矩阵乘法这事儿，本质上是把两个矩阵拼成一个更大的矩阵。你没错，我是专家，但咱不整那些虚头巴脑的教科书定义。 先说个最直观的例子。乘积矩阵 $AB$ 的长度是 $m times n$，而 $BA$ 的长度是 $p times q$。
要不就 $m = p$ 且 $n = q$，否则这两个矩阵压根就长得不一样，自然没法做比较。
这就是最硬的法理，没得扯。
要是非要说 $A$ 和 $B$ 是有“好关系”，那一般是出于它们各自叠在流形上，底维数 $p$ 和 $m$ 相等，也就是 $B$ 的外维数等于 $A$ 的列数。
这时候 $B$ 的列空间正好能铺满 $A$ 的像空间。
这时候 $A$ 和 $B$ 就能够互相左乘，要么 $AB$ 和 $BA$ 才有意义。 这实际上是个关于“空间匹配”的难题。矩阵乘法是线性的，但它不是结合的。
你看 $ABC$ 和 $ABCA$，要不就 $A$ 是幂等算子，否则往往不同。
大多数时候，只有当 $AB = BA$ 时，顺序才无所谓。
这种“互逆”的感觉，在数论里叫正则环（Regular ring），但在矩阵世界里，往往是出于它们共享同一个特征子空间。
比如一个 $2 times 2$ 的旋转矩阵，再跟一个与之相关的对称矩阵相乘，往往能拿到 $AB=BA$，出于它们在旋转轴上的投影是共线的。 再换个角度想，要是 $AB=BA$，那它们的特征值顺序就会乱套。
一般的矩阵，$AB$ 的谱不一定等于 $lambda(A)lambda(B)$。
只有当 $AB=BA$ 时，它们的特征值才能按顺序排列，并且每个特征值起码对应一个公共特征向量。
这时候，$A$ 和 $B$ 实际上能够看作是在同一个基底下被“重新排序”的。
这就好比你在同一张桌子上放了两排书，要是两排书能互相摊平，那你就能按不同顺序读。
要是它们只能单独摊平，那顺序就定了。 至于如何算，实际上没啥玄学。
要是你会高斯消元，那这就是单纯的行变换。
要是你懂图论，那这就是图扩满难题。核心就在 $AB$ 和 $BA$ 解方程组的时候，变量消元的过程是一样的，只是列标换了。 不过，这种“相等”实际上挺苛刻的。
大多数情况下，$AB neq BA$。举个具体的例子：取 $A = begin{pmatrix} 0 & 1 \ 0 & 0 end{pmatrix}$，这是一个上三角的幂等矩阵。让 $B = begin{pmatrix} 1 & 0 \ 0 & 0 end{pmatrix}$，这是投影矩阵。算一下 $AB = begin{pmatrix} 0 & 0 \ 0 & 0 end{pmatrix}$，而 $BA = begin{pmatrix} 0 & 1 \ 0 & 0 end{pmatrix}$。
你看，彻底不一样。
这说明啥？说明乘积的顺序拍板了变形的程度。$AB$ 把 $A$ 的“上推”功能先做，$BA$ 先做 $B$ 的“下切”。 那啥时候能相等呢？比如两个抵制角矩阵，要么共�归零矩阵。
像 $A = begin{pmatrix} 0 & alpha \ 0 & 0 end{pmatrix}$，$B = begin{pmatrix} 0 & 0 \ beta & 0 end{pmatrix}$。算一下 $AB$，结局全是零，那就是零矩阵。而 $BA$ 也是零矩阵。
这时候它们就“锁死”在一起了，互不干扰。
要么更极端一点，要是 $A$ 和 $B$ 都在同一个特征向量空间里，且互相对称，那它们就能够换。 实际上理解这个，得回到线性映射本身。矩阵乘法本质上就是算子复合。算子 $T_1$ 和 $T_2$ 复合成 $T_1 circ T_2$。在有限维空间中，要是这两个算子共享同一个核（Kernel）要么相同的主特征方向，它们就能换。
这就好比两个游泳的人，一个从北岸出发去南，另一个从南岸出发去北，要是他们的泳姿彻底对称，且出发点在中间，他们换顺序后到达终点的工夫差为零。
这不是巧合，这是对称性的具象化。 自然，这也意味着 $AB=BA$ 只是充分条件。它是充分但不必要的。
比如两个知足特定结构的矩阵。而在一般情况，$AB neq BA$。
这就构成了非换代数结构的基础。 最终总结一下，矩阵乘法换，实际上就是两个矩阵在“空间兼容性”上达到了某种对称。
要么维度匹配害得空间重叠，要么结构对称害得特征向量对齐。一旦空间错位，顺序就拍板了结局的差异。
这不是数学的偷懒，是几何约束下的必然。
故此，下次做矩阵题，别急着展开那些繁琐的公式，先看看它们能不能“互看”，能，就放心算；不能，就得换种思路。
毕竟，$AB=BA$ 忒罕见，大局部时候，顺序就是答案。


相关标签：