话说回来，

从单线到多维空间：模型如何生成词？

你是否被大模型的数字吓到了？

当听到“230B 参数”这个数字时很多人会立刻产生恐惧感：到底是怎么运算的？为什么这么大，不过，能否理解其内部逻辑？这正是本系列想先解决的主要痛点。不过，

一、从一个参数开始——直线与权重

使用者痛点①：把抽象数学概念和实际模型联系起来太难。

把一个参数想成一条过原点的直线，方程为 y = w·x。这里 w 就是斜率，对应大模型里的权重。如果只有这个参数，直线必须通过原点，无法描述跨越不同象限的数据。

再看最小二乘拟合。让数据离直线“总距离”最小

使用者痛点②：不懂什么是“最小二乘”，也不知如何求解 w*。

给定 n 个训练样本，我们寻找 w* 使得 Σ ² 最小。解析解为

加截距 b——打破“过原点”的限制

使用者痛点③：为何要引入截距？怎么说呢，怎样影响拟合效果？

加上截距后方程变为 y = w·x + b。 此时可以将直线平移至任何位置，从而更好地匹配跨越不同象限的数据。解析解变成： \ 而且再一次使用最小二乘法求解 w* 与 b*。

. 从低维到高维—— 参数与空间维度

再看再加一个参数，从直线升级为平面

使用者痛点④：多维输入如何映射到更高阶数学对象？我该如何想象这种结构，按理说，

a 个权重对应 a 个自变量时我们得到： \ 在三维空间中。这是一条平面 z =，；因为自变量数量增多，便形成超平面。每新增一个自由度，就像把一条直线拉伸进更高维度。

继续加参数——无限升维与 230B 的意义

"230B 参数"代表着我们有约 23 亿个独立可调节量。如果把每个参数视作一个坐标轴，那么整个模型就是活在超过千亿维度的超空间里。这种规模远超人类能直接可视化，但只需记住“更多参数＝更强表达能力”。你无需真正画出每个坐标轴。 只需理解“因为参数增加，模型能够逼近更复杂函数”。 老实说，如果你担心难以想象，可以把它看作一张巨大的矩阵表格。行代表样本，列代表特征，每个单元格存储一个可训练值。

. 矩阵——高维写作简化符号与批量计算工具

为什么要用矩阵而不是写成一堆单项式?

• Matrices simplify notation:  instead of writing \ each time,we write \.
• Matrices enable batch computation:  one matrix multiplication replaces billions of scalar operations.