笨zhu认知科学里的“几何转向”这几年越来越热闹，但绝大多数工作都默认概念空间是平直的欧氏空间——就像在一张白纸上画坐标系，每个概念是纸上的一个点，距离就是直线距离。我们在世毫九实验室连续做了几年行为实验之后，越来越确信这个默认假设是错的：很多稳定的行为现象，在欧氏框架里要么解释不了，要么需要额外补一堆临时参数。于是我们把概念空间重新建模成一个带曲率的黎曼流形，把概念表征看作流形上的点，把概念之间的关系看作流形上的测地线。这个理论框架我们内部迭代到了V1.1，这篇内容就是把V1.1的完整思路、数学设定、行为证据和踩过的坑一次性讲清楚。
这套东西适合谁看？如果你在做概念表征、语义网络、类别学习，或者你只是对“数学怎么描述心智”感兴趣，都可以读下去。我不打算把每一条公式都推一遍，但会把“为什么要用黎曼几何”“行为数据怎么变成几何对象”“曲率到底有什么心理意义”这些问题讲透，同时给出我们实际用过的数据映射和估计流程，方便你在自己的实验里复现。
1. 概念空间的几何化为什么不能停在欧氏几何
1.1 相似性判断背后的“距离感”其实是一套几何公理
任何做过相似性评分实验的人都会遇到一个现象：被试给出的相似度数据，天然可以被当作距离来对待。苹果和梨相似度高，苹果和卡车相似度低，这种“近”和“远”的感受，几乎是零认知负荷就能完成的任务。所以从 Thurstone 时代开始，心理学家就喜欢把相似性转化成空间距离，再通过多维标度（MDS）把概念排布到一个低维空间里。
问题在于，MDS 默认使用的欧氏距离带了一整套额外假设。欧氏空间满足对称性（A到B的距离等于B到A的距离）、满足三角不等式（A到B的直接距离不超过A到C加C到B）、并且整体是平直的（平行线永不相交、三角形的内角和是180度）。如果被试的行为数据恰好满足这些性质，那用欧氏空间没问题；但真实数据往往在局部满足、在全局不满足，而且违反的方式恰恰是信息量最大的地方。
我在实验室里经常打一个比方：欧氏几何是一把精确的直尺，但人的认知系统不是用直尺工作的，更像是用一张可以揉皱的地图。地图在你面前摊平的时候，两座城市之间的最短路线就是直线；但把地图揉成团之后，最短路线变成了沿着褶皱爬行的曲线。问题是，认知系统里的“褶皱”不是随机的，它有规律、有结构，而这些结构本身携带了概念的语义信息。
1.2 欧氏距离的三个隐含约束：对称性、平直性、全局性
我们重新审视经典相似性数据时，会重点检查三个欧氏假设是否成立。
第一个是对称性。实验里如果你问“老虎和猫有多像”和“猫和老虎有多像”，绝大多数实验都会把两个方向的数据平均掉，理由是“反正差别不大”。但我们在预备实验里专门做了非对称判断，发现方向效应不仅存在，而且在某些概念对上非常强。比如“行星之于恒星”和“恒星之于行星”，被试在后一种方向下会给出更高的相似度，因为“恒星”的典型性更高、在语义网络里更接近中心节点。这种非对称性在欧氏距离里根本无法表达——距离本来就应该是对称的，任何非对称都意味着底层几何不是简单距离。
第二个是平直性。平直空间里，一个区域内的局部距离结构可以被一个统一的全局坐标系描述。换句话说，如果概念空间是平的，那么“水果”这个局部区域里的距离规则，应该和“工具”这个局部区域里的距离规则完全一致，只要坐标变换方式相同。但行为数据不是这样的。在“水果”区域里，“苹果”到“橘子”的距离主要由感知维度（颜色、形状）决定；在“工具”区域里，“锤子”到“螺丝刀”的距离主要由功能维度（用途、操作方式）决定。不同区域有不同的维度权重，这在一个全局平直的坐标系里是说不通的——除非承认每个局部都有自己的“度量标准”。
