矩阵乘法的几何意义：复合动作
本文基于模型知识整理（生成时未联网核对），关键结论建议对照 3Blue1Brown 第 4 集 / Strang §2.4 复核。
一句话定义
矩阵乘法 $AB$ 表示"先做 B 的动作、再做 A 的动作"的复合——$A(Bx) = (AB)x$ 的运算规则不是人为约定而是"连续施放两个动作"的必然后果；结合律天然成立而交换律一般不成立（先旋转后剪切 ≠ 先剪切后旋转）。
为什么重要
矩阵乘法是线代计算的枢纽，但死记"行乘列"会让一切变苦役：结合律（可以任意分块/分步）、转置规则 $(AB)^\top=B^\top A^\top$、逆的次序 $(AB)^{-1}=B^{-1}A^{-1}$、图神经网络与 Transformer 的多层线性层——全部是"复合"这一个词的不同投影。
前置知识
kp-006（矩阵=动作）。
核心概念
- 复合：$(AB)x = A(Bx)$——AB 先施加 B 再施加 A（从右往左读）。
- 规则的解释：$(AB)$ 第 j 列 $= A(b_j)$ = "B 把第 j 个基向量搬到哪、再被 A 搬到哪"——行乘列法则的几何来源。
- 交换律一般不成立：$AB \ne BA$（动作顺序不可换）；特殊情形（对角矩阵、同一矩阵的幂 $A^2=AA$、$AA^{-1}$）除外。
- 结合律恒成立：$(AB)C = A(BC)$——三种"先做哪个后做哪个"的分组描述同一串动作。
- 转置与逆的次序反转：$(AB)^\top = B^\top A^\top$、$(AB)^{-1} = B^{-1}A^{-1}$——穿衣服与脱衣服的顺序问题。
- 分块乘法：把矩阵切块后"块当元素"照常乘——大矩阵计算的记号压缩术（数值线代 kp-032 的语言）。
原理与机制
从复合推出行乘列：设 $B$ 的列为 $b_j$（基像），则 $AB$ 的第 j 列 $= (AB)e_j = A(Be_j) = A(b_j)$——复合变换对基的像。把 $A(b_j)$ 展开成行×列，正是教科书公式：公式是定理的影子，不是起点。
幂与演化：$A^k$ = 同一动作连做 k 次——人口迁移、马尔可夫链、矩阵递推 $x_{k+1}=Ax_k$ 的 k 步预测；对角化（kp-013）把 $A^k$ 变成 $\Lambda^k$（逐元素幂）正是为了绕开"连乘 n 次"。
维数检查即复合检查：$(m\times n)(n\times p)$ 合法且得 $m\times p$——"B 吃 p 维吐 n 维、A 吃 n 维吐 m 维"必须首尾咬合；维数不匹配 = 动作序列不合理。
图示
x ──B──► Bx ──A──► A(Bx) = (AB)x
AB 的第 j 列 = A(b_j) = A·(B 的第 j 列) ← 行乘列的来源
交换律: 旋转∘剪切 ≠ 剪切∘旋转 → AB ≠ BA (一般)
结合律: 先后固定, 分组自由 → (AB)C = A(BC)直观类比
矩阵乘法像流水线：B 是第一道工序、A 是第二道；"AB"是整条流水线的总说明。换工序顺序可能产出完全不同的产品（不可交换）；把三道工序说明合成"两段式"还是"一段式"（结合律）不影响最终产品。
实例或案例
- 图形学：模型变换→视图变换→投影三矩阵连乘 $PVM$——顺序错，画面崩。
- 两层线性网络 $W_2(W_1x) = (W_2W_1)x$：没有非线性时多层塌缩为单层——深度学习的非线性必要性（kp-031）。
- 状态空间模型：$x_{t+1}=Ax_t+Bu_t$ 的多步展开布满矩阵幂与复合（kp-026）。
常见误区
- 误区一："矩阵乘法就是行乘列，背了就行"。缺复合视角时，结合律/转置/逆的次序规则全是新的死记条目；有视角则全是显然推论。
- 误区二："AB 与 BA 至少差个顺序、结果差不多"。数值上可能差很远：剪切与旋转的先后给出不同矩阵；$AB-BA$ 是量子力学对易子的本体。
- 误区三："分块乘法是另一套规则"。它与标量乘法完全同构——块的形状满足咬合即可；这是记号优势不是新知识。
与其他知识点的关系
自测题
- 从复合角度解释为什么 $(AB)C = A(BC)$。
答：两边都表示"先 C 后 B 再 A"的同一串动作——分组方式不同不改变执行顺序，故相等。
- 若 $AB=BA$，说明 A、B 有什么关系？
答：两动作可交换；充分条件如同为对角阵或同为旋转（同一平面同轴）——一般情况是强约束（同时可对角化等，kp-017 延伸）。
- 为什么 $(AB)^{-1} = B^{-1}A^{-1}$？
答：$B^{-1}A^{-1}\cdot AB = B^{-1}(A^{-1}A)B = I$——脱衣顺序与穿衣相反。
延伸阅读
- 3Blue1Brown《Essence of LA》第 4 集（矩阵乘法作为复合的最佳可视化）。
- Strang《Introduction to Linear Algebra》§2.4–2.5。
- Axler《Linear Algebra Done Right》§3.B（矩阵乘积与算子乘积）。