潜在空间是神经网络在内部学习到的一种压缩后的低维空间，用于表示其训练数据的结构。与直接存储原始像素、单词或音频样本不同，使用潜在空间的模型会将输入映射为一组抽象的数值坐标（即向量），并确保含义或外观相似的输入在空间中彼此靠近。这一思想广泛应用于深度学习领域，从自编码器和生成对抗网络，到现代的扩散模型和基于嵌入的搜索系统。
起源
这一思想可追溯至统计学中更早期的降维方法，但通过自编码器（一种训练将输入压缩到瓶颈层并重建的神经网络）进入机器学习主流。瓶颈层的值即为潜在表示。变分自编码器于2013年提出，通过强制潜在空间遵循平滑的概率分布扩展了这一概念，使得通过在该空间中随机选取点来采样新的、合理的输出成为可能。另一条并行研究路线，Word2vec（2013年），展示了在文本上训练的潜在空间能够捕捉单词之间的类比关系，从而普及了潜在空间中方向和距离承载意义的观点。
在生成模型中的作用
潜在空间通过生成对抗网络成为图像生成的核心，其生成器学习将随机潜在向量映射为逼真的图像。在潜在扩散（即稳定扩散及相关系统背后的技术）中，这一作用变得更加重要：模型不是直接在像素上执行缓慢的去噪过程，而是通过自编码器将图像压缩为一个小型潜在网格，在该网格中执行扩散模型步骤，最后才解码回像素。这使得高分辨率文本到图像生成在计算成本上大幅降低。诸如CLIP之类的多模态系统学习图像和文本的共享潜在空间，使标题与其匹配图像在空间中靠近，这正是扩散模型能够由文本提示引导的基础。
插值、算术与搜索
由于结构良好的潜在空间中邻近点往往语义相似，从业者可以在两点之间平滑插值以将一个输出变形为另一个，或执行向量算术，一个著名的早期例子是词嵌入中的“国王减去男人加上女人等于女王”。这一特性同样支撑了语义搜索：文档和查询被嵌入到共享潜在空间中，向量数据库查找邻近向量而非匹配精确关键词。在图像模型中，沿发现的方向编辑潜在向量可以改变输出的某个属性（如光照或姿态），而无需重新训练模型。
局限性
潜在空间是学习得到的，而非人为设计的，因此其结构不保证可解释或均匀组织；区域可能纠缠，意味着单个维度同时影响多个可见属性。可解释性领域的研究试图使潜在表示更透明，但成效不一，且潜在空间的几何结构在不同模型版本之间可能显著变化，这使跨模型重用已学习方向的尝试变得复杂。