Vector Field：每個點該往哪裡走？

上一篇跟著一顆粒子走（Lagrangian）；這一篇換成站在空間裡看整個場（Eulerian）。

想像你打開一張圖，上面每個格點旁邊都畫著一支小箭頭：有的往左、有的往右、有的指向某個聚集中心。這正是 flow matching 論文給你的東西——它不會列出「每顆粒子的軌跡」，而是給你一個函數 $v_t(x)$ ，叫它 vector field（向量場），然後說「模型就是要學這個」。

從「一條路」到「一張地圖」

上一篇我們追蹤的是單顆粒子的軌跡 $x_t$ 。但一張軌跡只描述了一顆粒子的旅程；論文要的是能套用到任何起點的規則。所以這篇換個視角：與其記一條路，不如畫一張「每個位置都標好方向」的地圖。

把這兩種視角並排：

Lagrangian（上一篇）：跟著一顆粒子，記錄它的旅程 $x_t$ 。
Eulerian（這一篇）：站著不動，看空間每點的箭頭 $v_t(x)$ ，不在乎是哪顆粒子經過。

同一個流動，既能說成「這顆粒子怎麼走」，也能說成「每個位置的箭頭指向哪」。Vector field 是後者。

先抓住這個畫面

在空間每個位置都釘一支箭頭，告訴「剛好經過這裡」的粒子下一步往哪走。

丟一顆粒子進去：它看自己當下所在位置的箭頭，走一小步；到了新位置，再看那裡的箭頭，再走一小步……如此重複，粒子就被箭頭場導引出一條軌跡。

用一個小例子看見它

下面的 demo 把場和粒子畫在一起：拖時間 $t$ 看箭頭如何隨時間改變，調粒子數量與箭頭長度，觀察粒子如何順著箭頭被搬成資料形狀。

請特別注意一件事：箭頭依「位置」與「時間」而不同。同一時刻，不同位置的粒子速度不一樣；同一位置，不同時刻的箭頭也會變。場不是單一的全域方向。

把圖像翻成數學

一個時間相依的向量場是一個函數

v_t : \mathbb{R}^n \to \mathbb{R}^n, \qquad (t, x) \mapsto v_t(x).

它透過 ODE 定義樣本的動態：

\frac{d x}{d t} = v_t(x), \qquad x(0) = x_0 \sim p_0.

把「對所有起點同時做這件事」想成一個映射 $\phi_t$ （flow map）：它把每個起點 $x_0$ 送到它在時刻 $t$ 的位置，我們要的生成器就是 $x_1 = \phi_1(x_0)$ 。Lagrangian 與 Eulerian 的關係就藏在這裡：向量場 $v_t$ 是「方程」，粒子軌跡是「解」——給場能解出軌跡，給一族軌跡也能反推出場。（把它寫成嚴格的 ODE、以及解的存在唯一性，屬於更技術的內容，留給 Diffusion & Flow Models 課程。）

為什麼場比軌跡更有用

這裡值得停一下，因為它是這篇的核心記憶點：

vector field 比單條軌跡更有用，是因為它不是只告訴一顆粒子怎麼走，而是給整個空間一套導航規則。

學會這套規則，任何起點的粒子——包括你下次新抽的 noise——都能照著它流到資料分布。這也是為什麼模型要學的是場：場是個可學的函數，一個神經網路 $v_\theta(x, t)$ 就能表示它。

幾個容易想歪的地方

最關鍵的一個誤解，先用一題擋下來：

順帶兩個小提醒：vector field 不是全域單一方向（它依 $x$ 也依 $t$ ）；而且它和上一篇的粒子不是兩回事——場是規則，軌跡是照規則跑出來的結果。

這怎麼接到論文？

學習向量場 $v_\theta(x, t)$ 正是 flow matching 的核心；continuous normalizing flow（CNF）和 rectified flow 也都建立在同一個動態觀上：要學的不是一條條軌跡，而是那個能把整群 noise 推成資料的場。把「該往哪走」交給一個神經網路去逼近，正是這些方法能擴展到高維資料的關鍵。

下一步

我們有了「場」這個要學的對象，卻還沒講它怎麼隨時間把整團分布從 noise 帶到 data。下一篇 Probability Path 把鏡頭從「一個場」拉高到「一整條分布的演化」——看 noise 與 data 之間那段「影片」是怎麼接起來的。

參考文獻

Lipman, Y., et al. Flow Matching for Generative Modeling. ICLR 2023.
Chen, R. T. Q., et al. Neural Ordinary Differential Equations. NeurIPS 2018.