man One人类的概念空间到底长什么样？这个问题我从研究生阶段就开始纠结。传统认知心理学普遍假设，概念和概念之间的相似性可以放在一个欧几里得空间里，用坐标和直线距离来描述——苹果和香蕉的距离，就是它们在“水果特征”坐标轴上的差异。这个思路很直观，写论文、做模型都方便，可真到处理行为数据的时候，问题就冒出来了：相似度判断经常不对称，距离有时候不满足三角不等式，换一个实验语境，整个空间的形状就像被揉过一样。后来我读到一系列认知建模研究，标题大意是《人类概念空间的几何革命：黎曼流形的行为证据》，一下子觉得之前的困惑有解了。这套工作提出，人类的概念空间不是平的欧氏空间，而是一个黎曼流形——局部看是平坦的，整体看是弯曲的，而且每个局部有自己的一套度量规则。这篇文章我就想把这个“几何革命”背后的逻辑掰开揉碎，从理论动机、行为实验到数据分析，完整过一遍，给对认知建模、几何心理学和AI表示学习感兴趣的朋友一些能直接用的东西。
1. 从欧氏空间到黎曼流形：概念空间建模的思路切换
1.1 “概念空间”究竟是什么
概念空间（conceptual space）这个说法由认知科学家Peter Gärdenfors在一系列著作中系统提出，核心思想是：人类可以用几何结构来表征概念。一个概念不是一堆符号的拼凑，而是多维特征空间里的一个点、一个区域，或者一团带密度的概率分布。比如“红”可能是一个圆形区域，“深红”就是区域边缘的一块，“苹果红”可能又会偏向另一个小簇。属性维度则构成了空间的坐标轴，比如颜色空间里的色调、饱和度、亮度，语义空间里的“大小”“快慢”“好坏”等等。
这套几何化框架在当时非常有吸引力，因为它能用连续数值来预测相似性、范畴化和归纳推理。只要给两个概念分配好坐标，它们之间的相似度就可以用某种距离函数计算。最常见的假设是欧氏距离，也就是我们在中学里学的那个直线距离。不少经典模型，比如语义空间中的潜在语义分析（LSA）、词向量，核心思维都是这种欧氏假设：把词嵌入到高维向量空间，用余弦相似度或者欧氏距离来反映语义关联。
但概念空间并不是一个物理空间，它是一种建模约定。既然是约定，那就要接受行为数据的检验。问题在于，欧氏距离的约束非常强，它要求空间中的距离必须是全局一致的、对称的，并且满足三角不等式。这些约束在几何上是漂亮的，在人类认知里却未必成立。很多研究者早就发现了各种“反常”现象，只是过去大家倾向于把这些现象当成噪声或者实验误差，强行用欧氏模型去拟合，拟合不了就加维度。实际上，这些反常也许并不是噪声，而是在告诉我们：底层几何结构用错了。
1.2 欧氏空间假设的三个“隐蔽坑”
我在自己的行为实验里真正体会到欧氏假设有多脆弱，是在分析相似性评分矩阵的时候。第一坑是距离对称性。按欧氏几何，A到B的距离和B到A的距离一定相等，但人类被试对“狼到狗的距离”和“狗到狼的距离”判断往往有系统性差异。这背后有典型的典型性效应：人们更倾向于以某个“原型”为锚点，判断其他概念相对原型的距离，方向就变得重要。用欧氏距离模型去刻画这种不对称，只能靠额外加权重参数硬拗。
第二坑是三角不等式。理论上，如果A和B很像，B和C也很像，那么A和C不可能太不像，因为距离要满足“绕路不会比直达更短”。但行为实验里经常出现反例，比如蝙蝠和鸟，鸟和蝴蝶，蝴蝶和蝙蝠，两两相似性都不高，但鸟类与蝴蝶之间、蝴蝶与蝙蝠之间的判断会受到知识背景的强烈调节。知识一激活，距离结构就会变形，全局三角不等式就崩了。
第三坑是度量的“语境漂移”。同一个概念对，在不同任务、不同参考对象、不同情绪状态下测出来的相似度可能完全不同。欧氏空间里的距离是固定的，一个点的坐标一旦确定，它到所有其他点的距离就锁死了。可人的判断是高度依赖上下文的。比如“苹果”和“梨”在水果分类任务里很近，但在“科技产品”语境里可能被拉到很远。这种局部度量不断变化的特性，需要的恰恰不是一张“平直地图”，而是一张会随地板起伏的路网——这正是流形的思路。
1.3 黎曼流形：局部平坦、整体弯曲的概念空间
黎曼流形并不难理解。想想地球：我们踩在地面上觉得地面是平的，拿一张城市地图可以按平面几何导航，但如果把全球航线直接画在一张平面地图上，距离就完全扭曲了。地球本身是一个球面，每个局部都有切平面，切平面之间的连接方式由度量张量决定。黎曼流形就是把这种“局部平、整体弯”的结构抽象化。
在概念空间里使用黎