第 9 章：谱定理的代数路线：先从特征方程找一个实方向

返回目录

确实。实对称矩阵谱定理中，通过单位球面上二次型的最大值来构造特征向量，属于一种相当巧妙的证明方法。第一次接触时，很难想到为什么要突然研究：

实际上，完全可以不用这个构造，而是从特征值的定义直接证明实对称矩阵存在实特征向量。 我觉得这个证明更符合你目前对线性代数的理解。

一、一种更直接的证明：从特征方程出发

设 是 实对称矩阵：

我们知道特征值满足：

左边是一个关于 的 次多项式。

根据代数基本定理（Fundamental Theorem of Algebra），任意非常数复系数多项式至少有一个复数根。

因此，一定存在：

使得：

于是存在非零复向量 ，满足：

到目前为止，我们还不知道 是否为实数。

关键：利用 A 的对称性

在等式左边乘以 ：

这里 表示共轭转置（Conjugate Transpose）。

于是：

注意：

是一个正实数。

另一方面，因为 是实对称矩阵，所以 。

因此：

一个复数等于自己的共轭，意味着它是实数。

所以分子、分母都是实数，最终：

我们直接证明了：实对称矩阵的特征值一定是实数。

而且由于 和 都是实的，如果原来的复特征向量写成 ，那么：

其中至少一个是非零实向量，所以一定能找到实特征向量。

这样，第一个特征向量就找到了，根本不需要构造单位球面上的极值。

接下来完全沿用你已经理解的思路：

这同样是谱定理的完整证明路线。

---

二、那么数学家为什么还要构造那个二次型？

因为那个构造不是毫无来由的。我们可以反过来推导它。

假设已经有一个单位特征向量：

等式两边左乘 ：

所以：

这提示我们：特征值与二次型 存在联系。

那么，自然可以尝试一个逆向问题：

如果我在所有单位向量中，寻找使 最大的向量，它会不会恰好是某个特征向量？

这个问题可以通过拉格朗日乘数法来解决。

我们要求：

约束为：

构造拉格朗日函数：

对 求梯度：

在约束极值点，满足：

也就是：

你看，特征值方程竟然直接从约束极值条件中出现了！

现在再加上单位球面紧致、二次型连续，就能够保证这样的极值点一定存在。

于是就自然产生了你之前看到的那个证明。

三、两种证明的区别

	代数证明	极值构造证明
起点	特征方程	二次型
关键理论	代数基本定理	紧致性、极值定理
主要技巧	利用对称性证明特征值为实数	极值点满足特征值方程
额外收获	证明特征值的实数性质	联系特征值与优化问题

这两种证明都依赖更深层的数学结论，并不是其中一种完全不需要前提。

我认为这里最有意思的是：特征向量和函数极值，看似来自完全不同的数学领域，却通过二次型和约束优化联系在了一起。

而且这恰好与你正在学习的 Transformer 有关系。神经网络优化中，我们研究 Hessian 的特征值，本质上也在分析损失函数沿不同方向的二阶变化率。

所以，之前那个证明虽然精巧，但不是孤立的数学技巧，而是线性代数与最优化理论之间一个很深刻的联系。

补充：这条路线完成了什么

代数基本定理先给的是复根，非零核向量也先在复空间中取得。对称性再保证 实，并从复向量的实部、虚部里找到非零实特征向量；不能在这一步之前预设所有根都是实数。

本章只要找到一个实特征向量，就能接入下一章的正交补归纳。共轭转置证明也直接表明任意复特征值都是实数。代数基本定理在此明确作为已有基础，不用“谱定理保证实根”来证明谱定理。