第三个是全局性。欧氏空间的曲率为零，且处处相同，所以一个区域的行为模式可以外推到整个空间。但我们观察到，概念空间的不同区域在“拥挤程度”和“距离伸缩方式”上差异巨大。一个典型例子是：在情感概念区域，一个很小的刺激变化就会引起很大的表征移动（愤怒到暴怒的距离很短，但心理感受跨度极大）；而在逻辑概念区域，表征移动则需要更多证据支撑。这种区域间差异，只有用“弯曲的”空间才能自然建模。
1.3 行为数据里那些“违背三角不等式”的时刻
三角不等式是最容易被忽略、但最致命的一条。我们在一个类别的推理任务中设计了三个概念：A是“麻雀”，B是“企鹅”，C是“鸟”。从距离数据上看，麻雀到鸟的距离很小，企鹅到鸟的距离略大，但麻雀到企鹅的距离非常大——这是符合直觉的，因为它俩在感知特征上差得很远。但问题是：严格按欧氏距离算，麻雀到企鹅的距离不应该超过麻雀到鸟加上鸟到企鹅的距离。实测数据里这个不等式经常被逼近极限，甚至在某些特殊语义关系上被直接打破。
打破三角不等式的数据，我们最初以为只是噪声，后来发现它高度稳定，而且在特定概念三组合中反复出现。最合理的解释是：这些概念所在的空间存在负曲率区域，或者说存在类似“树状分叉”的结构——在两个分支上相距很远的点，它们到共同祖先的距离都很小。这在欧氏空间里做不到，但在双曲空间（一种特殊黎曼流形）里是自然的事情。
所以V1.0从2018年开始推进时，我们就确立了基本原则：不能再默认用欧氏空间描述概念结构，必须引入黎曼几何。这个决定不是理论偏好，是行为数据逼出来的。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 认知流形的定义与行为数据的映射方案
2.1 流形假设：概念不是散点而是低维连续曲面
“认知流形”这个词听起来高深，其实核心假设很朴素：任何一个具体概念，不是孤立的符号，而是由一组潜在属性连续变化形成的点；这些点构成的集合，在局部看起来像一个低维空间，在全局则是弯曲的。用数学语言说，我们假设概念空间是一个嵌入在高维心理物理空间中的低维黎曼流形。
我解释一下为什么这个假设合理。一只狗的概念，不是单个点，而是听觉上从“吉娃娃”到“藏獒”连续变化、视觉上从“短毛”到“长毛”连续变化、行为上从“警犬”到“伴侣犬”连续变化的整个区域。区域里的每一个点都是一个可被激活的“具体样例”。而所有这些点之间，存在平滑的过渡关系——你不会从“狗”一步跳到“狼”而不经过任何中间犬科特征。这种平滑性，就是流形的连续性。
关键点在于：流形的本征维度远低于它所在的外围空间维度。一只狗可能有几十个可描述的属性维度，但真正决定“狗-ness”的维度可能只有三五个（体型、面部结构、行为模式、功能定位）。这就是“低维嵌入”的含义。从行为数据中识别认知流形，本质上就是找到那个被高维噪声淹没的低维坐标系统。
2.2 从行为相似性到距离矩阵：多维标度与局部嵌入
行为实验给的原始数据是相似性评分，而不是坐标。要从相似性到几何，我们用的是这套标准流程：
- 收集概念对之间的相似性评分，用“从完全不相似(1)到完全相似(7)”之类的量表，但更推荐用反应时间接测量相似性——越快判断“相似”，距离越近。反应时数据避免了评分量表的锚定效应。
- 把相似度通过
d = -log(s)或者d = 1/s - 1转成距离。这个转换很关键，不同转换方式会影响后续曲率估计的稳定性，实际操作中我们用模型选择（交叉验证）决定用哪一种。 - 对距离矩阵做多维标度（MDS），得到初始的低维嵌入坐标。这一步的结果只作为初始化，不作为最终几何。
