我总觉得 alpha-beta 这种正交的波形，不如三相的波形好看。

三个正弦波互差 120 度，彼此交织，像一条编好的辫子，任何时刻三个之和为零，波峰波谷均匀分布，怎么看怎么舒服。而 alpha-beta 只有两个波，一个到峰值另一个刚好过零，线条少，交织弱，单薄。

后来我想明白了，这不是我的审美有问题。三相波形是物理世界本来的样子，旋转磁场就在那里转着；alpha-beta 是数学拆解之后的产物。所以我一直讨厌 Clarke 变换——它把好看的波形变丑了。

一、Clarke 变换的真面目：一次正交投影

先说结论：Clarke 变换不该叫 Clarke 变换，它该叫正交投影。Park 变换也不该叫 Park 变换，它该叫旋转变换。

为什么？看几何图像。[Ia, Ib, Ic] 三个电流，看起来是三维的。但只要没有零线，基尔霍夫电流定律决定了 Ia + Ib + Ic = 0，这个点在三维空间里的运动轨迹，永远被压在一个过原点的平面上。所谓 Clarke 变换，就是把三维空间里这个被约束的向量，沿平面法线 [1,1,1] 的方向”拍扁”到那个平面上，换用两个互相垂直的轴来表示。

拍扁之后没有第三维泄露——这就是高维数学里标准的正交投影。投影方向垂直于平面，被扔掉的零序分量和留下来的 α-β 分量在空间里严格垂直，谁也不会漏进谁。斜投影就做不到，零序会斜着漏进来，波形失真。

Park 变换更简单：在二维平面内，把静止的坐标系旋转到跟着转子跑。静止观察者眼中的正弦波，在随动观察者眼中就是两个安静的直流量。它就是个旋转，叫”旋转变换”名实相符。

用人名命名是很糟糕的做法。虽然起到了纪念某个人的作用，但带来的问题很多。万有引力定律里还没有牛顿的名字呢，咋了？大家就记不住牛顿了吗？我们记得牛顿，是因为他提出了万有引力，不是因为它叫”牛顿定律”。”正交投影”四个字本身就是知识点——幂等、无泄露、降维；”Clarke”三个字什么都没说，你只能去背那个带 2/3 系数的矩阵。

命名需要对现象进行精辟的总结。这个话题我之前写过两篇：Clarke-park 变换毫无意义 和 无能配用首字母缩写，这里不展开。

二、教科书上的 Clarke，其实是三个东西

真正有意思的是：教科书上统统叫”Clarke 变换”的东西，根本不是一个东西，而是三个完全不同的数学操作，仅仅因为长得像就被塞进了同一个人名底下。

1. 两相采样（无零线）：2x2 基底变换。 只装两个电流传感器，测 Ia 和 Ib，Ic = -Ia - Ib 不独立。采样数 = 2，空间秩 = 2，用 2x2 方阵。几何动作是”扶正”：把互差 120 度的斜交基，旋成互差 90 度的正交基。可逆，无损。

2. 三相采样（无零线）：2x3 正交投影。 装三个传感器，测全 Ia、Ib、Ic。采样数 = 3，空间秩 = 2，用 2x3 矩阵。几何动作是”拍扁”：沿法线把三维约束向量投影到二维平面。不可逆，零序被彻底剥离。

3. 三相四线（有零线），三采样：3x3 基底变换。 电流流过零线，Ia + Ib + Ic 不再被迫为零，三个相电流线性独立，空间秩是 3。采样数 = 3 = 空间秩，按公理轮不到投影出场，用的还是基底变换：3x3 方阵，把互差 120 度的三个斜交轴扶正成 α-β-0 三根互相垂直的轴。零序分量 I0 = (Ia + Ib + Ic)/3 被算出来，安置在第三根轴的隔离舱里——注意，是算出来，不是拍扁扔掉。可逆，无损。

一个大杂烩，还要用人名，简直就是简直了。

把化简版倒推回完整版，逻辑就通了：2x2 是 2x3 投影代入约束 Ic = -Ia - Ib 后的化简；3x3 则是如假包换的基底变换——零线撑起了第三个自由度，采样数追平空间秩，方阵扶正，可逆。同一个 Clarke 名字底下，装着扶正和拍扁两种截然不同的几何动作，这才是它难学的全部真相：学生以为在学一个东西，其实在背两个东西的折叠态。

