向量幾何：方向、大小、內積與外積

為什麼飛機逆風還能準時降落？

想像你是一架小飛機的駕駛。地面塔台告訴你跑道方向，但天空中有一股強勁的側風，把你不斷往旁邊推。你的「真實航向」其實是兩股力量相加的結果：引擎推著你往前，風推著你往側邊。你想知道的不只是「我有多快」，更是「我往哪個方向、以多快的速度前進」。

這正是向量（vector）登場的時刻。一個純粹的數字——例如「時速 200 公里」——叫做純量（scalar），它只有大小。但飛機的速度同時包含方向與大小，這種既有方向又有大小的量，就是向量。學會操作向量，你就能把「風」與「推力」這類看似糾纏不清的問題，化成乾淨俐落的幾何運算。

向量是什麼：方向與大小

我們用一個有序的數組來表示向量。在平面上，向量 $\vec{v} = (v_1, v_2)$；在空間中，$\vec{v} = (v_1, v_2, v_3)$。幾何上，它是一個從起點指向終點的箭頭，箭頭的長短代表大小，箭頭的指向代表方向。

向量的大小（magnitude，又稱長度或模）用畢氏定理計算：

$$ \lVert \vec{v} \rVert = \sqrt{v_1^2 + v_2^2 + v_3^2} $$

例如 $\vec{v} = (3, 4)$ 的大小是 $\sqrt{3^2 + 4^2} = \sqrt{25} = 5$。

一個重要的觀念：向量不綁定在特定位置。$(3, 4)$ 從原點出發，與從 $(1,1)$ 出發到 $(4,5)$ 的箭頭，是同一個向量——只要方向與大小相同，它們就相等。這個「可以自由平移」的特性，讓向量成為描述「位移」「速度」「力」的理想語言。

單位向量與方向

如果我們只想保留方向、把大小標準化為 $1$，就把向量除以它自己的長度，得到單位向量（unit vector）：

$$ \hat{v} = \frac{\vec{v}}{\lVert \vec{v} \rVert} $$

以 $\vec{v} = (3, 4)$ 為例，$\hat{v} = \left(\tfrac{3}{5}, \tfrac{4}{5}\right)$。你可以驗證 $\sqrt{(3/5)^2 + (4/5)^2} = 1$。單位向量是「純粹的方向」，回到飛機的例子，它就是「機鼻指向哪裡」而不管飛多快。

向量加法：把力量疊起來

向量相加的規則非常直覺：對應分量相加。

$$ \vec{u} + \vec{v} = (u_1 + v_1,\; u_2 + v_2) $$

幾何上，這是平行四邊形法則或首尾相接法則：把 $\vec{v}$ 的起點接到 $\vec{u}$ 的終點，從 $\vec{u}$ 的起點畫到 $\vec{v}$ 的終點，就是合向量。

回到開頭的飛機：若引擎推力給出的速度向量是 $\vec{u} = (200, 0)$（往東 200），側風是 $\vec{v} = (0, 50)$（往北 50），那麼飛機相對地面的真實速度是

$$ \vec{u} + \vec{v} = (200, 50),\qquad \lVert (200,50) \rVert = \sqrt{200^2 + 50^2} \approx 206.2. $$

純量乘法（scalar multiplication）則是縮放：$c\vec{v} = (cv_1, cv_2)$。$c > 0$ 維持方向、改變大小；$c < 0$ 則反轉方向。

內積：兩個向量「有多合拍」

接下來是向量幾何最重要的工具之一：內積（dot product，又稱點積或純量積）。它把兩個向量「吃進去」，吐出一個純量：

$$ \vec{u} \cdot \vec{v} = u_1 v_1 + u_2 v_2 + u_3 v_3 $$

更深刻的是它的幾何意義。設 $\theta$ 為兩向量的夾角，則

$$ \vec{u} \cdot \vec{v} = \lVert \vec{u} \rVert\, \lVert \vec{v} \rVert \cos\theta. $$

這條公式是內積的靈魂。它告訴我們：

• 內積為正：夾角為銳角（$\cos\theta > 0$），兩向量大致同向。
• 內積為零：$\cos\theta = 0$，兩向量垂直（正交，orthogonal）。
• 內積為負：夾角為鈍角，兩向量大致反向。

由此可反求夾角：

$$ \cos\theta = \frac{\vec{u} \cdot \vec{v}}{\lVert \vec{u} \rVert\, \lVert \vec{v} \rVert}. $$