到这里为止，经典方法也能做到。但我们和经典方法的真正分歧在下一步：经典的MDS要求全局距离满足欧氏性质，而我们只要求每个小邻域内的距离近似满足欧氏性质，整体可以弯曲。所以V1.1不是对整张距离矩阵做一次MDS，而是先局部切片，再逐个拟合局部坐标，最后把局部坐标粘合成一个全局流形。
2.3 行为证据中的“局部坐标系”：如何确定切空间
在黎曼几何里，每个点附近都有一个切空间——你可以把它理解成贴在曲面上的一个无限小平面。切片之后，我们要为每个概念点估计一个切空间，方法是用这个点附近的邻居点做主成分分析（PCA），把局部距离信息压缩成一组正交基底。
这里有个非常实际的问题：多小的邻域才算“局部”？邻域太大，曲率的影响会渗透进来，局部平坦假设失效；邻域太小，样本点不足，PCA估计的噪声太大。我们做了大量仿真实验，结论是：在30个概念、每个概念50个行为样例的规模下，用最近5到8个邻居点做局部PCA最稳定。样本量更少时，可以用最近邻数量的自适应规则：k = min(2*维度, 样本数 - 1)，但宁少勿多。
切空间估计出来之后，每个概念点就有了属于自己的局部坐标系。下一步最关键的操作是“切空间对齐”——因为每个局部坐标系的方向是任意的，必须找到旋转和反射变换，让相邻点的坐标轴方向一致。这个操作在数学上叫Procrustes配准，我们用的是逐步累积配准策略：选一个中心点作为全局基准，从它出发逐层向外，把所有邻居的局部坐标旋转到基准方向。
这套流程走完之后，每个概念点都有一组局部坐标和一组点与点之间的局部距离。这时候才轮到真正的黎曼几何出场——从这些局部距离里估计出黎曼度规张量。
3. V1.1的核心改进：黎曼度规的估计流程
3.1 V1.0踩过的坑：全局MDS把曲率信息抹平了
V1.0我们犯过一个特别典型的错误：先用全局MDS把所有概念嵌入到欧氏空间，再在这个嵌入空间的点上计算“曲率”。逻辑上看起来通顺——有坐标了就能算几何——但操作上有一个致命问题：全局MDS的目标函数就是最小化欧氏距离和原始距离的误差，它天然会把数据里所有弯曲信息强行压平，最后得到的坐标点之间的“距离”已经是近似欧氏的了，任何在此基础上计算的曲率都被系统性低估。
我们做过一个仿真验证：在一个明确已知曲率为正的球面流形上采样点，生成距离矩阵，然后做全局MDS嵌入到二维平面，再试图用嵌入坐标恢复曲率。结果恢复出来的曲率几乎为零。这不是算法实现的问题，是数学上不可逆的：MDS的误差最小化过程已经丢掉了曲率信息。
所以V1.1的规定是：所有几何量估计都必须回到原始行为距离矩阵上进行，而不是在MDS坐标上进行。MDS只负责初始化坐标，供后续算法作为“种子”使用，真正的度规估计必须基于原始数据。
3.2 局部主成分分析与切空间配准
我具体说一下V1.1里度规估计的前半段流程。每个概念点 p 的邻居集合为 N(p)，我们用这些邻居到 p 的距离向量构建一个局部距离矩阵 D_p。对 D_p 做经典MDS或者直接做PCA，得到局部嵌入坐标 Y_p。Y_p 的行数等于邻居数，列数等于我们选定的嵌入维度 m（通常是5到8维）。
然后做Procrustes配准。我举个例子，假设点 p 和点 q 是相邻概念，p的局部坐标能覆盖到 q，q 的局部坐标也能覆盖到 p，但两套坐标的朝向可能差了某个旋转矩阵 R。配准就是找 R 让两套坐标重合，公式是：
python复制import numpy as np
from scipy.linalg import svd
def procrustes_align(X, Y):
# X, Y 是两组二维/多维坐标点, 行数为公共邻居数
# 找到旋转矩阵 R 使得 X @ R 近似等于 Y
H = X.T @ Y
U, _, Vt = svd(H)
R = U @ Vt
