向量幾何進階：投影、行列式與正交化的幾何語言

為什麼「內積」其實是一台投影機？

你在入門篇已經學會：兩個向量的內積（dot product）是 $\mathbf{a}\cdot\mathbf{b}=|\mathbf{a}||\mathbf{b}|\cos\theta$，外積（cross product）的長度是平行四邊形面積。這些公式都對，但它們像是「結果」，而不是「機制」。真正讓向量幾何威力大增的，是把這些運算看成幾何操作：內積是一台投影機，外積是一個有向面積與旋轉軸，而三個向量擺在一起時，內積與外積會聯手算出一塊有號的體積。

這篇進階篇不再重述方向、大小與基本公式，而是直接處理已讀過入門的你最該掌握的下一層：分解（decomposition）、座標換算（change of basis）、正交化（orthogonalization），以及有號體積（signed volume）背後的行列式結構。我們會看到，這些看似零散的工具，其實是同一個幾何語言的不同方言。

投影與分解：把一個向量拆成「沿著」與「垂直於」

給定一個方向向量 $\mathbf{u}$，任何向量 $\mathbf{v}$ 都可以唯一地拆成兩塊：一塊平行於 $\mathbf{u}$，一塊垂直於 $\mathbf{u}$。

平行分量稱為正交投影（orthogonal projection）：

$$ \operatorname{proj}_{\mathbf{u}}(\mathbf{v})=\frac{\mathbf{v}\cdot\mathbf{u}}{\mathbf{u}\cdot\mathbf{u}}\,\mathbf{u}. $$

注意分母是 $\mathbf{u}\cdot\mathbf{u}=|\mathbf{u}|^2$，它的作用是「歸一化」——讓投影不受 $\mathbf{u}$ 長度影響，只取決於它的方向。垂直分量（也叫 rejection）就是剩下的部分：

$$ \mathbf{v}_{\perp}=\mathbf{v}-\operatorname{proj}_{\mathbf{u}}(\mathbf{v}). $$

你可以驗證 $\mathbf{v}_{\perp}\cdot\mathbf{u}=0$，這正是「垂直」的代數定義。於是任何向量都被切成兩個正交的零件：

$$ \mathbf{v}=\underbrace{\operatorname{proj}_{\mathbf{u}}(\mathbf{v})}_{\text{平行}}+\underbrace{\mathbf{v}_{\perp}}_{\text{垂直}}. $$

這個分解是線性代數裡無數演算法的起點：最小平方法（least squares）、傅立葉分析（Fourier analysis）、主成分分析（PCA）全都建立在「把資料投影到某個方向，再看剩下多少」這件事上。內積之所以是「投影機」，原因就在這裡——它量的是 $\mathbf{v}$ 有多少「落在 $\mathbf{u}$ 的方向上」。

看一個例子：把力分解到斜面上

想像一個質量受重力 $\mathbf{g}=(0,-10)$ 作用，斜面方向為 $\mathbf{u}=(3,4)$（與水平夾角 $\theta$，$\tan\theta=4/3$）。要算「沿斜面下滑的分量」，就是把 $\mathbf{g}$ 投影到 $\mathbf{u}$：

$$ \mathbf{g}\cdot\mathbf{u}=0\cdot 3+(-10)\cdot 4=-40,\qquad \mathbf{u}\cdot\mathbf{u}=3^2+4^2=25. $$

$$ \operatorname{proj}_{\mathbf{u}}(\mathbf{g})=\frac{-40}{25}(3,4)=\left(-\tfrac{24}{5},-\tfrac{32}{5}\right). $$

它的長度為 $\frac{40}{25}\cdot|\mathbf{u}|=\frac{40}{25}\cdot 5=8$。這正好是 $|\mathbf{g}|\sin\theta=10\cdot\frac{4}{5}=8$——物理課本裡的「$mg\sin\theta$」原來只是一次正交投影的結果。垂直分量 $\mathbf{g}_\perp$ 則對應斜面給的正向力方向，長度為 $10\cos\theta=6$。

外積的真面目：行列式、有向面積與右手定則

入門篇告訴你外積長度是面積、方向用右手定則。進階的看法是：外積是一個行列式的縮影。在二維裡，兩向量 $\mathbf{a}=(a_1,a_2)$、$\mathbf{b}=(b_1,b_2)$ 張出的平行四邊形有號面積就是

$$ \det\begin{pmatrix}a_1&b_1\\a_2&b_2\end{pmatrix}=a_1b_2-a_2b_1. $$

「有號」很重要：若 $\mathbf{b}$ 在 $\mathbf{a}$ 的逆時針側，面積為正；順時針側則為負。這個符號正是三維外積 $\mathbf{a}\times\mathbf{b}$ 的 $z$ 分量。三維的外積可以寫成形式行列式：

$$ \mathbf{a}\times\mathbf{b}=\det\begin{pmatrix}\mathbf{i}&\mathbf{j}&\mathbf{k}\\a_1&a_2&a_3\\b_1&b_2&b_3\end{pmatrix}. $$

