行视角与列视角
行视角把每条方程看作超平面，解是超平面的交；列视角把方程看作列向量的线性组合。两种视角等价，但列视角可以推广到任意维度和任意形状的矩阵。
18.06 · 第 1 课
线性代数的核心问题——求解线性方程组 \(A\mathbf{x} = \mathbf{b}\)——可以从两种截然不同的几何视角来看。行视角 (row picture) 把方程看成曲面的交点；列视角 (column picture) 把方程看成列向量的线性组合。两种视角相互补充，共同指向线性代数最核心的空间概念。
我们从一个最简单的非平凡例子开始：包含两个未知数、两个方程的方程组。
核心例子。 考虑方程组 \[ \begin{cases} 2x - y = 0 \\ -x + 2y = 3 \end{cases} \] 矩阵形式为 \[ \begin{bmatrix} 2 & -1 \\ -1 & 2 \end{bmatrix} \begin{bmatrix} x \\ y \end{bmatrix} = \begin{bmatrix} 0 \\ 3 \end{bmatrix}. \] 我们可以从行和列两个完全不同的角度来"看"这个方程。
把第一个方程 \(2x - y = 0\) 看作平面上的一条直线，第二个方程 \(-x + 2y = 3\) 是另一条直线。方程组的解就是这两条直线的交点。
在 \(n=2\) 时，每个方程对应平面上的一条直线；在 \(n=3\) 时，每个方程对应三维空间中的一个平面。行视角的好处是直观——我们从小就在求直线的交点。但它也有局限：当 \(n > 3\) 时，我们不再能"画出"超平面，几何直觉变得模糊。
把方程改写为列向量的组合：
\[ x \begin{bmatrix} 2 \\ -1 \end{bmatrix} + y \begin{bmatrix} -1 \\ 2 \end{bmatrix} = \begin{bmatrix} 0 \\ 3 \end{bmatrix}. \]列视角问的是：用左边的两个列向量，通过怎样的线性组合（系数分别是 \(x\) 和 \(y\)），才能恰好得到右边的向量 \(\mathbf{b}\)？这个视角在 \(n\) 很大时依然成立——我们不再需要"看见"超平面，只需要关心列向量张成的空间。
列视角是主线。 Strang 反复强调：整门 18.06 课程围绕列视角展开。列空间、零空间、特征向量……这些核心概念都从列视角自然生长出来。行视角帮助我们建立直觉，但列视角才是通往高维的通行证。
列视角立刻引出一个深刻的问题：对于给定的矩阵 \(A\)，哪些向量 \(\mathbf{b}\) 可以被表示为 \(A\) 的列的线性组合？换言之，方程 \(A\mathbf{x} = \mathbf{b}\) 对哪些 \(\mathbf{b}\) 有解？
在我们的 \(2\times 2\) 例子中，两个列向量 \(\begin{bmatrix} 2 \\ -1 \end{bmatrix}\) 和 \(\begin{bmatrix} -1 \\ 2 \end{bmatrix}\) 不共线，因此它们的线性组合可以铺满整个 \(\mathbb{R}^2\) 平面。任意 \(\mathbf{b} \in \mathbb{R}^2\) 都可以被到达，方程组对每个 \(\mathbf{b}\) 都有唯一解。
退化情形。 如果两个列向量恰好共线（线性相关），它们只能张成 \(\mathbb{R}^2\) 中的一条直线。此时只有落在那条直线上的 \(\mathbf{b}\) 才能被到达。例如，若 \(A = \begin{bmatrix} 2 & -1 \\ -4 & 2 \end{bmatrix}\)， 第二列是第一列的 \(-\frac12\) 倍，列空间退化为一条直线。
把维度升高。考虑三个方程、三个未知数：
\[ \begin{bmatrix} 2 & 1 & -1 \\ -3 & -1 & 2 \\ -2 & 1 & 2 \end{bmatrix} \begin{bmatrix} x \\ y \\ z \end{bmatrix} = \begin{bmatrix} 8 \\ -11 \\ -3 \end{bmatrix}. \]行视角：三个平面。第一个方程 \(2x + y - z = 8\) 定义三维空间中的一个平面。三个平面通常交于一个点（如果它们两两相交且不共线），但也有可能共线或互相矛盾。
列视角：三个三维列向量的线性组合。如果这三个列向量不共面（线性无关），它们的线性组合可以充满整个 \(\mathbb{R}^3\)，任意 \(\mathbf{b}\) 都可到达。
两种视角殊途同归：解都是 \(\mathbf{x} = (2, 3, -1)^T\)。读者可以验证：
\[ 2 \begin{bmatrix} 2 \\ -3 \\ -2 \end{bmatrix} + 3 \begin{bmatrix} 1 \\ -1 \\ 1 \end{bmatrix} - 1 \begin{bmatrix} -1 \\ 2 \\ 2 \end{bmatrix} = \begin{bmatrix} 8 \\ -11 \\ -3 \end{bmatrix}. \]当 \(n\) 达到几千（工程中常见的规模），我们既无法画出超平面，也无法在纸上排列列向量。但列视角的逻辑仍然完美成立：
这个观点将在第 6 课"向量空间与子空间"中被严格化。
四个基本子空间的种子。 列空间 \(C(A)\) 是 Strang 课程体系中的"四个基本子空间"之一。另外三个——行空间、零空间、左零空间——将在后续课程中陆续登场。第 1 课只是播下了种子：列空间是所有可能的 \(\mathbf{b}\) 的集合。
问题 1： 列视角 (column picture) 把矩阵方程 \(A\mathbf{x} = \mathbf{b}\) 解释为：
问题 2： 若 \(2\times 2\) 矩阵 \(A\) 的两个列向量恰好共线，则：
问题 3： 对于 \(m\times n\) 矩阵 \(A\)，方程 \(A\mathbf{x} = \mathbf{b}\) 对 任意 \(\mathbf{b} \in \mathbb{R}^m\) 都有解，当且仅当：
问题 4： 在 \(3\times 3\) 方程组的行视角中，每个方程在三维空间中表示一个：
行视角把每条方程看作超平面，解是超平面的交；列视角把方程看作列向量的线性组合。两种视角等价，但列视角可以推广到任意维度和任意形状的矩阵。
所有能作为列向量线性组合到达的 \(\mathbf{b}\) 构成列空间 \(C(A)\)。它是 \(\mathbb{R}^m\) 的子集，决定了方程组何时有解。
当 \(A\) 的列向量线性无关且列空间充满 \(\mathbb{R}^m\) 时，每个 \(\mathbf{b}\) 都可以唯一到达。线性相关导致列空间退化，方程组可能无解或有无穷多解。
第 1 课建立了几何直觉，第 2 课将进入代数操作——消元法 (elimination)，它是求解方程组最古老、最系统的工具。
lecture_slides/lecture_01.pdflecture_summaries/lecture_1_1_summary.pdf