支持向量机（SVM）是传统机器学习里的经典分类算法，在 AI 技术谱系里服役了几十年，要解决的问题是：给一批带标签的样本点，找一条分界线（高维情形是一个分界面）把两类分开。能分开的线往往不止一条，SVM 的答案是选离两类都最远的那条，让容错余地尽量大。它诞生于上世纪九十年代，今天在文本分类和小样本表格数据上仍在使用，理解它也有助于看懂大模型出现之前 AI 的主流思路：用明确的数学目标定义"好的分类"，再用优化方法把它解出来。
最大间隔：为什么选最宽的那条
直觉是"更稳"。一条刚好从两类点中间挤过去的线，样本稍微动一点就可能分错；离两边都远的线，容错余地大。这个"到两边边界的距离"叫间隔，SVM 的训练目标是把间隔最大化，这是有明确数学依据的优化问题，背后是统计学习理论给出的泛化误差界。训练完成后，分界线对边界附近的模糊样本也更抗扰动——样本小幅变动，判定结果不变。
支持向量：决定边界的只是少数点
决定分界线的，只有离边界最近的少数几个样本，它们叫支持向量。挪动支持向量，边界跟着变；其他点怎么动，只要不越过各自的边界带，分界线一动不动。这个性质很特别：模型最终只由少数关键样本决定，名字也由此而来。对比一下规模感：大模型的参数量动辄几十亿、上百亿，SVM 的"体积"由支持向量数量决定，小样本任务上几百个支持向量就够用，存储和推理开销都很小。
核函数：直线分不开怎么办
如果两类点是"一个圈套着另一个圈"，二维平面上画不出直线。SVM 的做法是把数据映射到更高维的空间，在高维里用平面切开。直接做映射计算量会爆炸，核函数的价值在于不真的执行映射，却能直接算出高维空间里的内积，常用的有线性核、多项式核、高斯核（RBF）。选哪个核、惩罚系数 C 取多大，对结果影响很大，通常靠交叉验证来定。以 RBF 核为例，它相当于在很高维的空间里做线性划分，代价是推理时要算新样本与每个支持向量的核值——支持向量太多时推理也会变慢，这也是它在大数据上吃亏的原因之一。
它的边界：什么时候不该用
三条硬边界。其一，数据量很大时训练明显变慢，标准 SVM 的求解开销随样本数增长很快，百万级样本上通常换树模型或线性模型。其二，核函数和惩罚系数需要调，选得不好效果差别很大，调参依赖使用者的经验。其三，它直接输出类别，要概率值需要额外做校准。还有一条容易被忽略：它处理不了语义级的理解——判断两条评论的情感倾向，特征工程做不动，这类任务如今属于语言模型的地盘。
| 场景 | 做法 | 判断标准 |
|---|---|---|
| 样本几千以内、特征已工程化 | 先试线性核 SVM，再和树模型对比 | 交叉验证分数接近时，选模型更小、推理更快的那方 |
| 两类呈非线性边界 | 换 RBF 核，网格搜索调 C 和 gamma | 超参数小幅变动导致分数大幅波动，说明数据量不够约束 |
| 样本量百万级以上 | 放弃核 SVM，改用线性模型或梯度提升树 | 训练时长超出可接受范围即视为不适用 |
| 任务需要概率输出 | 训练后做概率校准，如 Platt 缩放 | 校准曲线偏离对角线明显则概率不可信 |
它和今天的 AI 什么关系
大模型时代的日常任务很少直接用 SVM，但它的思想没有过时：间隔最大化对应"边界要留余量"的稳健思路，支持向量的稀疏性对应"模型只依赖关键样本"的简洁思路。今天如果面对一张几千行的表格数据，特征清楚、标注可靠，SVM 或树模型依然是起步快、成本低的路线；涉及文本语义理解，就进入语言模型的地盘，此时要权衡的是本地部署开源权重模型还是调云端 API，费用量级可以参考这篇免费版和付费版大模型的差异。两种路线服务不同规模的问题，按任务性质选即可。
支持向量机速查
- 目标：找间隔尽量宽的分界面
- 边界只由支持向量决定，其余样本无关
- 核函数让它在高维空间切分非线性数据
- 强项：小样本、表格数据；弱项：海量数据、语义理解
