本文是3B1B 《线性代数的本质》系列视频之 点积与对偶性 的学习笔记，理解点积的几何意义，揭示点积背后的线性代数本质。
1、点积的传统定义与几何意义
通常这样定义两个向量的点积：
v⃗⋅w⃗=v1w1+v2w2+⋯+vnwn \vec{v} \cdot \vec{w} = v_1 w_1 + v_2 w_2 + \cdots + v_n w_n v ⋅w =v1w1+v2w2+⋯+vnwn
同时，点积也有一个几何公式：
v⃗⋅w⃗=∥v⃗∥∥w⃗∥cosθ \vec{v} \cdot \vec{w} = \|\vec{v}\| \|\vec{w}\| \cos\theta v ⋅w =∥v ∥∥w ∥cosθ
其中 θ 是两向量夹角。这个公式告诉我们：点积衡量的是两个向量在方向上的相似（对齐）程度。
- 当夹角为0°，点积最大
- 当夹角为90°，点积为0
- 当夹角为180°，点积最小（负值）
它等于向量v⃗\vec{v}v 在向量 w⃗\vec{w}w 方向上的投影长度（∥v⃗∥cosθ\|\vec{v}\| \cos\theta∥v ∥cosθ）乘以向量 w⃗\vec{w}w 的长度（∥w⃗∥\|\vec{w}\|∥w ∥），反之亦然。
3B1B给了一个非常直观的几何解释：
将一个向量投影到另一个向量的方向上，然后将投影长度与被投影向量的长度相乘，就得到了点积。
2、点积 ↔ 线性变换
3B1B 的核心洞见：
每一个点积操作，本质上都对应一个从高维空间到一维数轴的线性变换。
任何从 Rn→R\mathbb{R}^n \to \mathbb{R}Rn→R 的线性变换都可以用一个 1×n1 \times n1×n 的矩阵（行向量）来表示。
例如，投影到单位向量 u^=u1u2\hat{u} = \begin{bmatrix} u_1 \\ u_2 \end{bmatrix}u^=u1u2 的变换，对应的矩阵就是：
u1u2\] \\begin{bmatrix} u_1 \& u_2 \\end{bmatrix} \[u1u2
于是：
u1u2v1v2=u1v1+u2v2=v⃗⋅u^ \begin{bmatrix} u_1 & u_2 \end{bmatrix} \begin{bmatrix} v_1 \\ v_2 \end{bmatrix} = u_1 v_1 + u_2 v_2 = \vec{v} \cdot \hat{u} u1u2v1v2=u1v1+u2v2=v ⋅u^
3、对偶性
这里的"对偶性"是一种几何与代数之间的对应关系，尤其体现在向量与线性函数之间的一一对应。
每一个线性变换到标量（从向量空间到一维实数的线性函数），都可以唯一地对应一个向量，这个向量通过点积的方式实现该变换。
假设在二维实数空间 R2\mathbb{R}^2R2 中：
有一个线性函数 f:R2→Rf: \mathbb{R}^2 \to \mathbb{R}f:R2→R，它把每个二维向量 (x,y)(x, y)(x,y) 映射成一个实数：
f(x,y)=3x+4y f(x, y) = 3x + 4y f(x,y)=3x+4y
这个函数是线性的，因为满足：
- f(v⃗+w⃗)=f(v⃗)+f(w⃗)f(\vec{v} + \vec{w}) = f(\vec{v}) + f(\vec{w})f(v +w )=f(v )+f(w )
- f(cv⃗)=cf(v⃗)f(c\vec{v}) = c f(\vec{v})f(cv )=cf(v )
现在的问题是：这个线性函数 f 能不能用"点积"的方式表达？
我们观察：
f(x,y)=3x+4y=34⋅xy f(x, y) = 3x + 4y = \begin{bmatrix}3 \\ 4\end{bmatrix} \cdot \begin{bmatrix}x \\ y\end{bmatrix} f(x,y)=3x+4y=34⋅xy
也就是说，这个线性函数 fff 等价于和向量 v⃗=(3,4)\vec{v} = (3, 4)v =(3,4) 做点积。
3Blue1Brown 所说的"对偶性"：
每一个从 Rn\mathbb{R}^nRn 到 R\mathbb{R}R 的线性函数（也叫线性泛函），都唯一对应一个向量，使得这个函数的作用等同于与该向量做点积。
换句话说：
- 给你一个向量 w⃗\vec{w}w ，你可以定义一个函数 fw⃗(v⃗)=w⃗⋅v⃗f_{\vec{w}}(\vec{v}) = \vec{w} \cdot \vec{v}fw (v )=w ⋅v
- 反过来，给你任意一个线性函数 f:Rn→Rf: \mathbb{R}^n \to \mathbb{R}f:Rn→R，总能找到唯一的向量 w⃗\vec{w}w ，使得 f(v⃗)=w⃗⋅v⃗f(\vec{v}) = \vec{w} \cdot \vec{v}f(v )=w ⋅v
这种"函数 ↔ 向量"的一一对应，就是对偶性。
"对偶性"告诉我们：一个线性函数本质上就是一个向量，只不过我们用点积的方式来"执行"它。
💡这就像有两种语言描述同一个东西：
- 一种是"向量语言"：箭头、长度、方向
- 一种是"函数语言"：输入向量，输出数字