一句话定义：变分推断（Variational AI 词典：Inference">Inference，VI）是一种近似推断方法，它把"算不出来的积分"改写成"调得动的优化问题"，用梯度下降去找一个最接近真实答案的简单分布。
它到底在解决什么
贝叶斯方法的核心问题是求后验分布：看到数据后，隐变量（比如一张图的主题、一句话的语义）长什么样？数学上它等于"似然 × 先验"再除以一个归一化常数（证据）。麻烦就在这个常数——它是一个对全部隐变量的积分，除了极少数教科书模型，基本没有解析解，高维下也没法暴力数值积分。
变分推断的思路是认怂：既然真后验拿不到，那就自己挑一个"好算"的分布族，比如各维独立的高斯分布，记作 q(z)，然后调整它的参数，让它尽量贴近真后验。衡量"贴近"用 KL 散度（KL divergence）。但直接最小化 KL 又会碰到那个算不出的常数，于是等价地转成最大化一个叫 ELBO（Evidence Lower Bound，证据下界）的目标：
ELBO = 期望的对数似然 − q 与先验的 KL 散度
这两项都能用采样估计、用梯度优化。于是"积分难题"变成了"调参数难题"。
打个比方：精确推断像把整片森林的树一棵棵数清楚；变分推断则是先假定"树大致成片分布"，只调几个参数，让模型画出的分布图尽量贴近真实照片。你放弃了逐棵精确，换来的是可计算、可扩展。
实践中常加一个平均场（mean-field）假设：认为 q 的各维相互独立，这样计算大幅简化，代价是低估不确定性、可能忽略维度间的相关性。
和相邻概念的区别
| 方法 | 思路 | 特点 |
|---|---|---|
| 精确推断 | 解析求积分 | 只有极少数模型可行 |
| MCMC 采样 | 反复采样逼近真实分布 | 渐近精确，但慢、难判断收敛 |
| 变分推断 | 找最像的分布，做优化 | 快、可扩展、可嵌入神经网络，但有系统性偏差 |
和 EM 算法（Expectation-Maximization）的关系也值得一说：EM 的 E 步要求精确算期望，一旦算不出来就卡住；变分推断相当于"E 步用近似分布顶上"，是 EM 的自然推广。
为什么它能撑起 VAE 和扩散模型
自编码器">变分自编码器（VAE）的损失函数就是 ELBO，编码器输出的正是 q 的参数；重参数化技巧（reparameterization trick）让随机采样也能回传梯度，整套模型才能端到端训练。
扩散模型的目标同样可以写成数据对数似然的一个变分下界：加噪过程定义了隐变量的生成链，去噪网络则在近似每一步的后验。所以它骨子里还是"用优化代替积分"。
对从业者的意义
- 遇到"目标函数里有个算不出的归一化项"，先想能不能改成变分下界。
- 理解 VAE 的模糊输出、模式坍塌，以及为什么很多生成模型是近似而非精确，都绕不开 VI 的偏差来源。
- 对普通人，它的启发是通用的工程哲学：精确解求不到时，定义一个可度量的"够像"，然后朝着它迭代。
具体实现细节与最新进展，以官方文档和论文原文为准。