想象你是一位地图修复师，案头放着一件棘手的委托：一张画满小镇地标的藏宝图，被人揉成一团塞进口袋又掏了出来。教堂、邮局、老槐树，地标在三维空间里的位置乱作一团——你若拿直尺去量纸团上两个地标的“直线距离”，量出来的是穿过空气的假距离，完全不是当年在地图上走路时的真实路程。可你心里清楚：这张纸本质上是二维的，所有地标的相对关系都还留在纸面上，只是被卷曲藏了起来。流形学习要做的，就是把这团皱纸小心展开，还原地标真实的位置关系。本文以“揉皱的藏宝图”为主线，讲清流形学习的核心思想、两大代表算法 Isomap（让“蚂蚁”沿纸面爬行量真实距离）与 LLE（把纸剪成碎片、按局部关系重新拼图），以及它们如何在卷曲的高维数据中还原真实形状。
对 AI 从业者而言，流形学习是打开“黑箱数据”的钥匙：当你需要可视化高维数据、提取非线性特征或探索数据内在结构时，它能让你看见 PCA 等线性方法看不见的真实形状，大幅提升数据洞察与特征工程能力。
目录
可视化演示
展示XTTS语音合成流程，从文本编码、说话人嵌入到音频生成，以及语音克隆的相似度评估与效果对比。
本节配有交互动效（进入视口后自动加载，约 3KB）。
XTTS语音克隆技术 文本编码：将输入文本转为音素/语义特征序列 说话人嵌入：从参考音频提取说话人身份向量 音频解码：基于文本特征和说话人向量生成目标音色语音 Audio = Decoder(Text_Encoding, Speaker_Embedding) XTTS实现零样本跨语言语音克隆
流形思想：纸团里的低维真相
假设你是一位地图修复师，案头放着一件麻烦的委托：一张画满小镇地标的藏宝图被人揉成一团，要在不展开的情况下推断地标间真实的位置关系。你盯着这团纸，表面看它占据三维空间，每个地标都躲在深深的褶皱里，可你心里清楚：它本质上仍然是一张二维的纸。“看着像三维，本质是二维”——这句话正是流形学习的灵魂。高维数据里同样存在这种“高维假象”：我们观测到的数据点虽然落在高维空间（比如一张 64×64 的人脸图像有 4096 个像素维度），但真正驱动它们变化的自由因素只有少数几个——人脸的角度、表情、光照。这些低维因素所在的本体，加上把它们卷曲进高维空间的手法，合起来构成的曲面，就叫流形（manifold）。
瑞士卷蛋糕是最好的直觉载体：一块长方形的蛋糕卷起来，表面看是盘旋的三维螺旋体，但展开后只是一张平坦的平面。数据点就好比撒在蛋糕面上的芝麻，卷曲后芝麻的三维坐标完全错乱，可它们沿蛋糕面的相对位置从未改变。数学家把这个直觉写成生成模型：
回到藏宝图：观测维度 D 对应纸团表面的三维乱位，低维本质 d 对应地图上的平面位置，f 则是揉纸动作。流形学习要做的，就是反解这团乱局——把纸团展开，让地标重新回到它们该在的位置。只要相信“数据本质是低维的”，流形学习就有了成立的前提。
- 观测点 x$\mathbf{x}\in\mathbb{R}^{D}$，高维空间里的一个数据点，就像纸团上地标的三维坐标——表面看活在三维里，其实只属于那个二维纸面。
- 潜在坐标 z$\mathbf{z}\in\mathbb{R}^{d}$，驱动数据的低维本质坐标，对应地图上地标的真正平面位置。
- 生成映射 f$f:\mathbb{R}^{d}\to\mathbb{R}^{D}$，把低维坐标光滑地“卷”进高维空间，正是那股揉纸的手劲。
- 噪声 epsilon$f(\mathbf{z})+\varepsilon$ 表示理想位置附近还叠了微小扰动，相当于揉纸时留下的褶皱和误差。
- 维度落差$d\ll D$，内蕴维度远小于观测维度，这是“纸团看起来占满三维空间”的数学根源。
线性降维局限：直尺量不出纸上的路
修复师决定先用最朴素的办法：拿起直尺，量纸团表面两个地标间的直线距离。可纸面是卷的，直尺只能贴着两点“穿过空气”拉直线。在纸团正面，两个地标可能直线穿过纸团内部只有 2 厘米，沿纸面却要绕过三个褶皱走上 8 厘米。量了一下午，修复师发现所有距离都是假距离——这就是线性降维方法共同的困境。
