观也最有说服力的范式是路径选择。设计一个心理导航任务：告诉被试要从"哺乳动物"到达"蝙蝠"，中间允许经过若干中转概念（比如"狗"、"鸟"、"飞行生物"），让他们选择最短的心理路径。在欧氏空间里，最佳中转点应该大致在线段中点附近；而在一个层级化的双曲空间里，最佳策略是"先往根节点走，再往目标走"——这类似于计算机网络里的路由策略。
我们实验室的数据显示，被试的路径选择呈现出清晰的"先上后下"模式：绝大多数人会先走向更高的类别节点，再折向目标。而且这个倾向的强度与概念树的深度显著相关。这个结果和双曲空间里测地线的形状非常一致，也为"概念导航依赖层级骨架"提供了行为层面的直接证据。
3.4 实验材料与刺激设计的坑
这类实验最磨人的地方在刺激材料控制。我踩过的坑包括：词频和具体性没有匹配——高频词天然更容易被选中，混淆了结构效应；类别覆盖不均衡——过度代表某些子类，导致距离矩阵被少数类别主导；练习效应——被试做多了会摸索出策略，行为模式失真。
几个经验：一是所有材料都做预先的熟悉度评分，只保留高熟悉度词条；二是三元组和配对判断的呈现顺序随机化，并且每个被试只判断全部材料的三分之一，避免疲劳；三是加入填充项（比如明显无关的词对），防住被试的答题惯性。做认知实验的精髓不是统计多花哨，而是让每一个反应都真正来自概念结构本身，而不是实验工件的伪迹。
4. 数据怎么说话：从行为反应到几何参数的分析流水线
4.1 第一步：把判断矩阵变成几何距离
行为原始数据是相似度打分，首先要把它转换为距离。常用变换是取相似度的负对数或直接相减。我用的是一组模拟数据来说明整条流水线。假设我们有8个概念，分成两组，组内紧密、组间疏远，但带一点层级味道。相似度矩阵如下（满分10，越大越相似）：
| 苹果 | 香蕉 | 梨 | 狗 | 狼 | 猫 | 鸟 | 鹰 | |
|---|---|---|---|---|---|---|---|---|
| 苹果 | 10 | 8 | 7 | 2 | 1 | 2 | 3 | 2 |
| 香蕉 | 8 | 10 | 7 | 1 | 1 | 2 | 2 | 1 |
| 梨 | 7 | 7 | 10 | 2 | 1 | 2 | 2 | 1 |
| 狗 | 2 | 1 | 2 | 10 | 7 | 8 | 4 | 3 |
| 狼 | 1 | 1 | 1 | 7 | 10 | 6 | 3 | 3 |
| 猫 | 2 | 2 | 2 | 8 | 6 | 10 | 4 | 3 |
| 鸟 | 3 | 2 | 2 | 4 | 3 | 4 | 10 | 8 |
| 鹰 | 2 | 1 | 1 | 3 | 3 | 3 | 8 | 10 |
把相似度S映射成距离D，我用的是D = -ln(S/10)。这个变换来自经典的相似度-距离指数关系假设，比线性减法的分布更均匀。
4.2 第二步：拟合曲率——三种模型同台竞技
得到距离矩阵后，同时拟合三个模型：欧氏MDS（零曲率）、球面MDS（正曲率）、双曲MDS（负曲率）。每种模型把概念嵌入到低维空间，然后计算嵌入距离与行为距离的误差。误差越小，说明该几何假设越贴近真实表征。
我在实际操作中用的是这个Python流程：
import numpy as np from sklearn.manifold import MDS from scipy.spatial.distance import pdist, squareform from scipy.optimize import minimize # 相似度矩阵（见上表，这里只放前4个概念做示例） S = np.array([ [10, 8, 7, 2], [8, 10, 7, 1], [7, 7, 10, 2], [2, 1, 2, 10] ]) D = -np.log(S / 10.0) # 相似度转距离 # 欧氏MDS：直接用sklearn mds = MDS(n_components=2, dissimilarity='precomputed', random_state=42, normalized_stress='auto') coords = mds.fit_transform(D) euclidean_error = mds.stress_ # 双曲空间（庞加莱圆盘）拟合：用优化器迭代出坐标 def poincare_dist(u, v, c=1.0): u = np.asarray(u); v = np.asarray(v) u_norm = np.linalg.norm(u); v_norm = np.linalg.norm(v) diff = np.linalg.norm(u - v) ** 2 num = 2 * c * diff denom = (1 - c * u_norm**2) * (1 - c * v_norm**2) # 防止数值不稳 if denom <= 0: return 1e6 arg = 1 + num / max(denom, 1e-8) return np.arccosh(max(1.0, arg)) / np.sqrt(c) # 初始值：先用欧氏MDS的坐标做种子 rng = np.random.default_rng(42) seed = coords / 4 # 缩小到圆盘内 x0 = seed.flatten() def loss(params, D_obs): coords_flat = params.reshape(-1, 2) n = coords_flat.shape[0] err = 0.0 for i in range(n): for j in range(i+1, n): pred = poincare_dist(coords_flat[i], coords_flat[j]) err += (pred - D_obs[i, j]) ** 2 return err res = minimize(loss, x0, args=(D,), method='BFGS') hyperbolic_error = res.fun真实研究里模型比较一般用留一交叉验证或AIC/BIC这类信息准则，而不是只比训练误差。