看一個例子：求夾角

設 $\vec{u} = (1, 2, 2)$，$\vec{v} = (2, 0, 1)$，求兩者夾角。

先算內積：

$$ \vec{u} \cdot \vec{v} = (1)(2) + (2)(0) + (2)(1) = 2 + 0 + 2 = 4. $$

再算大小：

$$ \lVert \vec{u} \rVert = \sqrt{1 + 4 + 4} = 3,\qquad \lVert \vec{v} \rVert = \sqrt{4 + 0 + 1} = \sqrt{5}. $$

代入公式：

$$ \cos\theta = \frac{4}{3\sqrt{5}} = \frac{4}{3\sqrt{5}} \approx 0.596, $$

所以 $\theta = \arccos(0.596) \approx 53.4^\circ$。兩向量呈銳角，方向相當接近。

投影：影子有多長

內積還能回答「一個向量在另一個向量方向上的影子有多長」。$\vec{u}$ 在 $\vec{v}$ 上的純量投影（scalar projection）是

$$ \text{comp}_{\vec{v}} \vec{u} = \frac{\vec{u} \cdot \vec{v}}{\lVert \vec{v} \rVert}, $$

而向量投影（vector projection）保留方向：

$$ \text{proj}_{\vec{v}} \vec{u} = \frac{\vec{u} \cdot \vec{v}}{\lVert \vec{v} \rVert^2}\, \vec{v}. $$

這在物理裡無所不在。當你斜斜推一個箱子，只有「沿著地面」的那個分量在做功，做功 $W = \vec{F} \cdot \vec{d}$ 正是力與位移的內積。投影也是機器學習、訊號處理裡「把資料分解到某些方向上」的核心動作。

外積：找出垂直於兩者的方向

內積把兩向量變成純量；外積（cross product，又稱叉積或向量積）則把兩個三維向量變成第三個向量。它的特殊之處在於：結果向量同時垂直於原本兩個向量。

外積只定義在三維空間。計算上，可用行列式記憶：

$$ \vec{u} \times \vec{v} = \begin{vmatrix} \vec{i} & \vec{j} & \vec{k} \\ u_1 & u_2 & u_3 \\ v_1 & v_2 & v_3 \end{vmatrix} = (u_2 v_3 - u_3 v_2,\; u_3 v_1 - u_1 v_3,\; u_1 v_2 - u_2 v_1). $$

外積的大小也有漂亮的幾何意義：

$$ \lVert \vec{u} \times \vec{v} \rVert = \lVert \vec{u} \rVert\, \lVert \vec{v} \rVert \sin\theta, $$

這恰好等於以 $\vec{u}$、$\vec{v}$ 為兩邊所張成的平行四邊形面積。方向則由右手定則決定：右手四指從 $\vec{u}$ 彎向 $\vec{v}$，大拇指指向 $\vec{u} \times \vec{v}$。

注意外積不可交換，而是反交換：$\vec{u} \times \vec{v} = -(\vec{v} \times \vec{u})$。交換順序會讓結果向量反向，這與右手定則一致。

動手試試：算外積與面積

設 $\vec{u} = (1, 0, 2)$，$\vec{v} = (0, 3, 1)$，求 $\vec{u} \times \vec{v}$ 及平行四邊形面積。

逐分量計算：

$$ \begin{aligned} (\vec{u} \times \vec{v})_1 &= u_2 v_3 - u_3 v_2 = (0)(1) - (2)(3) = -6, \\ (\vec{u} \times \vec{v})_2 &= u_3 v_1 - u_1 v_3 = (2)(0) - (1)(1) = -1, \\ (\vec{u} \times \vec{v})_3 &= u_1 v_2 - u_2 v_1 = (1)(3) - (0)(0) = 3. \end{aligned} $$

所以 $\vec{u} \times \vec{v} = (-6, -1, 3)$。你可以驗證它與 $\vec{u}$、$\vec{v}$ 都垂直：$(-6, -1, 3) \cdot (1, 0, 2) = -6 + 0 + 6 = 0$，確實正交。

平行四邊形面積：

$$ \lVert \vec{u} \times \vec{v} \rVert = \sqrt{(-6)^2 + (-1)^2 + 3^2} = \sqrt{36 + 1 + 9} = \sqrt{46} \approx 6.78. $$

外積在物理裡描述力矩 $\vec{\tau} = \vec{r} \times \vec{F}$ 與角動量；在電腦圖學裡用來算三角形的法向量（決定一個面朝哪邊、該被怎麼打光）。

內積與外積：一張對照表

不少學生會把這兩者混淆。一個簡明的對照能釐清：

• 內積：輸入兩向量、輸出純量；任何維度都能算；衡量「同向程度」；零代表垂直；公式核心是 $\cos\theta$。
• 外積：輸入兩向量、輸出向量；只在三維；衡量「張開的面積」並給出垂直方向；零代表平行；公式核心是 $\sin\theta$。