PCA（主成分分析）正是这样一把直尺。它的做法是：在高维空间里找一条直线（投影方向），把数据全部投射到这条线上，用投影坐标当作降维结果。当数据大体沿着直线铺开时，PCA 表现优秀；可面对卷曲的流形，直线投影会把本该分开的褶皱区域硬生生压到一起，就像用直尺去量纸团，怎么量都量不出纸面上的真实路程。PCA 的目标函数长这样：
用直尺量一百次纸团，量到的依然是穿过空气的假距离；PCA 同理，它天生是“直线思维”，只会找全局线性方向，展开不了任何卷曲结构。而流形学习要换掉的，正是这把直尺——不再量空间里的直线，而是去量“纸面上的路”。
- 投影方向 wPCA 要找的单位向量，就是直尺的朝向。
- 长度约束$\lVert\mathbf{w}\rVert=1$ 规定只能调整方向，不能靠拉长尺子作弊。
- 协方差矩阵 S$\frac{1}{n}\sum_{i=1}^{n}\mathbf{x}_{i}\mathbf{x}_{i}^{\top}$ 描述数据整体散布的统计量，相当于纸团上所有点三维坐标的离散程度。
- 投影方差$\mathbf{w}^{\top}\mathbf{S}\mathbf{w}$ 是数据沿 w 方向投影后的方差大小，即直尺方向上点散开的程度。
- 取最大值$\arg\max$ 挑出方差最大的方向作为主成分，可惜这个方向是全空间的直线，无法沿纸面弯曲。
邻域关系：纸团上依然挨着的邻居
修复师放下直尺，换了个思路观察。他发现一个关键事实：纸虽然皱了，但纸面上挨得近的地标，在纸团上依然挨得近。褶皱可以扭曲远处地标之间的直线距离，却很难拆散纸面上本来就相邻的邻居——除非把纸撕裂。这条朴素的观察，成了所有流形学习算法的共同基石：局部邻域关系在卷曲中保持不变。
为什么局部关系如此可靠？因为流形在每一点附近都近似一小块平面（数学上叫“局部与欧氏空间同胚”）。就像揉皱的纸，大范围看弯弯曲曲，但用放大镜看任何一个微小的局部，纸面几乎是平的。因此，小范围里欧氏距离仍然可信，两个邻居之间的直线距离约等于纸面上的真实路程；只有跨越大范围时，卷曲才把两种距离的差距越拉越大。这个“局部可信、全局失真”的规律可以写成：
实际操作中，“谁是邻居”需要明确定义：最常用的是 k 近邻——每个点找距离最近的 k 个点连一条边，形成一张邻接图。这张图是纸团的离散近似，k 则成了流形学习最重要的旋钮。修复师确定了策略：先沿纸面一小步一小步地走，只信局部邻居，再图谋全局的展开。
- 测地距离 d_M$d_{\mathcal{M}}(\mathbf{x}_{i},\mathbf{x}_{j})$ 是流形表面上的最短路径长度，也就是蚂蚁沿着纸面爬的真实路程。
- 欧氏范数$\lVert\mathbf{x}_{i}-\mathbf{x}_{j}\rVert_{2}$ 是高维空间里两点连线的长度，即直尺的读数。
- 邻居集合 N_k$\mathcal{N}_{k}(\mathbf{x}_{i})$ 是离 x_i 最近的 k 个点，对应纸团上紧挨着的地标们。
- 近似号成立条件$\approx$ 只在邻居范围内成立，因为小块纸面近似平面；离开邻域，卷曲立刻把两者拉开。
Isomap算法：让蚂蚁爬出真实距离
修复师想出一个聪明的主意：放一只蚂蚁在纸团上，让蚂蚁从每个地标出发，只在纸面上爬行，记录爬到另一个地标的最短路程。蚂蚁不会抄近路穿过空气，它走过的每一寸都贴着纸面，这样测出来的“沿纸面的真实距离”就是测地距离（geodesic distance）。可问题来了：我们手里只有离散的采样点，没有连续的纸面，蚂蚁该往哪爬？
Isomap（等距映射）给出了三步走方案。第一步，用 k 近邻把数据点连成一张图——这就是纸面的离散近似，两点之间若有边，表示它们在纸面上相邻。第二步，在这张图上用最短路径算法（如 Dijkstra 或 Floyd 算法）求出任意两点间的最短路径长度，用它逼近测地距离。第三步，用经典多维缩放（MDS）找一组低维坐标，让新坐标下两点间的欧氏距离尽量等于前面算出的测地距离。这样，卷曲的结构就被“摊平”到了低维空间：
