一句话定义
表征（Representation）是模型把原始输入——一张图、一句话、一段音频——转换成的一组内部数值。它丢掉了大部分细节，只留下后续判断真正用得上的信息。
打个比方
你要向同事介绍一位新客户，不会复述他每根头发的位置，而会说：四十来岁、做外贸、说话快。这几条就是你脑子里的“表征”——细节压缩掉了，可用信息还在。
模型干的是同一件事。一张百万像素的照片，被压成几百到几千个数字组成的向量（vector）。如果这串数字里编码的是“耳朵形状、胡须纹理、坐姿”这类可以迁移到新照片上的结构，而不是“左上角有个白像素”这种只在这个数据集里成立的巧合，我们就说它学到了好的表征。
和相邻概念的区别
几个容易混的词，值得分清楚：
- 特征（feature）：常指单个可解释的属性；表征是这些属性组织成的整体，而且它每一维未必都能读懂，这叫分布式表征。
- 嵌入（embedding）：把离散对象（词、商品、用户）映射成向量，是表征最常见的一种形式。词向量、用户向量都是嵌入。
- 输出（output）：表征的下游产物，是它的一个投影，不是它本身。
| 概念 | 指什么 | 换个任务会怎样 |
|---|---|---|
| 输入 | 原始像素、字符、波形 | 冗余多，直接学很吃力 |
| 表征 | 内部向量，保留关键因素、丢弃噪声 | 可以作为通用底座复用 |
| 输出 | 针对某个具体任务的答案 | 往往要重新训练 |
为什么表征比输出更能说明问题
输出只在一个任务、一种问法上给你答案。两个模型在同一份测试集上都能答对，很可能一个学到了结构，另一个只是记住了表面模式（学术界叫捷径学习，shortcut learning）——换个说法、换个背景，后者立刻露馅。
表征是内功，输出是招式。判断内功，通常看这几件事：
1. 迁移：把预训练模型的表征接到一个小任务上，少量标注就能做好，说明它学到的东西是通用的。
2. 最近邻：新样本在表征空间里离同类很近，说明它抓的是语义，而不是表面相似。
3. 错误模式：模型答错时，是被背景、水印、文本长度骗了，还是真的没理解？
对从业者和普通人的意义
做检索、聚类、推荐、异常检测、迁移学习，本质上都是在复用表征。评估一个模型，别只看榜单分数，要看它在你的数据上、在少样本条件下是否够用，有没有在走捷径；想改进效果，调数据和训练目标往往比堆参数更有效。具体选型请以官方文档和自家验证集为准。
对普通人来说：同一个模型换个说法就答错，往往不是“笨”，而是它的表征里没有真正编码那条关系，只是在匹配措辞的表面。明白这一点，你就知道为什么“换个问法再试一次”有时管用，也别把一次输出当成它的全部能力。