把它展開，每個分量都是一個 $2\times2$ 子行列式——也就是該向量對在三個座標平面上投影後的有號面積。外積向量的三個分量，記錄的是三個座標平面上的有向面積，這就是它「同時編碼面積與垂直方向」的祕密。

也因此你能立刻理解外積的兩個關鍵性質：反交換 $\mathbf{a}\times\mathbf{b}=-\mathbf{b}\times\mathbf{a}$（交換行列式兩列要變號），以及共線時為零 $\mathbf{a}\times\mathbf{a}=\mathbf{0}$（兩列相同，行列式為零，面積退化）。

純量三重積：一塊「有號體積」如何判斷三向量的關係

把內積與外積串起來，就得到純量三重積（scalar triple product）：

$$ [\mathbf{a},\mathbf{b},\mathbf{c}]=\mathbf{a}\cdot(\mathbf{b}\times\mathbf{c})=\det\begin{pmatrix}a_1&a_2&a_3\\b_1&b_2&b_3\\c_1&c_2&c_3\end{pmatrix}. $$

幾何意義：三向量張出的平行六面體（parallelepiped）有號體積。它一次回答三個問題：

• 絕對值告訴你體積大小；
• 正負號告訴你 $\{\mathbf{a},\mathbf{b},\mathbf{c}\}$ 是右手系（正）還是左手系（負）；
• 等於零代表三向量共面（coplanar）——體積塌成一個平面。

這比「分別檢查兩兩是否平行」高效得多。要判斷三點加原點是否共面、要算四面體體積（$\frac{1}{6}|[\mathbf{a},\mathbf{b},\mathbf{c}]|$）、要判斷座標系的手性，一個行列式全包。

動手試試：判斷三向量是否共面

取 $\mathbf{a}=(1,2,3)$、$\mathbf{b}=(2,1,0)$、$\mathbf{c}=(4,5,6)$。先算 $\mathbf{b}\times\mathbf{c}$：

$$ \mathbf{b}\times\mathbf{c}=\big(1\cdot6-0\cdot5,\;0\cdot4-2\cdot6,\;2\cdot5-1\cdot4\big)=(6,-12,6). $$

再算內積：

$$ \mathbf{a}\cdot(\mathbf{b}\times\mathbf{c})=1\cdot6+2\cdot(-12)+3\cdot6=6-24+18=0. $$

結果為 $0$，所以三向量共面，平行六面體體積為零。你可以反過來驗證：$\mathbf{c}=2\mathbf{a}+\mathbf{b}$？檢查得 $2(1,2,3)+(2,1,0)=(4,5,6)=\mathbf{c}$，果然 $\mathbf{c}$ 是 $\mathbf{a},\mathbf{b}$ 的線性組合，落在同一平面上。三重積為零，正是線性相依（linear dependence）的幾何顯影。

換基底與正交標準基：用內積讀出座標

入門篇用的都是標準基 $\{\mathbf{e}_1,\mathbf{e}_2,\mathbf{e}_3\}$，但真實問題常需要換一組更貼合幾何的基底——例如沿著某個物體的主軸。若有一組正交標準基（orthonormal basis） $\{\mathbf{q}_1,\mathbf{q}_2,\mathbf{q}_3\}$，滿足

$$ \mathbf{q}_i\cdot\mathbf{q}_j=\delta_{ij}=\begin{cases}1,&i=j\\0,&i\neq j\end{cases}, $$

那麼任何向量 $\mathbf{v}$ 在這組基底下的座標可以直接用內積讀出：

$$ \mathbf{v}=(\mathbf{v}\cdot\mathbf{q}_1)\,\mathbf{q}_1+(\mathbf{v}\cdot\mathbf{q}_2)\,\mathbf{q}_2+(\mathbf{v}\cdot\mathbf{q}_3)\,\mathbf{q}_3. $$

每個係數都是一次正交投影。這正是上一節「投影分解」推廣到一整組基底的版本，也是為什麼正交基如此珍貴——換座標不必解聯立方程式，只要做幾次內積。把 $\mathbf{q}_i$ 排成矩陣 $Q=[\mathbf{q}_1\,\mathbf{q}_2\,\mathbf{q}_3]$，它是正交矩陣（orthogonal matrix），滿足 $Q^{\top}Q=I$，且 $Q^{-1}=Q^{\top}$。正交矩陣對應的幾何變換是保長度、保夾角的剛體旋轉或鏡射，這也是電腦圖學中相機與物件姿態都用正交矩陣表示的原因。