三、采样数与空间秩

把上面三种情况统一起来，只需要一句话：

当采样数 = 空间秩，用基底变换；当采样数 > 空间秩，用正交投影。

采样数是你抓回来的数据维度，空间秩是系统真实的自由度。更准确地，我把前者统一叫作计算维度：为了描述和计算一个系统，人为选择的坐标数量。空间秩是客观的真理，计算维度是人为选的工具。计算维度可以不等于空间秩——这是高维几何的核心公理：计算维度 ≥ 空间秩。两者相等，信息刚好，换个坐标系看，基底变换（扶正）；数据比自由度多，必有冗余，把冗余垂直投影掉，正交投影（拍扁）；至于故意让计算维度超过空间秩去换认知红利，那是第九节的话题。

这个分法远不止电机控制。信号处理里处理的信号都是采样来的：雷达布一圈天线、麦克风摆一个阵列，先铺一张高维的网去抓低秩的信源，然后用协方差分解（SVD/PCA）做正交投影，恢复空间秩。最小二乘是把高维观测投影到状态空间，波束成形是投影到特定方向的正交基。全是这一句话。

空间秩这个概念，学得太晚了。我认为应该提前到高三。高三学生早就懂空间向量、懂共面、懂垂直，完全有能力理解：三个向量共面，真实自由度就是 2；N 个变量受 M 个独立方程约束，真实维度就是 N - M。三个变量可能只是同一个自由度的伪装——这个直觉一旦建立，大学的线性代数就不再是天书，而只是给已有直觉配的计算工具。

四、线性代数，应该叫高维几何

说到线性代数——先说清楚，”Linear Algebra” 翻译成”线性代数”没有问题，这是忠实的直译。错的是 “Linear Algebra” 这个名字本来就起错了：它只抓了这门课最表面的工具（线性方程、代数运算），完全掩盖了它的灵魂（高维空间的变换）。直译的问题恰恰在于它忠实得无可挑剔——把一个起错的名字原封不动搬了过来。结果学生学的是行列式、矩阵乘法、克拉默法则，以为这是一门”把数字排成方阵按规则算数”的课。矩阵成了算数黑箱：不知道秩就是空间的真实维度，不知道特征向量就是变换中不改方向的轴，不知道矩阵乘法就是变换的复合。

它应该叫高维几何。向量加法是平移，矩阵乘法是旋转投影拉伸，行列式是体积缩放比，特征向量是不动轴。名字一改，整门课的认知图景就摆正了。

高维几何不是屠龙之术，它就在每个人身边。大语言模型就是高维几何的应用：词嵌入把语义摆进高维空间，语义相近的词夹角小；Attention 的核心 QK^T 就是在算内积——衡量两个高维向量对齐程度；每一层权重矩阵就是一次基底变换；LoRA 的全部假设就是”权重更新量的空间秩极低”，用低秩矩阵去投影。AI 圈把后者叫”涌现”，说得神乎其神，其实就是高维空间里的线性可分性，不叫”上帝降临的涌现”。

五、傅里叶变换，准确的名字是时频变换

用高维几何的眼睛看信号处理，傅里叶变换的伪装一扯就掉。

傅里叶变换本质上就是维度不变的基底变换。 时域和频域都是无限维空间，信息自由度相等，没降维，只是换了一组基：从无限尖锐的冲激基，换到全局蔓延的三角函数基。

这么干净的一个动作，名字却起得毫无信息量。”傅里叶变换”四个字，除了告诉你它是傅里叶发明的，剩下的信息量为零：变换什么？从哪变到哪？一个字都答不上来，你只能去背它的积分公式。人名命名的老毛病，和 Clarke、Park 如出一辙。其实它的实质就写在动作里——把信号从时间轴换到频率轴上重新展开。所以它该叫时频变换：时域与频域之间的变换，名字本身就是知识点。

而基底变换的办法，就是和新的基底算内积。看那个著名的积分公式：

教科书说这是”把信号乘以复指数再求积分”。其实积分号就是无限维空间里的求和号，这个公式就是一个无限维矩阵乘法的展开式：矩阵元素 W(ω,t) = e^{-jωt}，每一行是一个频率基底，F(ω) 就是信号在第 ω 个基底上的投影分量。什么无穷大、什么收敛域，统统是障眼法，剩下的只有一句话：把信号投影到一组正交基上，看看每个基上分了多少。

既然是基底变换，剩下唯一的问题是：为什么偏偏选三角函数当基？因为复指数是微分算子的特征函数——d/dt 作用在 e^{jωt} 上，形状不变，只乘一个常数 jω。物理系统的数学模型大多是微分方程，用特征函数当基底，微积分就变成了代数，卷积就变成了点乘。