蚂蚁爬遍整个纸团，把每个地标之间的真实路程都记在账本上。修复师拿着这本厚账，重新在地图上摆放地标，让任意两地标的间距尽量等于账本上的路程——纸团就此一点点展开。Isomap 是“全局保距”的方法，对卷曲特别厉害的数据（比如瑞士卷）效果震撼，但它要求蚂蚁先跑遍所有点对，计算量不小。
- 嵌入坐标 Y$\mathbf{y}_{i}$ 是降维后每个地标在平面地图上的新位置。
- 低维距离$\lVert\mathbf{y}_{i}-\mathbf{y}_{j}\rVert_{2}$ 是新地图上两点间的直尺距离。
- 图测地距离$d_{G}(i,j)$ 是 k 近邻图上最短路径的长度，即蚂蚁实测的测地距离。
- 偏差平方$(\cdot)^{2}$ 逐点对计算“地图距离与爬行距离”的差距并平方，防止正负抵消。
- 求最小值$\arg\min$ 通过 MDS 特征分解，找到让总偏差最小的平面布局。
LLE算法：用碎片拼出整张地图
Isomap 的蚂蚁很辛苦，要爬遍所有点对才能开工。LLE（局部线性嵌入）换了一个偷懒却巧妙的角度：不量全程距离，而是观察“局部配方”。修复师把纸剪成许多小碎片，在每块碎片上研究：中心地标的坐标，能不能用它的 k 个邻居的坐标，加权求和近似出来？比如“教堂的位置 = 0.6×邮局 + 0.3×咖啡馆 + 0.1×老槐树”。这个配方权重，就刻画了局部几何——谁在谁的哪个方向、贡献多大。
这套配方有一个宝贵的性质：它对平移、旋转、缩放都不敏感。纸团怎么揉，邻居之间的相对关系都不会变，所以高维空间里算出的权重，搬到展开后的平面上依然成立。第一步先求权重：
拿到配方后，LLE 进入第二步：在低维平面里找一组新坐标，让同样的配方依然成立——你高维里怎么用邻居重构自己，低维里也得这么重构。这个目标转成一个稀疏矩阵的特征分解，计算上比 Isomap 的全局最短路径更轻快：
修复师其实用了拼图思维：不必像蚂蚁那样跑遍全场，只要每块碎片的“拼接配方”都被忠实记录，在平面上按配方重新拼装，整张地图自然复原。LLE 是“局部保形”的方法，擅长揭示流形的局部结构，是 Isomap 之外最经典的流形学习算法。
- 低维坐标 y_i从高维搬到平面上的地标新位置，是我们要找的答案。
- 权重原样代入$w_{ij}$ 沿用高维算好的配方，让局部关系“原汁原味”地迁移。
- 重构误差最小化$\sum_{i}\lVert\cdot\rVert^{2}$ 让低维空间里“用邻居配方重构自己”依然成立，局部几何因此保住。
- 求解方式等价于对稀疏矩阵 $(I-W)^{\top}(I-W)$ 做特征分解，取最小 d 个特征向量作为嵌入坐标。
应用实战：修复地图去导航
地图终于修好，修复师把它交还给镇民。对 AI 工程师来说，流形学习就是这幅“修好的地图”。第一个用途是高维数据可视化：数万个细胞、数万张图片，原始特征高达几千维，人眼根本看不见。把数据用 Isomap 或 LLE 降到二维三维后，点云结构一目了然——同类细胞聚成岛屿，相似图片连成星座，原本被卷曲隐藏的群体关系浮出水面。
第二个用途是非线性特征提取与结构探索。嵌入坐标本身就是有意义的低维特征：人脸图像经过 LLE 降维，第一个坐标轴往往对应左右转头的角度；语音数据降维后，坐标轴可能对应音调高低。这些低维特征可以直接喂给下游分类器，比原始像素高效得多。但修复地图也有讲究，最关键的旋钮是邻居数 k：
修复师把展开的地图挂上墙，既能给旅者指路（可视化），也能标出宝藏的分布规律（结构探索）。流形学习的使命正在于此：面对复杂的高维数据，不满足于表面坐标，而是执着地还原被卷曲的真实形状——这正是它区别于一切线性降维方法的根本价值。
- 边集合 E_k$E_{k}$ 是 k 近邻图中的所有连接关系，等价于“纸团上谁和谁是邻居”的记录册。
- 有序对 (i,j)$(i,j)$ 表示一条从 i 指向 j 的边，说明 j 是 i 的邻居之一。
- 邻居判定$\mathbf{x}_{j}\in\mathcal{N}_{k}(\mathbf{x}_{i})$ 规定 j 必须落在 x_i 的 k 近邻名单内才连边——k 太小图会断裂，k 太大容易产生跨褶皱的“短路边”。
