Great question—let’s unpack this from both a theoretical and practical lens, starting with Artin’s famous quote.

阿廷那句话到底是什么意思？ #

根据我的经验，摒弃矩阵的话，涉及矩阵的证明篇幅可缩短50%

阿廷作为代数领域的大师，他想表达的核心是：矩阵是线性变换的“坐标依赖表示”，而很多证明里的矩阵操作（下标运算、行变换、元素级推导）都是围绕具体基的繁琐细节，这些细节会掩盖线性代数的核心逻辑。

举个例子：证明秩-零度定理（dim(V) = dim(Ker(T)) + dim(Im(T))）。如果用矩阵来证，你得把线性变换T写成矩阵形式，然后做行阶梯形变换，计算列秩和零空间维度，中间要处理一堆下标和元素操作。但如果直接用线性变换的像空间和核空间的直和分解逻辑，几步就能完成证明——完全不需要碰矩阵，篇幅自然大幅缩短。

阿廷的话不是否定矩阵的价值，而是提醒我们：别把矩阵和线性变换划等号，矩阵只是工具，不是本质。

矩阵是不是必不可少？ #

分场景来看：

• 计算场景：几乎不可替代。当你需要具体计算线性变换的作用（比如T(v)的结果）、求解线性方程组、计算特征值/特征向量时，矩阵的符号化运算（比如A\mathbf{x} = \mathbf{b}）是最直观高效的工具。没有矩阵，你很难把抽象的线性变换落地成可计算的数值操作。
• 理论分析/抽象场景：完全可以摒弃。线性代数的核心是向量空间之间的线性映射，它的所有关键性质（可逆性、秩、不变子空间、特征值的本质）都不依赖于你选择的基。矩阵只是线性变换在某组基下的“坐标快照”，很多时候，纠结矩阵的细节会让你看不到线性代数的核心结构。比如在泛函分析中讨论无穷维空间的线性算子时，矩阵根本没用武之地——因为无穷维空间没有有限基，只能靠线性变换的抽象语言。

摒弃矩阵的话，有什么替代工具？ #

这里有几个常用的抽象框架：

• 线性变换的抽象符号体系：直接用T: V \to W这样的映射符号，聚焦于T的核（Ker(T)）、像（Im(T)）、复合（S \circ T）等概念。比如证明两个线性变换复合的秩不超过各自的秩，只用像空间的包含关系Im(S \circ T) \subseteq Im(S)就能推导，比矩阵乘法的秩性质证明简洁太多。
• 模论语言：把向量空间看作主理想整环（比如多项式环\mathbb{F}[x]）上的模，处理线性变换的不变子空间、若尔当标准型等问题时，用模的分解定理（比如结构定理）来替代矩阵的相似变换，能更清晰地揭示线性变换的“本质结构”，避免大量矩阵操作。
• 坐标无关的几何/代数工具：比如用外代数定义行列式（行列式是外代数上的交错线性函数），用对偶空间讨论转置变换，用张量积描述多线性映射——这些工具都不依赖于具体基，能直接抓住概念的几何或代数本质。

总结 #

阿廷的观点本质上是在倡导**“坐标无关”的线性代数思考方式**：别被矩阵的细节困住，先理解线性变换的核心逻辑，再根据需要用矩阵做具体计算。矩阵是强大的工具，但绝不是线性代数的全部。

内容的提问来源于stack exchange，提问作者Truth-seek