一句话定义： 流形假设（Manifold Hypothesis）说的是，真实世界里的高维数据并不是均匀撒满整个高维空间的，而是集中分布在一个维度低得多的曲面上——这个曲面就叫流形（manifold）。
揉皱的纸
想象一张揉成团的纸。它被塞进了一个三维空间，每个点的位置要用 (x, y, z) 三个数才能写清楚。但纸上的一只蚂蚁只需要两个数就能说清自己在哪——沿着纸面往东走多远、往北走多远。第三个维度是被"揉"出来的，不是真正的自由度。
高维数据同理。一张 28×28 的手写数字图片有 784 个像素，看起来是个 784 维的点。但真正像"3"的图片只占其中极小一片，这片区域本身可以用几个参数描述：笔画粗细、倾斜角度、位置偏移。784 个数字里，大部分是冗余的。
为什么这件事很重要
高维空间有个反直觉的性质：体积随维度指数级膨胀，样本会变得极其稀疏，点与点之间的距离也趋于雷同——这就是所谓的维度灾难（Curse of Dimensionality）。在任何方向上都找规律的算法，在高维里等于大海捞针。
流形假设给了出路：别在整个空间里捞，只在那片低维曲面上找。表示学习（Representation Learning）做的就是这件事——把高维输入映射成低维向量（嵌入，embedding），映射过程中要让原本相近的点在低维里依然相近。 PCA 找的是线性子空间；自编码器（Autoencoder）、对比学习（AI 词典：Contrastive Learning">Contrastive Learning）、词向量，学的是弯曲的非线性流形。
和几个相邻概念的区别
| 概念 | 关系 |
|---|---|
| 降维 | 降维是手段或结果；流形假设是关于数据分布的前提假设 |
| 维度灾难 | 一个描述问题，一个提供解法，通常配套出现 |
| 特征选择 | 特征选择丢掉原始坐标，流形学习重新造一套坐标 |
| 聚类 | 聚类找离散的簇，流形假设认为数据连成一片连续曲面 |
对实际工作意味着什么
对从业者，它解释了几件天天在做却未必说得清的事：为什么嵌入维度远小于输入维度仍然好用；为什么数据增强和迁移学习有效（真实变化沿着流形走，随机噪声是垂直于流形的偏离）；为什么大模型可以用余弦相似度做检索。
对普通人，你手机里的推荐、人脸解锁、语音助手能工作，都是因为它们在低维的语义曲面上比较距离，而不是在原始像素上硬碰硬。这也顺带解释了"为什么换个人脸角度还能认出来"——同一个人的各种照片在流形上是连成一片的。
最后提醒一句：流形假设是假设，不是定理。真实数据的流形常常带噪声、有空洞、甚至互相缠绕，内在维度也未必真的低。它是个好用的工作框架，不是万能的保证。