一句話記憶：內積問「你們多合拍」，外積問「你們圍出多大、朝哪垂直」。

重點回顧

• 向量同時具有方向與大小，可自由平移；大小用 $\lVert\vec{v}\rVert = \sqrt{\sum v_i^2}$ 計算，除以自身長度得單位向量。
• 向量加法是分量相加（平行四邊形法則），純量乘法做縮放與反向。
• 內積 $\vec{u}\cdot\vec{v} = \lVert\vec{u}\rVert\lVert\vec{v}\rVert\cos\theta$ 輸出純量，可求夾角、判斷正交（內積為零）、計算投影與做功。
• 外積 $\lVert\vec{u}\times\vec{v}\rVert = \lVert\vec{u}\rVert\lVert\vec{v}\rVert\sin\theta$ 輸出垂直於兩者的向量，大小等於平行四邊形面積，方向由右手定則決定，且反交換。
• 內積看「合拍程度（$\cos$）」、外積看「張開面積與垂直方向（$\sin$）」，是互補的兩把幾何工具。

深入探討（研究所視角）

向量幾何在大學階段呈現的是 $\mathbb{R}^2$、$\mathbb{R}^3$ 的具象圖像，但其真正的威力在於它是內積空間（inner product space） 與多重線性代數（multilinear algebra） 的入門。

從內積到內積空間。 我們所用的 $\vec{u}\cdot\vec{v} = \sum u_i v_i$ 只是內積的一個特例。抽象地說，內積是任一滿足對稱性、線性與正定性 $\langle \vec{v}, \vec{v}\rangle \ge 0$ 的雙線性形式。一旦有了內積，就能定義長度、角度與正交，這把幾何直覺推廣到函數空間：在 $L^2$ 空間中，$\langle f, g\rangle = \int_a^b f(x)\,g(x)\,dx$，於是兩個函數可以「正交」。傅立葉級數（Fourier series）正是把函數投影到一組正交基底 $\{\sin nx, \cos nx\}$ 上——投影公式 $\text{proj}$ 與本文的向量投影完全同構。柯西—施瓦茨不等式 $|\langle \vec{u},\vec{v}\rangle| \le \lVert\vec{u}\rVert\lVert\vec{v}\rVert$ 保證 $\cos\theta$ 永遠落在 $[-1,1]$，這個不等式在機率（相關係數）、量子力學與分析中反覆出現。

外積的真身是楔積。 外積看似優雅卻有個尷尬：它只在三維存在，且其「方向」依賴右手定則這個人為約定。現代觀點用外代數（exterior algebra） 的楔積（wedge product）$\vec{u} \wedge \vec{v}$ 取代它。楔積在任意維度都成立，產生的是一個「二維面元（bivector）」，自然編碼了面積與定向，而不需要硬塞一個垂直向量。三維之所以特殊，是因為二維面元的空間恰好也是三維（$\binom{3}{2}=3$），透過霍奇對偶（Hodge dual）可以把面元「翻譯」回向量——這就是傳統外積的來源。理解這點後，向量微積分裡的旋度 $\nabla \times \vec{F}$ 與散度，都能統一在微分形式（differential forms）與廣義斯托克斯定理 $\int_{\partial M}\omega = \int_M d\omega$ 之下。

三重積與體積。 把內積與外積合起來，$\vec{u}\cdot(\vec{v}\times\vec{w})$ 稱為純量三重積，其絕對值等於三向量張成的平行六面體體積，也等於以三向量為列的 $3\times 3$ 行列式。這揭示了行列式的幾何本質：它度量線性變換對體積的縮放倍率，而符號則記錄了定向是否翻轉。這個觀念延伸成微積分換元時的 Jacobian 行列式，以及微分幾何中度量張量 $\sqrt{\det g}$ 所決定的體積元。

跨領域連結。 內積驅動了機器學習的核方法（kernel method）——把資料隱式映射到高維內積空間後再做線性分割；注意力機制（attention）的核心 $\text{softmax}(QK^\top)$ 本質是一連串內積在度量查詢與鍵的相似度。外積與楔積則撐起電腦圖學的法向量計算、剛體動力學的角動量、以及電磁學中 $\vec{F} = q\vec{v}\times\vec{B}$ 的勞侖茲力。當你下次看到一個內積或外積，不妨記得：你看見的不只是兩個箭頭的運算，而是一整套貫穿分析、幾何、物理與資料科學的語言的最小單元。