注意双曲拟合的代码里有个关键点：坐标初始值必须落在圆盘内，否则优化过程会直接发散。我在第一次跑的时候没注意这个，结果所有坐标飞到无穷远，损失函数直接爆炸。这也是这类几何拟合里最常见的bug。
4.3 第三步：验证与交叉检验
单靠拟合误差不能说明问题，因为双曲空间参数更多，拟合得好可能是过拟合。标准的做法是交叉验证：把距离矩阵随机分成训练集和测试集，在训练集上拟合坐标，在测试集上计算预测误差。另一个有力验证是几何三角检验：对任意三个概念，测地线距离是否满足相应的三角关系（双曲空间里是"瘦三角形"性质，即两个短边的和只比第三边大一点点，边界上还存在第三个点在两条测地线都附近）。这个性质在行为数据上表现为：层级相邻的概念对在路径上会共享大量中间节点，使得"看起来远"的距离在测地线意义上反而很近。
4.4 分析流水线本身的坑
这套流水线我前后重构了三版，总结出几个比较坑的地方。一是样本量：行为实验的被试量少于30，距离矩阵噪声非常大，曲率估计几乎不可靠。二是概念数量：少于30个概念的刺激集，双曲和欧氏模型的区分度很低，至少需要50-80个概念，覆盖至少三个层级的分类树。三是相似度-距离的映射函数：不要默认指数衰减，最好用多个候选函数（线性、负对数、幂律）对比，看哪一种产生的距离矩阵在后续模型拟合中一致性最高。四是曲率参数不能和维度参数一起瞎调，先固定维度为2或3，只优化曲率，否则很容易在参数空间里迷路。
5. 几何革命的实际冲击：不只是认知科学的理论装饰
5.1 对语义网络理论的颠覆
几何转向最直接的影响，是把语义网络的"网络语言"翻译成了"几何语言"。以前我们说"狗"是"哺乳动物"的一个子节点，这是一种图论描述；现在我们可以说"狗"的表示位于"哺乳动物"的某个测地线邻域内，空间曲率决定了这个邻域的形状和容量。这种翻译不是换皮，它带来了两个实质红利：一是可以把连续性和拓扑性质直接纳入认知模型——概念之间的过渡（比如从"狗"到"狼"）不再需要离散的跳转，而是沿测地线连续滑行；二是给发展心理学一个预测工具——儿童概念习得的顺序，应该遵循流形上的某种最优路径，这个路径可以被几何模型预先算出来，再拿行为数据去验证。
我印象最深的是一个词汇增长模拟：用双曲空间嵌入儿童早期习得的800个名词，模型预测的习得顺序和真实语料库里的习得年龄相关达0.6以上，远超欧氏嵌入。这说明几何结构不只是事后描述的抽象工具，它真的在做预测性工作。
5.2 对AI嵌入的启示：Poincaré嵌入与双曲表征
NLP这边的情况更直接。Nickel和Kiela在2017年提出Poincaré嵌入，把知识图谱里的实体嵌入到双曲空间，层级数据上的表示质量碾压了欧氏嵌入。现在你已经可以在PyTorch里用geoopt这类库直接定义双曲神经网络层。做推荐系统、知识图谱补全、语义检索的工程师，开始越来越多地面对"你那套L2距离其实在惩罚层级结构"这类问题。
实际工程中怎么选曲率？我的经验是：先跑一个快速诊断——把数据的层级化程度（比如知识图谱里父类-子类比例）算出来，层级越明显，越倾向于双曲；如果数据结构更接近环形或球簇，球面嵌入更合适；混合结构就上乘积流形。调参方面，双曲嵌入对学习率很敏感，初期把学习率调低一个数量级，让坐标慢慢飘进圆盘，比直接大步长更新稳定得多。
5.3 我自己的几点心得
第一，几何模型和行为数据之间不是"证明"关系，而是"互惠约束"关系。行为实验提供约束，几何模型提供预测，二者反复迭代，结论才立得住。单独跑一次实验就断言"概念空间是黎曼流形"，修辞上是好看的，科学上是单薄的。
第二，别忽视个体差异。不同被试的曲率估计可能差异很大，一些人有更强的层级导航倾向，另一些人更依赖局部关联。把被试层面的曲率参数当作个体差异的度量，甚至可以做成一个个性量表——这在我看是个挺有价值的方向。
第三，实验设计的透明度和数据可得性决定这类研究能走多远。几何模型可验证性的基础是别人能用你的刺激材料、你的分析代码跑出同样的结果。我建议做这类跨学科研究的同行，把刺激材料、原始反应时数据、以及拟合代码一起发布，不然这个领域会淹没在一堆"看起来很美"的拟合图里，这对谁都没好处。
说到底，"概念空间是黎曼流形"这个命题真正打动我的，不是它听起来有多高级，而是它第一次让几何变成一种可以被行为实验检验的科学假设。曲率不再是一个数学装饰，而是一个有反应时、有错误率、有路径选择数据的实证参数。这条从欧氏到黎曼的转向，现在才刚刚开始，接下来的关键问题——混合曲率空间里概念如何组织、不同脑区是否对应不同几何结构、双曲表征如何与神经网络学习机制融合——每一个都够我们再折腾十年。