而且三角函数不是唯一的选择。要时间定位，用小波；算力金贵，用只取 ±1 的沃尔什方波；数据自己长什么样，让协方差矩阵的特征向量（KLT）当基。选什么基，取决于你的系统算子长什么样。 傅里叶只是无限维空间里最经典的一组正交基，不是天经地义。

顺带一提，连续信号和离散信号被当成两门割裂的学科，也是因为没用高维几何的思路。无限维基底变换的数学表达式，和有限维的一模一样——∑ 换成 ∫ 而已。传统教材先教一学期连续积分，再告诉你计算机算不了，要学离散的。本末倒置。先教 DFT 矩阵（有限维，看得见摸得着），再把 N 推到无穷得到连续傅里叶，才符合认知规律。

六、拉普拉斯变换，也是基底变换

拉普拉斯变换，这个”难倒大量英雄汉”的东西，其实也是基底变换。傅里叶的基 e^{-jωt} 永远不衰减，信号稍一发散积分就崩；拉普拉斯给基加了个实部，变成 e^{-st}，用指数衰减包络把发散信号降服，积分才收敛。所谓收敛域，就是投影的合法性边界。就这么点事。

但拉普拉斯真正流行的原因，不在收敛，而在代数化。上一节说过，复指数是微分算子的特征函数——d/dt 作用在 e^{st} 上，只是乘一个 s。这用在这里恰到好处：描述系统的微分方程，每个 d/dt 都被换成一个 s，唰地一下全变成了多项式。传递函数 H(s) 就是两个多项式之比：求极点就是找多项式的根，判稳定性就是看根的实部正负，微积分降格成了代数。这才是拉普拉斯变换的核心目的：把传递函数写成多项式，而不是微分式，方便分析。

代价是工具本身比问题还重：收敛域、部分分式、拉氏反演，一整套规矩伺候着，就为了把 d/dt 翻译成 s。

而用高维几何的写法，这根拐杖可以整个扔掉。把系统写成空间状态转移方程 ẋ = Ax + Bu，微分式保持微分式的面貌，不需要变换到任何域：矩阵 A 的特征值就是极点，特征向量就是模态形状，解就是矩阵指数 e^{At}。多项式分析能干的事，它样样能干，还不用付变换的过路费。传递函数是手算时代为了把微积分变成代数而发明的折中；在状态空间里，特征值问题本身就是代数——传递函数完全不需要了。

但注意：工程上的信号全是离散采样的，我们真正需要的是离散形式。空间转移矩阵的写法天生就是离散的——x_k = A·x_{k-1}，一步矩阵乘法，能直接指导你把滤波器写成计算机代码；取极限就自动推回连续。于是连续和离散被统一了。

当下的教育最大的问题就在这：连续信号的传递函数和离散信号的矩阵写法是割裂的，要当两门课分开学。如果底层就只用空间转移矩阵这一种写法，离散可以直接算，取极限就能自动推回无限维。

七、卡尔曼滤波器，准确的名字是融合滤波器

而把空间转移矩阵用到极致的，是新一代的滤波器——卡尔曼滤波器。它只有空间转移矩阵这一种表达形式，没有传递函数形式。这不是巧合，这是进步。

为什么传递函数表达不了它？两个死穴。其一，传递函数是确定性的输入输出映射，假设系统干干净净，没有过程噪声也没有测量噪声；而卡尔曼滤波器的全部工作，就是在不确定性中找最优估计——带随机噪声的系统，写不出标量分式的传递函数。其二，传递函数要求线性时不变，而卡尔曼滤波器的增益每一拍都在变：协方差在变，增益就跟着变。它是自适应的、时变的，没有固定极点，没有固定频率响应。有人说稳态卡尔曼可以写成传递函数——可以，但那时它已经退化成维纳滤波器，灵魂没有了。

顺着看，”滤波器”这个名字本身就是错的。滤波器的本意，是在频域画个圈，让某些频率过、某些频率衰减。可这东西根本不筛频率，它干的唯一一件事，是把两路来源不同、都不可靠的信息，融合成一路更可靠的。所以它该叫融合滤波器。

融合怎么干？三步：先升维，在高维空间里叠加，再降维输出。

第一步，升维。传感器吐出来的数据是低维的、带噪的、局部的——电流、角度、温度。直接拿低维数据做控制，是盲人摸象。要先建一个高维状态空间——位置、速度、加速度、零偏——把低维的测量投射进去。