AI 应用场景
单细胞转录组数据可视化
阶段：无监督降维与数据可视化
解决的问题：单细胞测序一次产出数万个细胞、每个细胞数万个基因表达值，原始维度高达两万以上且高度非线性相关。直接画散点图不可能，PCA 只能看到线性主趋势，卷曲的细胞分化轨迹被压成一团。流形学习把细胞映射到二维三维，让相似功能的细胞聚成岛屿、分化路径呈现为连续弧线——就像把揉皱的“细胞地图”展开。
具体案例：肿瘤研究团队对一万个免疫细胞做 Isomap 降维，展开后一个罕见的嗜中性粒细胞亚群从主群中分离出来——这是 PCA 始终未能揭示的新发现，直接改写了后续实验设计。
人脸姿态流形探索
阶段：非线性特征提取
解决的问题：人脸图像像素维度高，同一人不同姿态和光照构成一张卷曲的图像流形；线性方法无法把“姿态角”这个低维因素干净地分离出来。LLE 提取的嵌入坐标往往与头部的偏航角、俯仰角高度相关，相当于自动找到“脸的位置配方”。
具体案例：安防算法团队用 LLE 对一万张无标注人脸图降维，发现第一个嵌入轴几乎等价于左右转头角度，于是用坐标自动给训练集打姿态标签，省去了数周的人工标注工作。
工业传感器异常检测
阶段：流形结构探索与特征工程
解决的问题：设备上百个传感器读数高维且互相非线性耦合，正常状态的数据落在一条低维“健康流形”上；异常发生时数据点会偏离这条流形。用流形学习建立正常基线，计算新样本到流形的距离作为异常分数，比固定阈值告警更灵敏。
具体案例：风电运维工程师对叶片振动传感数据做流形学习，早期故障样本在嵌入空间中明显漂离正常流形带，比传统阈值告警提前数小时发现隐患，为停机检修争取了时间。
Python 演示
import numpy as np def swiss_roll(n=500, noise=0.05): """生成三维瑞士卷数据, 模拟卷曲的流形""" t = 1.5 * np.pi * (1.0 + 2.0 * np.random.rand(n)) h = 2.0 * np.random.rand(n) X = np.column_stack([t * np.cos(t), h, t * np.sin(t)]) return X + noise * np.random.randn(n, 3) def compute_weights(X, k=12): """LLE 第一步: 计算每个点的局部重构权重""" n = X.shape[0] sq = np.sum(X * X, axis=1) D = sq[:, None] + sq[None, :] - 2.0 * X @ X.T np.fill_diagonal(D, np.inf) idx = np.argsort(D, axis=1)[:, :k] W = np.zeros((n, n)) for i in range(n): Z = X[idx[i]] - X[i] C = Z @ Z.T + 1e-3 * np.eye(k) w = np.linalg.solve(C, np.ones(k)) W[i, idx[i]] = w / w.sum() return W def lle_embed(X, k=12, d=2): """LLE 第二步: 用特征分解求低维嵌入""" n = X.shape[0] W = compute_weights(X, k) I = np.eye(n) M = (I - W).T @ (I - W) _, vecs = np.linalg.eigh(M) return vecs[:, 1:d + 1] if __name__ == "__main__": np.random.seed(42) X = swiss_roll() Y = lle_embed(X) print("观测维度:", X.shape[1], " 样本数:", X.shape[0]) print("降维后维度:", Y.shape[1]) print("嵌入坐标前 5 行:\n", np.round(Y[:5], 3))