動手試試：用 Gram-Schmidt 造一組正交基

給定兩個線性獨立但不正交的向量 $\mathbf{a}_1=(1,1,0)$、$\mathbf{a}_2=(1,0,1)$，Gram-Schmidt 正交化把它們「扶正」。先取 $\mathbf{u}_1=\mathbf{a}_1$，再從 $\mathbf{a}_2$ 中扣掉它在 $\mathbf{u}_1$ 上的投影：

$$ \mathbf{u}_2=\mathbf{a}_2-\frac{\mathbf{a}_2\cdot\mathbf{u}_1}{\mathbf{u}_1\cdot\mathbf{u}_1}\mathbf{u}_1=(1,0,1)-\frac{1}{2}(1,1,0)=\left(\tfrac{1}{2},-\tfrac{1}{2},1\right). $$

驗證 $\mathbf{u}_2\cdot\mathbf{u}_1=\frac12-\frac12+0=0$，正交達成。最後各自單位化：

$$ \mathbf{q}_1=\frac{1}{\sqrt2}(1,1,0),\qquad \mathbf{q}_2=\frac{1}{\sqrt{6/4}}\left(\tfrac12,-\tfrac12,1\right)=\frac{1}{\sqrt6}(1,-1,2). $$

這套「投影、相減、單位化」的循環，就是線性代數裡 QR 分解的幾何引擎，也是數值計算中解最小平方問題的標準步驟。它再次說明：正交投影是整個向量幾何的主旋律。

重點回顧

• 投影分解把任一向量唯一拆成平行與垂直兩塊，$\operatorname{proj}_{\mathbf{u}}(\mathbf{v})=\frac{\mathbf{v}\cdot\mathbf{u}}{|\mathbf{u}|^2}\mathbf{u}$；這是最小平方、PCA、傅立葉分析的共同核心。
• 外積是行列式的縮影：其三個分量是三個座標平面上的有號面積，因此天生反交換、共線為零。
• 純量三重積 $\mathbf{a}\cdot(\mathbf{b}\times\mathbf{c})$ 等於 $3\times3$ 行列式，量的是平行六面體有號體積；為零即三向量共面（線性相依）。
• 正交標準基讓換座標退化為幾次內積，對應的正交矩陣 $Q^{\top}Q=I$ 保長度、保夾角。
• Gram-Schmidt 用反覆的正交投影把任意獨立向量組「扶正」成正交基，是 QR 分解的幾何本體。

深入探討（研究所視角）

把上面這些工具拉高一層，會發現它們其實是外代數（exterior algebra）與度量結構（metric structure）的影子。

外積之所以「只存在於三維」是個假象。真正一般化的物件是楔積（wedge product） $\mathbf{a}\wedge\mathbf{b}$，它產生的不是向量而是一個 2-向量（bivector）——代表一塊有向面積元素，與維度無關。在三維裡，因為「2-向量空間」與「向量空間」恰好同為三維，我們才能用 Hodge 對偶 $\star$ 把 bivector 偽裝成向量：$\mathbf{a}\times\mathbf{b}=\star(\mathbf{a}\wedge\mathbf{b})$。這解釋了為什麼外積是「贗向量（pseudovector）」——在鏡射下行為與真向量不同；它本質上是面積，只是被借了向量的外衣。純量三重積 $\mathbf{a}\wedge\mathbf{b}\wedge\mathbf{c}$ 則是一個 3-向量，在三維中對應到那個熟悉的行列式體積。從這個角度，內積、外積、三重積是 $\Lambda^0,\Lambda^2,\Lambda^3$ 不同階外冪上的自然運算，行列式只是最高階楔積的座標表示。

另一條線索是度量張量（metric tensor）。我們寫 $\mathbf{a}\cdot\mathbf{b}=\sum_i a_i b_i$ 時，悄悄假設了標準歐氏度量 $g_{ij}=\delta_{ij}$。一般的（可能彎曲的、或非正交座標下的）內積是 $\mathbf{a}\cdot\mathbf{b}=\sum_{i,j}g_{ij}a^i b^j$。這時「投影」「正交」「長度」全都要透過 $g_{ij}$ 重新定義，而正交矩陣的條件 $Q^{\top}Q=I$ 推廣成 $Q^{\top}gQ=g$（保度量的變換群）。狹義相對論用的閔可夫斯基度量 $g=\operatorname{diag}(1,-1,-1,-1)$ 就是把其中一個符號翻成負號，於是「保度量」的群從旋轉群變成勞侖茲群（Lorentz group）——時空的幾何，本質上仍是同一套內積語言，只是換了度量。

最後值得一提的是 Gram-Schmidt 在無窮維的回響。把向量換成函數、把內積換成積分 $\langle f,g\rangle=\int f(x)g(x)\,dx$，整套投影—正交化機制原封不動搬到希爾伯特空間（Hilbert space）。對 $\{1,x,x^2,\dots\}$ 做 Gram-Schmidt，得到的就是 Legendre 多項式；換個加權內積則得到 Chebyshev、Hermite 等正交多項式族——量子力學的本徵函數、訊號處理的正交基，全都是這篇文章裡那台「投影機」在更大舞台上的演出。當你下次寫下一個簡單的 $\mathbf{v}\cdot\mathbf{u}$，不妨記得：你按下的是同一台投影機的快門。