关于Vector、Matrix乘法的用途、起源及3D含义的技术咨询

1. 向量-矩阵乘法：用途与起源 #

核心用途 #

• 空间坐标变换：这是3D图形、机器人学里最常用的场景——把空间中的点（或方向向量）做旋转、缩放、平移等操作，本质就是用变换矩阵乘该向量。比如游戏里把模型从自身局部坐标系转到世界坐标系，就是用世界矩阵逐个乘模型的顶点向量。
• 高维数据处理：机器学习中，把高维特征向量投影到低维空间，或是计算神经网络层间的输出，都依赖向量-矩阵乘法。比如用权重矩阵乘输入特征向量，得到降维后的新特征。
• 线性组合求解：向量乘矩阵等价于将矩阵的列向量按向量分量做加权求和，比如v = [a,b,c]，矩阵M = [m₁, m₂, m₃]（m₁/m₂/m₃为列向量），则v·M = a*m₁ + b*m₂ + c*m₃，这是解线性方程组的核心思路。

起源 #

向量-矩阵乘法的雏形来自19世纪线性方程组的简化表达。数学家亚瑟·凯莱（Arthur Cayley）在研究线性变换时发现：多个线性方程（如y₁ = a₁₁x₁ + a₁₂x₂、y₂ = a₂₁x₁ + a₂₂x₂）可以用矩阵形式统一写成[y₁; y₂] = [[a₁₁,a₁₂],[a₂₁,a₂₂]] * [x₁;x₂]，这种写法把“对变量施加线性变换”转化为“向量与矩阵相乘”，逐渐形成了标准化的乘法规则。

2. 矩阵-矩阵乘法：用途与起源 #

核心用途 #

• 变换复合：把多个独立的空间变换合并成一个矩阵。比如先对模型做缩放，再做旋转，最后做平移，这三个变换矩阵相乘后得到一个复合矩阵，用它乘顶点向量，等价于依次执行三个变换，大幅提升计算效率。
• 线性映射叠加：如果矩阵A是从空间X到Y的线性映射，矩阵B是从Y到Z的线性映射，那么B·A就是从X到Z的复合映射，这是线性代数、泛函分析的基础概念。
• 批量数据运算：机器学习中，当处理批量输入时，把多个输入向量拼成矩阵，再和权重矩阵相乘，就能一次性完成所有样本的计算，避免循环逐个处理。

起源 #

矩阵乘法同样由凯莱在1858年正式定义，初衷是为了简化线性变换的复合表达。比如两个线性变换T、S分别对应矩阵M、N，先执行S再执行T的复合变换，对应的矩阵就是M·N——用矩阵乘法直接表示变换叠加，不用再写一堆繁琐的线性方程。更早高斯在解线性方程组时已有类似运算思路，但凯莱给出了严格的符号化定义与运算规则。

3. 3D空间中的几何表现 #

向量-矩阵乘法的几何意义 #

3D中的向量可以代表空间点或方向，乘矩阵就是对这个点/方向执行预设的空间变换：

• 缩放变换：用矩阵[[sₓ,0,0],[0,sᵧ,0],[0,0,s_z]]乘向量(x,y,z)，结果为(x*sₓ, y*sᵧ, z*s_z)，几何上是把点沿三个坐标轴方向拉伸/压缩。
• 旋转变换：比如绕X轴旋转θ角的矩阵[[1,0,0],[0,cosθ,-sinθ],[0,sinθ,cosθ]]，乘向量后，点的X分量不变，Y、Z分量按三角函数关系旋转，实现绕X轴的定向旋转。
• 剪切变换：用矩阵[[1,k,0],[0,1,0],[0,0,1]]乘向量，结果为(x + k*y, y, z)，几何上是把点沿X轴方向，按Y分量的比例做剪切偏移。

简单说，向量-矩阵乘法就是让空间中的点/方向，按照矩阵定义的规则“移动”或“变形”。

矩阵-矩阵乘法的几何意义 #

两个矩阵相乘，本质是把两个空间变换叠加。比如矩阵A是缩放变换，矩阵B是旋转变换，那么B·A代表“先执行缩放，再执行旋转”（注意矩阵乘法顺序：B·A·v等价于先让v被A变换，再被B变换）。用复合矩阵直接乘向量，和依次执行两个变换的结果完全一致，这在3D渲染中能大幅减少计算量。

矩阵乘法的拆分确认 #

完全可以拆分。假设矩阵A（m×n）和B（n×p）相乘得到C = A·B（m×p）：

• 若把B拆分为p个n维列向量b₁, b₂, ..., bₚ，则A·B = [A·b₁, A·b₂, ..., A·bₚ]——即C的每一列都是A与B对应列向量相乘的结果，再拼接成矩阵。
• 若把A拆分为m个n维行向量a₁, a₂, ..., aₘ，则A·B的第i行就是aᵢ·B——即C的每一行都是A对应行向量与B相乘的结果。

这种拆分和直接矩阵乘法的计算结果完全一致，本质上矩阵乘法的规则就是基于向量乘法的组合定义的。

内容的提问来源于stack exchange，提问作者JasperJonathan