维度灾难（Curse of Dimensionality） 指的是：当我们用越来越多的特征去描述同一批对象时，高维空间里的"远近""大小""密度"会集体背叛日常直觉——算法对样本的需求量呈指数级膨胀，而效果反而可能变差。这个概念早在 20 世纪 50 年代就被数学家 Richard Bellman 点出，如今是机器学习里最常被引用、也最常被忽视的一条底层约束。
先看一个算术例子
在一根 1 米长的绳子上，每隔 1 厘米放一个点，需要 100 个点。
换成 1 米见方的布，要保持同样的密度，需要 100×100 = 1 万个点。
换成 1 米见方的箱子，需要 100 万个。
每增加一维，需求就要乘 100。到 10 维就是 100 的 10 次方——这个数字比可观测宇宙的原子数还大。所以"数据不够"很多时候不是收集得不够努力，而是维度的惩罚来得太快。
体积和距离同时失灵
另一个反直觉现象：在边长为 1 的正方形里，内切圆占了约 78.5% 的面积；换成正方体里的内切球，只剩约 52%；升到 10 维，内切球占超立方体的比例已经不到百分之一。换句话说，高维空间的"体积"几乎全堆在角落里，中心是空的。
距离也没好到哪去。在高维空间里随机撒点，最近邻和次近邻之间的距离会急剧接近，"谁离我最近"这个问题逐渐失去区分度。KNN、K-means、基于欧氏距离的相似度检索，都会因此退化。
和相邻概念的区别
| 概念 | 是什么 | 与维度灾难的关系 |
|---|---|---|
| 过拟合（Overfitting） | 模型把训练集的噪声也学进去了 | 互为放大器：维高 → 样本稀疏 → 更容易过拟合 |
| 稀疏性（Sparsity） | 高维空间里点与点之间大片空白 | 是维度灾难的直接结果，不是原因 |
| 降维（Dimensionality Reduction） | PCA、UMAP 等把特征压少 | 常用对策，但不等于消除，只是把有效维数压回可处理范围 |
一句话概括：过拟合是"模型太聪明"，维度灾难是"世界太辽阔"，两者常常同时出现，但根子不同。
对实际工作意味着什么
如果你在做聚类、用户分群、推荐或风控，堆几十个字段往往不如精选 3 到 5 个关键指标。不是因为模型不行，而是因为在那样的空间里，两个用户"像不像"本身已经很难定义。
对做深度学习的人，这条约束解释了为什么表示学习（Representation Learning）如此重要：网络真正做的事，是把原始高维输入压缩到一条低维流形上，让距离重新变得有区分度。这也是向量检索要依赖近似最近邻（ANN，Approximate Nearest Neighbor）而不是精确扫描的原因——嵌入向量的维数通常在几百到上千，精确比较的代价和收益都不划算。
落到日常：报表列数一多，就别指望"相关性"还能自动浮现；先把维度砍到人能理解、数据能支撑的规模，再谈建模。工具和库的具体能力，以官方页面为准。