一句话：ELBO（Evidence Lower Bound，证据下界）是变分推断里，用来替代难算的边际似然 log p(x) 的一个可计算下界；最大化它，等于一边让模型更好地解释数据，一边让近似后验更接近真实后验。
先看它“下界”谁。生成模型常想最大化数据出现的概率，也就是证据 log p(x)。但 p(x)=∫p(x|z)p(z)dz 往往算不动。于是引入一个近似后验 q(z|x)，构造出：
ELBO = E_q[log p(x|z)] - KL(q(z|x)||p(z))
它一定满足 ELBO ≤ log p(x)，差距正好是 KL(q(z|x)||p(z|x))。所以 ELBO 下界的是“证据”，即数据似然、边际似然。最大化 ELBO，一方面抬高这个下界，另一方面让 q 更接近真实后验；当下界足够紧，就近似最大化了 log p(x)。
打个比方：你想知道一家餐厅的真实口碑 log p(x)，但不可能问遍所有顾客。你找一批抽样食客 q(z|x) 做调查，ELBO 就是根据这批样本算出的“至少不会低于”的口碑分。样本越有代表性，这个下界越接近真实口碑。最大化它，就是让样本更 representative，也让餐厅实际表现更好。
| 概念 | 角色 | 关系 | |||
|---|---|---|---|---|---|
| log p(x) 证据 | 真正想最大化的目标 | 通常难算 | |||
| ELBO | 可计算下界 | ≤ log p(x) | |||
| q(z | x) 近似后验 | 替代真实后验 | 越准，下界越紧 | ||
| KL(q | p(z | x)) | 下界与证据的差距 | log p(x)-ELBO |
和相邻概念的区别：最大似然（MLE）直接最大化 log p(x)，ELBO 是它的可算代理；EM 算法在 E 步算后验、M 步最大化期望，变分 EM 用 q 近似后验，目标就是 ELBO；KL 散度常作为 ELBO 里的正则项出现，但 KL 是工具，ELBO 是整体优化目标。
对从业者，VAE、变分推断、扩散模型的变分视角里，训练损失常写成“负 ELBO”。看懂它，就知道重构项和 KL 项在拉扯什么：重构项让解码器还原数据，KL 项约束隐变量别跑偏。对普通人，推荐、生成图像文本、异常检测背后常有隐变量模型；ELBO 是把“算不出的概率目标”变成“能优化的目标”的一座桥。具体公式符号与实现细节，以教材或官方文档为准。