第二步，在高维空间里叠加。这个空间里悬浮着两团”信息云”：一团是预测云，来自空间转移矩阵，它按物理规律推算”下一刻该在哪儿”，因为模型有误差，这团云比较胖；一团是观测云，来自传感器读数，因为探头有噪声，这团云也散。融合就是两个高斯分布的乘积：谁瘦——不确定性小——谁权重大；谁胖，谁权重小。卡尔曼增益 K，就是按两团云的胖瘦动态算出来的加权比例，本质上是一次正交投影。叠加完，两团模糊的云变成一团更瘦、更锐利的云。

第三步，降维萃取。执行器和人眼都不需要几千维的状态，用输出矩阵把高维估计投影回低维，取出真正关心的那几维，干净利落。

而支撑这三步的，是一句值得每个搞状态估计的人刻在显示器边上的话：

预测，也是一种传感器。

预测输出、传感器 1、传感器 2……统统统一到更高的维度上，在那个维度上做加权平均，然后把结果降维，萃取所需的数据。预测是基于物理定律的虚拟传感器，它的噪声是过程噪声；硬件是基于物理效应的实体传感器，它的噪声是测量噪声。模型和硬件，在信息面前完全平等。

为什么非得去高维里融合？因为不同传感器的数据，只有在高维空间才有”关联”。只看一维，温度计和陀螺仪的数据永远没有交集；升到高维状态空间，物理定律把它们绑进同一个坐标系，高维空间为多源信息提供了公共舞台。二维平面上不相交的两条线段，升到三维就可能在空间里相交——升维，就是给”融合”这个动作搭台。

八、预测的本质是画延长线

预测的本质是画延长线。传统的预测，是先找出曲线方程——确定方程参数——然后绘制延长线。这条路是在低维泥潭里拟合曲线：噪声一大，曲线就扭曲；外推一步，误差就爆炸。

高维预测把思路反过来：不拟合曲线，去找一个能让输入变成直线的高维空间——也就是找到对输入进行正确升维的变换矩阵。在这个空间里，原本扭曲的轨迹是一条笔直的直线，而直线的延长是世界上最容易的事，线性外推而已。延长完，再乘上升维矩阵的逆矩阵降维回来，就是预测值。

工程上为了好算，可以两步走。先用一个固定的变换矩阵升维，把数据托举到足够高的维度——这步不需要学习，计算便宜。然后在那个高维空间里找一个基底变换矩阵，让输入沿着新的基底变成直线——这步就是一次线性回归，凸问题，没有局部最优。接着在高维里把直线延长。降维时，乘上基底变换矩阵的逆矩阵，再乘上固定升维矩阵的逆矩阵，回到现实。

这套东西，洋人给它起了个名字，叫库普曼理论。又一个人名。洋人果然没有总结能力呢。 不就是高维下的线性预测么——用升维换线性化，八个字说完了。就这么朴素的思想，被泛函分析、算子半群、无穷维希尔伯特空间包装成研究生的前沿课程。大语言模型”预测下一个字”，干的也是同一件事：把语言升维，延长一点点，再降维回文字。

九、计算维度何必等于空间秩

高维几何最有实战价值的打法，是升维。

鸡兔同笼在古典数学里是难题，要靠机智的”抬脚法”。放到坐标系里，它就是两条直线的交点——鸡兔数量升成平面上的一个点，两个约束各是一条线，画出来，交点就是答案。升一维，难题消失。

3D 游戏一直用四元数，就是升一维之后三维旋转变简单。而且不止旋转：三维空间的所有操作——旋转、平移、缩放——统统可以描述为球心在原点的四维超球体表面上的点，绕着原点的旋转操作。这样所有运算统一用 4x4 矩阵乘法表达，一种规则走天下。

这笔账不能只算内存。显卡不怕计算量大，显卡怕分支。 GPU 上千个流处理器整齐划一地执行同一条指令，一旦遇到 if，同一批线程就得兵分两路轮流执行，一半算力在旁边干瞪眼。要是不升维，用三维数据计算，就得按操作类型分派运算：平移走加法，两个向量相加；旋转走乘法，向量乘一个旋转矩阵。为了表达所有的操作，还得再塞一个枚举变量，用来指示操作类型：

struct VertexOperation {
    enum op_type;
    vec3   move;
    mat3x3 rotate;
};