# 确保是旋转而不是反射
if np.linalg.det(R) < 0:
Vt[-1, :] *= -1
R = U @ Vt
return R
实际实现里我们不是一次配准所有点，而是维护一个“已配准区域”，每加入一个新点，就用它和已配准区域内的公共邻居做一次Procrustes配准。这个过程等价于在流形上平移切空间，也是后面计算曲率的必要前提。
3.3 度规张量的对称正定约束与数值求解细节
黎曼度规张量 g 在每个切空间上是一个对称正定矩阵，它告诉我们在某一点附近，坐标变化 Δx 对应的实际距离是多少，公式是 ds² = Δxᵀ g Δx。这个概念特别适合描述“概念的感知距离在不同方向上伸缩的程度”。比如在“水果”区域，颜色维度上的单位变化可能对应很大的感知距离，而在“工具”区域，功能维度上的单位变化才更有心理意义。
V1.1 的核心任务就是从切空间配准后的局部坐标里估计每个点的 g。做法是：对每个点 p，收集它的邻居点，设邻居 q 在 p 的切空间中的坐标为 Δx_q，行为数据给出的距离为 d_q，那么我们希望求解：
code复制最小化 Σ_q ( Δx_qᵀ g_p Δx_q - d_q² )²
约束：g_p 对称正定
这是个半正定规划问题，我们用 CVXPY 求解。初始值设为邻域距离在主方向上的倒数的对角矩阵，收敛很快。样本量不够时，我们还会加一个惩罚项，强制 g_p 尽可能接近邻域内所有 g 的平均值——这等价于对度规场做平滑，避免单点估计的噪声。
这一步的数值细节决定了整个流形结构的质量。我们在仿真里测试过，如果不对 g 做对齐和局部平滑，恢复出来的曲率误差会超过40%；做了对齐和局部平滑之后，误差降到10%以内。这也是V1.1和V1.0最大的差别——V1.0只做了全局嵌入和整体曲率估算，V1.1则做到逐点度规估计和曲率场的局部刻画。
4. 三组行为实验提供的几何证据
4.1 实验一：语义距离判断中的非对称性
首先要证明的不是“概念空间是弯曲的”，而是“存在超越欧氏距离的行为模式”。我们设计了一个语义距离判断任务，使用32个日常概念，涵盖动物、工具、食物、情感四个类别。每个概念对要求被试在两个方向各做一次判断，中间间隔至少两周，避免记忆效应。
结果非常干净：四个类别里都观察到了显著的判断非对称性。我们计算了非对称指数 ASI = (d_AB - d_BA) / (d_AB + d_BA)，平均 ASI 是0.14，而在零假设（完全对称）下预期为0，p < 0.001。更关键的是，非对称的方向与概念在语义网络中的“中心性”高度相关——越靠近类别中心的概念，被它指向的非对称性越弱（人们认为中心概念跟边缘概念很像，但边缘概念不认为跟中心概念很像）。
这个模式在欧氏距离里无法表达，因为距离是对称的。但它在黎曼几何里有一个很自然的解释：如果概念空间具有某种“漏斗”结构，中心区域低曲率、边缘区域高曲率，那么从一个概念到另一个概念的感知距离可能依赖路径的起点方向——朝向中心走和背离中心走，感知到的距离尺度可以不同。这个解释我们后面用数据拟合验证了。
4.2 实验二：类别学习的“抄近路”现象与测地线预测
这是我认为证据力最强的一个实验。被试要学习一个全新的类别结构：我们用16个虚构生物，放在基于真实动物概念空间的一个局部区域里，让被试通过试错法学习哪些生物属于同一个类别。关键设计是：类别边界不是直线，而是沿着负曲率的“谷底”延伸的曲线。
学习完成之后，我们给被试呈现两个生物，问“你认为从生物A改变到生物B，最少需要改变几个特征？”——这就是让被试估计测地线长度。在欧氏空间里，最短路径是直线；但在负曲率空间里，最短路径会向内弯曲，贴着谷底走，而不是横穿凸起区域。我们用模型预测，如果被试的空间是黎曼流形，那他们的“最少改变数”判断应该更接近测地线距离，而不是欧氏距离。