X = np.column_stack([t * np.cos(t), h, t * np.sin(t)])用参数方程生成瑞士卷的三维点云，t 控制卷曲角度，h 控制高度。D = sq[:, None] + sq[None, :] - 2.0 * X @ X.T用矩阵运算一次算出所有点对距离，避免双层循环。np.fill_diagonal(D, np.inf)把对角线置为无穷大，防止把自己认成邻居。idx = np.argsort(D, axis=1)[:, :k]每行取距离最近的 k 个索引，即 k 近邻名单。Z = X[idx[i]] - X[i]邻居坐标减去中心点，完成去中心化，便于求局部协方差。C = Z @ Z.T + 1e-3 * np.eye(k)局部协方差矩阵加上小正则项，保证可逆、数值稳定。w = np.linalg.solve(C, np.ones(k))解线性方程组得到重构权重，等价于最小二乘拟合。W[i, idx[i]] = w / w.sum()权重归一化使总和为 1，满足平移不变性。M = (I - W).T @ (I - W)构造重构误差矩阵，它的特征向量就是嵌入候选。_, vecs = np.linalg.eigh(M)对对称矩阵做特征分解，一次拿到所有特征向量。return vecs[:, 1:d + 1]跳过最小零特征值对应的常向量，取之后的 d 个特征向量作为低维坐标。
常见误区
误区初学者看到 Isomap 里“最短路径”几个字，以为就是在三维空间里连一条直线量长度，或者把图上的最短路径当成普通距离随便用。
正解测地距离是沿流形表面爬行的路径长度，而欧氏距离是穿过空间“空气”的直线。纸团上两点的直线距离可能穿过纸团内部，完全不是纸面上的真实路程。Isomap 的图最短路径，是沿着 k 近邻图的边一步步走的，每一步都贴在流形曲面上；只有当流形完全展开成平面时，测地距离才会等于欧氏距离。在卷曲数据上，测地距离通常不小于欧氏距离。
为何常见：“最短路径”这个词容易让人联想到“直走最近”，忽略图上的边已经绕在流形曲面上，路径本身被曲面约束。
误区以为 Isomap/LLE 输出的坐标就是数据唯一真实的“本来面目”，误差只来自测量噪声。
正解流形学习只在“保距”或“保局部关系”的意义下最优，它还原的是相对几何，天然带有旋转、反射、平移的自由度——展开的地图可以旋转 90 度，照样是同一张地图。此外，k 选择不当、采样稀疏、流形假设不成立时，误差会很大；噪声也会让展开结果偏离理想曲面。
为何常见：教科书里瑞士卷展开的示意图太完美，容易让人高估算法的还原能力，忽略“近似”和“假设”这两个词。
误区k 填默认值（比如 12），反正算法很鲁棒，调不调无所谓。
正解k 是流形学习的命门。k 太小，近邻图断裂成多个互不连通的小岛，测地路径根本不存在；k 太大，邻居会跨越流形的折叠处直接连边，形成“短路”，测地距离被捷径拉回欧氏距离，卷曲结构又塌缩成一团。实践中要检查图的连通性，并在多个 k 下观察嵌入结果的稳定性。
为何常见：流形学习常被当作黑盒调用，而 k 的影响是非线性的——它先决定图结构，再间接影响距离，直觉上很难预判。
误区既然都是流形学习里的降维方法，都叫“保持距离”，那 Isomap 和 LLE 应该差不多。
正解两者的偏好截然不同。Isomap 保持全局测地距离，属于全局方法，适合展开整体强卷曲的结构；LLE 只保持局部线性重构关系，属于局部方法，擅长保小范围内的几何结构，对全局距离并不敏感。对同一份数据，两者给出的嵌入形状可能差很多：Isomap 拉平的是“路程”，LLE 保住的是“配方”。
为何常见：把“流形学习”当成一个整体概念记忆，忽略了内部算法在目标函数上的根本差异，面试和实际选型时就容易张冠李戴。
面试题
Q1. 流形学习的基本假设是（ ）
- A.高维数据服从正态分布
- B.高维数据由低维流形生成← 正确答案
- C.高维数据彼此线性无关
- D.高维数据一定线性可分