处理每个顶点先查枚举、走分支、选运算——这种数据结构和算法，对 GPU 来说是个灾难：分支把指令流撕成碎片，枚举和两个成员总有一个在闲置，内存对齐稀碎，流水线断成截。

升一维之后呢？把三维顶点强行安排在球心在原点的单位 4D 球的表面上，顶点变成球面上的一个点 (x, y, z, 1)，然后乘一个 4x4 矩阵，完事。没有枚举，没有分支，指令流笔直一条。更妙的是矩阵乘法可以结合——平移、旋转、缩放、再来一百步操作，全部预先乘成一个 4x4 矩阵，每个顶点只做一次乘法，顶点再多，单价不变。看似多占了 1/4 内存，换来的是运算的统一和认知的全面提升。用更多的维度描述更少的空间秩，看似浪费，实则血赚。

补充纠正一个认知：教科书给 (x, y, z, 1) 起的名字叫”齐次坐标”，这是一种错误的认知，四元数时代的狭隘遗产——只告诉你怎么算，不说清点在哪里。用高维几何的话讲，根本没有”齐次”这回事：整个三维世界可以装进4维球体的表面。三维的点就是四维球面上的点，对三维点的所有操作本质上是让他在4维空间绕着原点旋转。

这里把第三节的核心公理正式说出来：计算维度可以不等于空间秩。空间秩是本质，计算维度是工具，而”计算维大于秩”有两种完全不同的用法。一种是被动地剥冗余：传感器多采了，投影掉，Clarke 拍扁是也。另一种是主动地加杠杆：本质的表达不顺手，故意升维，用浪费换平直、换线性、换运算统一，四元数用 4 个数算 3 秩的旋转，是也。同样一句”计算维 > 空间秩”，一个是扔掉多余的信息，一个是垫高自己的视角。

相对论构造的时空是四维的。在四维空间里理解尺缩效应，非常直白：任何物体都以 (x, y, z, t) 模长等于 C 这同一个速度运动，谁也不快不慢。你看到钟慢尺缩，只是它在时间轴上的分量被空间分量挤占了。不过平心而论，相对论的计算维度是 4，空间秩也是 4。按公理，两者相等，就该用基底变换——洛伦兹变换本来就该写成四维时空里的一次旋转。可它没有把工具用顺手，教科书还在用度规张量硬算。

很多人被”空间可以扭曲”这句话唬住，觉得高深莫测。它的本质意思就是说：空间是可以进行基底变换的。 弯曲的时空，不过是基底随位置变化的动态空间。

鸡兔同笼、四元数、相对论，打法始终是同一个：

遇事不决，就升维。

十、虚数：一套靠立法维持的概念

现在可以清算复数了。线性代数至今没有被大众认知成高维几何，直接的后果就是”复数”还在大行其道。而复数，其实就是高维几何在二维的特例。

看那个千古谜题 x² + 1 = 0。教科书说它在实数域无解，于是发明虚数单位 i，规定 i² = -1。但把问题翻译成几何，谜底立刻揭开：乘以 -1 是旋转 180 度，所以 i² = -1 问的是”什么操作连续做两次，等于旋转 180 度？”答案朴素得可笑：旋转 90 度。i 的真身，就是二维平面上的 90 度旋转矩阵；复数 a+bi 的真身，就是二维向量；复数乘法，就是一次旋转加缩放的基底变换。x² + 1 = 0 无解的真正原因，是 1 维数轴装不下 2 维旋转。

代数的反应不是升维，而是造词。发明了 i 还不够，又发明第二个虚数单位 j、第三个 k……没完没了。3D 游戏里的数字之所以叫四元数，就是因为它最初被表示成 w + xi + yj + zk——光这名字就暴露了出身：一套硬凑出来的字母乘法口诀，和高维几何没有半毛钱关系。学完复数运算，到四元数要把乘法表重新学一遍（ij = k，ji = -k），到八元数连结合律都丢了。可我们学矩阵运算，任何维度都不需要重新学一遍：2x2 算二维旋转，4x4 算四维旋转，NxN 算 N 维旋转，规则永远是行乘列，一法通，万法通。四元数只是被”偶然发现”等同于四维向量，可以用 4x4 矩阵统一操作——可惜这个偶然发现，至今没有上升到”矩阵运算就是高维几何”的认知。