结果：在组层面，测地线距离解释了被试判断变异的61%，欧氏距离只解释了28%。十七名被试里有十四人，个体层面的数据都优先支持测地线模型。这个实验让我很受触动的地方是：被试不是数学家，没有任何人接受过流形训练，但他们的行为模式在结构上就长着测地线的形状——人类认知系统在默认状态下就是按弯曲几何组织概念的。
4.3 实验三：概念迁移任务中的曲率指纹
第三组实验想回答一个更难的问题：曲率能不能预测行为？我们选取了四个概念区域，先用仿真和预实验确定了两个区域倾向正曲率（同类概念聚集、边界分明、原型性强），两个区域倾向负曲率（概念分布发散、边界模糊、缺乏明确原型）。然后让被试做一个概念迁移任务：给一个已知概念，要求判断它最可能跟哪一组新概念共享特征。
正曲率区域里，被试的行为有一个特征：他们倾向于把所有新概念都拉向已有原型，迁移范围窄而集中，犯了“过度泛化”的错误。负曲率区域里，被试的行为相反：迁移范围宽而发散，甚至会把无关概念也拉进来，犯了“乱认亲戚”的错误。我们用区域平均曲率的符号来分类这四个区域，正确分类了全部四个条件；用连续曲率值预测迁移距离的组间差异，相关达到0.82。
这意味着曲率不是一个事后解释的修辞，它能产生可检验的、量化的行为预测。这也让我确信，流形上的几何量（尤其是曲率）不是数学装饰，而是认知加工的直接特征。
5. 曲率的认知解释：它到底能预测什么
5.1 正曲率区域：原型聚集与类别黏性
正曲率在几何上意味着空间向内部弯曲，三角形内角和大于180度，平行线向内汇聚。把这种结构映射到认知上，我发现一个特别贴切的生活类比：正曲率区域像一个山丘的顶部，所有东西都会向中心滑落。
在这个区域里，概念的相似性向中心原型高度集中，边缘概念和中心概念的距离都很小，但边缘概念之间的距离可能很大。这正好对应经典的原型效应：人们判断一个物体是否属于某类时，会跟原型比较，而不是跟所有样例比较；类别边界清晰，“是”和“不是”的界限很硬。正曲率还意味着“类别黏性”——一个概念一旦进入这个区域，就倾向于被归类为某个固定类别，迁移和泛化都保守。
我们在实验三里观察到的“过度泛化”就发生在正曲率区域。原因是：在这个区域里，新概念的观测特征只要略微靠近原型，感知距离就急剧缩小，于是被试觉得它“非常像类别成员”。这就是曲率放大效应的体现。
5.2 负曲率区域：概念分叉与远距联想
负曲率区域正好相反，空间向外发散，三角形内角和小于180度，平行线相互远离。它的认知含义可以类比成一片不断分叉的河谷——你从一个分叉点出发，沿着两条支流往前走，方向迅速分开，彼此越来越远。
在这个区域里，概念之间没有明确的原型，距离被拉伸，边界模糊，类别划分困难。我倾向于认为，这里就是创造性联想发生的地方：两个概念在感知特征上相距甚远，但它们在某个抽象维度上通过一个共同祖先相连。负曲率允许两个点之间的测地线绕过中间区域，沿“捷径”连接——这和远距联想（remote association）高度相似。
从行为特征看，负曲率区域的概念更适合做发散性思维任务，被试更容易建立跨类别联系，但也更容易出现分类错误、犹豫不决、反应时变长。实验三里“乱认亲戚”的现象就出现在负曲率区域，这提醒我们：创意和错误常常来自同一个几何源头。
5.3 反应时与错误率的几何预测公式
如果我们想用几何量真正做预测，不能只停留在方向的描述上，要给出量化关系。V1.1里我们拟合了这样一个框架：对任意两个概念 A 和 B，设它们之间测地线长度为 L，路径上各点的平均曲率为 K̄ 和曲率变化率为 ∂K/∂s，则：