答案：B。流形学习假设高维观测由低维潜在变量经光滑映射生成，就像揉皱的藏宝图本质是二维纸面。正态分布、线性无关、线性可分都是一般统计假设，不是流形假设。
Q2. Isomap 与 PCA 的最大区别在于（ ）
- A.Isomap 使用测地距离度量← 正确答案
- B.Isomap 不需要任何参数
- C.Isomap 只能处理二维数据
- D.Isomap 比 PCA 始终更快
答案：A。PCA 用线性投影和欧氏距离，Isomap 沿流形表面计算测地距离，能展开卷曲的“纸团”。Isomap 需要调 k、能处理高维数据、计算也更慢，B/C/D 均错。
Q3. LLE 中重构权重的核心约束是（ ）
- A.所有权重必须为整数
- B.权重之和必须等于一← 正确答案
- C.权重必须全部是负数
- D.权重不能参与任何计算
答案：B。LLE 用邻居的线性组合表示中心点，并要求权重和为 1，这样配方对平移、旋转、缩放不敏感，才能把局部几何搬到低维空间。整数、负值、不参与计算都不符合重构的定义。
Q4. Isomap 的正确算法步骤是（ ）
- A.构图→最短路径→MDS 嵌入← 正确答案
- B.MDS 嵌入→构图→最短路径
- C.最短路径→构图→MDS 嵌入
- D.构图→MDS 嵌入→最短路径
答案：A。先建 k 近邻图近似流形表面，再用图最短路径逼近测地距离（蚂蚁爬行账本），最后用 MDS 保持这些距离得到低维嵌入。顺序颠倒会缺少距离来源或无法计算，B/C/D 均错。
Q5. 在卷曲的高维数据上，欧氏距离与测地距离的关系是（ ）
- A.两者在任何情况下都相等
- B.测地距离一般不小于欧氏距离← 正确答案
- C.欧氏距离通常明显大于测地距离
- D.两者的大小完全无法比较
答案：B。欧氏距离是空间直线，是两点间的最短可能；测地距离沿流形表面绕行，是纸面上爬行的路程，通常不小于直线距离。C 说反了，A 的“任何情况”和 D 的“完全无法比较”都过于绝对。
Q6. Isomap 建图时常用的邻居定义方式有（ ）
- A.k 近邻方式选取邻居← 正确答案
- B.最小生成树方式连边
- C.全连接图画满所有边
- D.ε 邻域方式选取邻居← 正确答案
答案：AD。Isomap 常用 k 近邻图或 ε 邻域图来近似流形局部结构。最小生成树会丢失大量冗余连接，全连接图会让测地距离退化为欧氏距离，两者都不是典型做法。
Q7. 与 PCA 相比，流形学习的典型优势包括（ ）
- A.能处理非线性卷曲数据← 正确答案
- B.能保持局部邻域结构← 正确答案
- C.计算复杂度必然更低
- D.不需要设置任何超参数
答案：AB。PCA 是线性投影，流形学习通过保持测地距离或局部重构关系展开卷曲结构，这是核心优势。但流形学习计算更重、需要调 k 等超参数，C/D 均错。
Q8. Isomap 中 k 取值过大造成的典型问题是（ ）
- A.出现短路使测地距离失真← 正确答案
- B.图变得完全不连通
- C.嵌入维度自动升高
- D.测地距离不再对称
答案：A。k 过大时，邻居会跨越流形折叠处直接连边，测地路径走“捷径”穿过本来不相邻的区域，距离退向欧氏距离，展开效果塌缩。k 太小才会导致图不连通，B/C/D 与 k 过大的典型后果不符。
Q9. LLE 的嵌入坐标是通过什么方式得到的（ ）
- A.稀疏矩阵特征分解← 正确答案
- B.线性回归梯度下降
- C.层次聚类不断合并
- D.随机投影加归一化
答案：A。LLE 构造 M = (I-W)ᵀ(I-W)，求其最小 d+1 个特征值对应特征向量，跳过零特征值后取 d 个向量作嵌入。这是稀疏特征分解，与回归、聚类、随机投影有本质区别。
Q10. 关于测地距离的正确说法有（ ）
- A.是沿流形表面的最短路径长度← 正确答案
- B.与欧氏距离在任何情况下都相等
- C.局部邻域内可近似为欧氏距离← 正确答案
- D.全局范围内都远大于欧氏距离
答案：AC。测地距离是流形上的内蕴距离，局部小邻域近似平面时与欧氏距离相近；全局卷曲时通常不小于欧氏距离，但“远大于”并不成立，平坦区域两者可以相等。B 绝对化，D 夸张化。