i 的本质是什么？是用来表示”不在这个轴上”的向量。既然都不在这个轴上了，为何不加一个维度呢？当年的数学家没有这样问，因为那时他们只有”数”的概念，没有”维度”的概念。于是宁可发明一整套平行运算体系去伺候一个特例，也不肯抬头看一眼高维。

x² + 1 = 0 这样的平直代数，其实是矩阵的一种特例——实数是 1 维的特例，复数是 2 维的特例，四元数是 4 维的特例。追求让这个特例有解，不如恢复它本来的高维面貌。

x² + 1 = 0 不能说无实数解，而应该说，在1维下无解。 如果把 x 看成是2维的，他就有解。

这套体系是靠立法维持的。i² = -1 是规定，不是计算；四元数的 ij = k、ji = -k 还是规定；到八元数，连结合律都立不住了。三百年来学生背的，就是这部法典。

而升维之后再看，根本不需要任何人立法。取二维平面上的 90 度旋转矩阵 J = [[0, -1], [1, 0]]，动手乘一次：J·J = [[-1, 0], [0, -1]] = -I。”i 的平方等于 -1”从规定变成了常识——转两次 90 度，就是转 180 度，一步就能验算。

这部法典给计算添的难，可以算笔账。两个复数相乘，(a+bi)(c+di) = (ac-bd) + (ad+bc)i，展开时那个凭空冒出来的负号，就是专为 i 立的法，不背就错。四元数更狠：两个四元数相乘要展开八项，i、j、k 的乘法表一条不能错。换成矩阵呢？乘以 a+bi 就是乘 [[a, -b], [b, a]]，复数相乘就是两个 2x2 矩阵相乘，运算规则只剩一条：行乘列。那个负号哪去了？它就藏在矩阵的 -b 里——那是旋转天然自带的取向，不需要任何人背。低维写法把几何事实变成需要背诵的条文，这就是计算难度增加的来源。

十一、公式里出现 i，说明维度不对

所以，如果一个数学公式里出现了 i、j 这样的虚数，你应该本能地意识到：这个公式的维度不对。 维度不对，就是说写这个公式的人在用低维的语言硬写高维的事实——把一次旋转硬压进标量公式里，压不下的部分只好请 i 出场救驾。

欧拉公式是最漂亮的验证。e^{iθ} = cosθ + i·sinθ，在标量代数里神谕一般：e 是增长，三角是转圈，虚指数凭什么把增长变成旋转？升维后一分钟看懂。把 i 换成 J，e^{Jθ} 就是方程 dX/dθ = JX 的解，而这个方程说的是：速度向量永远是位置向量转过 90 度。速度永远和位置垂直的东西，长度一丝也长不了，唯一的出路就是转圈。虚指数为什么会转？因为 i 本来就是那个 90 度旋转算子。不是指数变了性，是公式的维度从来就没够过。

工程里这种被压扁的公式遍地都是。电容的阻抗 Z = 1/(jωC)，教科书说”电阻变成了复数”，说得神乎其神。其实分母里那个 j，就是”电流超前电压 90 度”这次旋转，被硬塞进标量分式里占位。升维写出来就是 i = ωC·J·v：电压向量转 90 度、乘上 ωC，就是电流。一次旋转加一次缩放，没有任何虚数，物理图像反而直白了。复数形式的傅里叶核、复数形式的麦克斯韦方程组，同理——凡是飘着 j 的地方，都有一个被压扁的旋转等着展开。

所以，遇到带 i 的公式，正确的反应不是背下它，而是升维重写它。重写之后 i 消失了，特殊规则消失了，只剩下普普通通的矩阵乘法，物理图像反而更直白。

十二、公理全是几何的

聊到这，可能会问：高维几何，说来说去全是几何，代数去哪了？

代数没有消失，它回到了它该在的位置：工具。几何负责直觉，代数负责计算。空间秩、正交投影、基底变换，这些是空间的性质；矩阵、行列式、积分号，这些是算这些性质的工具。

回头看数学史，问题出在本末倒置。欧几里得的五大公理，讲的全是空间：点、线、面、平行、叠合。几何是数学的地基。后来为了计算的自动化，笛卡尔把几何代数化，教育把工具当成了本质、把本质当成了配图。于是算不出 x²+1=0 就发明 i，算不出三维旋转就发明 i,j,k，陷入打补丁的死循环。数学的”第一性原理”，从来都是空间直觉，而不是代数符号。

数学界的五大公理，可全都是几何的。它们是宇宙空间给我们的底层源码；代数公式只是这段源码在特定基底下的编译产物。

• ← Previous Post