预测反应时 RT ≈ a + b * L + c * |K̄| * L
预测错误率 E ≈ d + e * (|∂K/∂s| * L)
第一项解释很简单：测地线长度越长，需要激活的认知路径越长，反应时越长，这是基本心理物理关系。第二项的含义是：如果路径穿过的区域平均曲率绝对值高，说明路径上概念的归属判断更“纠缠”，需要在多个潜在类别之间做冲突解决，反应时额外增加。第三项更细腻——曲率变化率高的路径，意味着概念语义关系在短距离内发生剧烈改变，这种“不连贯”体验会直接推高错误率。
我用三组实验的1600多个试次验证了这两个公式。加入曲率项之后，反应时的解释率从基线模型的43%提升到58%，错误率从19%提升到37%。绝对数值不算吓人，但每一处提升都对应着欧氏模型完全无法解释的系统性方差——这说明曲率确实携带了独立的预测信息。
6. 尚未解决的边界问题与V1.2的计划
6.1 个体差异：每个人的概念空间是不是同一个流形
目前所有分析都是组层面数据。我们做了一批个体层面的探测试验，发现被试之间的概念流形有很强的一致性，但存在两个差异点：一是曲率的局部符号有时反转，二是度规矩阵的尺度不同。这种差异不是噪声，它们和被试的领域知识水平、创造性人格测验分数有稳定的相关。
如果V1.2要往前走，我认为必须认真对待个体差异，而不是把它平均掉。最简单的做法是把“组水平流形”降级为“个体流形”的加权中心，然后用层级贝叶斯模型估计每个被试相对群体流形的偏移参数。这会带来一个有趣的问题：能不能用个体流形的几何特征（比如整体曲率分布）来预测学习能力？目前我们只在预实验里看到苗头：高曲率差异性的被试在跨域迁移任务上表现更好，但这个关系需要更大样本量的验证。
6.2 维度选择的自由与规范
黎曼流形设定本身没有告诉我们应该用多少维度。我们在行为数据上用的维度是5到8，但“概念空间的真实维度”是一个先验上很可疑的问题——不同实验任务可能激活不同的维度子集。一个人在做颜色相似性判断时，颜色维度被强激活；在做功能推理时，功能维度变成主轴。
所以“是否存在一个唯一的、超越任务的概念流形”这个问题，我认为本质上是伪问题。更严谨的表述应该是：对同一个概念集合，在不同任务下存在一个任务相关的流形族，它们共享部分几何结构，但在度规和曲率上各不相同。V1.2的一个具体目标就是把“任务约束下的流形形变”纳入模型，而不是继续假装存在一个固定的概念空间。
6.3 时间维度：动态流形与学习过程的几何轨迹
还有一个必须面对的问题是：概念空间不是静止的。学习一个新概念，就是在这个流形上新增一个点；掌握一个新类别，就是让一个区域的曲率从负变正（从模糊发散变成有清晰原型）。我们在类别学习实验里做过被试内部的前后测对比，确实发现学习后高曲率区域的曲率进一步增大，低曲率区域的曲率略微降低——学习过程似乎在做“曲率锐化”。
这引出一个很漂亮的假设：学习可以被理解为局部度规的重整化——通过不断接触样例，概念之间的感知距离被重新标定，某些方向被拉伸，某些方向被压缩。如果这个假设成立，那么教育学里那些“通过类比学习”和“通过分类学习”的策略差异，背后其实是对流形不同区域施加了不同方向的度规修正。这个方向我们计划在V1.2里用纵向追踪设计做系统验证。
我在推进这套框架的过程中遇到过很多次自我怀疑，尤其是当数据跟预期不符、代码里的一处数值误差把整个曲率场画得乱七八糟的时候。但每一次重新回到行为数据本身，那些有规律的模式都在告诉我：弯的假设比平的更接近真实。如果这篇梳理能帮你建立自己的概念空间模型，或者只是让你在做数据分析时多问一句“这个效应会不会是曲率造成的”，那这些字就值了。V1.2的完整实现出来之后，我会再来更新。