向量乘法那点事儿 咱先说结论，向量乘法这事儿，和初中物理那搞“力矩”要么“功”有点像，但算得深得多。你不用背死啥“内积”要么“外积”，人脑里有个粗糙的直觉就够了：本质就是看两个向量“撞在一起”时，到底把对方给砸晕了没？
要么干脆就看看它们能拼出一多大的“影子”来。 这就好比你在搬一堆货，手里拿着一把秤砣（向量 B），你想知道它在这个平面上的投影有多重。
要是它们俩平行，那就直接相乘，大小乘大小。
要是垂直，那效果就是相乘之后再乘 $frac{sqrt{2}}{2}$，也就是 $1/2$ 倍。
要是斜着，那得用那个叫“点积”的公式，算出来个标量，代表它们共同功能的“影子长度”。
反过来想，向量 A 作为基底，去“抓”向量 B 在啥方向上，拿到的那个数值，就是向量 A 和 B 的“点积”。它是个标量，是个纯数字，不讲方向，只讲数量。 为啥非得用这个纯数字？出于有时候我们需求知道两个东西“互相拉扯”要么“互相推挤”的劲儿有多猛，而不是非得盯着它们的方向比玫瑰园。
比方说，你力气大，同学力气小，但要是你俩都朝同一个方向猛地冲撞，那场面挺壮观，碰撞的总能量大家都得尝尝滋味。
要是是你东一推，他西一挡，那碰撞的能量就少了一半。点积就是那个“碰撞总能量”的度量衡。 公式长得挺好办，但拆开来全是门道。$vec{a} cdot vec{b} = |vec{a}| |vec{b}| costheta$。读起来有点绕，实际上意思就是“向量 A 的长度 乘以 向量 B 的长度 再乘以 它们夹角余弦值”。
那个 $costheta$ 是灵魂，它把两个向量从“面对面”变成“背对背”要么“没夹角”的过程给量化了。 举个例子，画个图可能更直观。假设有两个力，$vec{F_1}$ 和 $vec{F_2}$。
要是它们合力，那个合力的大小等于 $sqrt{F_1^2 + F_2^2 + 2F_1F_2costheta}$。
这时候你肯定见过这种公式，对吧？你看，$2f_1f_2costheta$ 这一项，实际上就是点积的 $vec{F_1} cdot vec{F_2}$。
要是两力都是 10N，夹角 60 度，那它们的点积就是 $10 times 10 times 0.5 = 50$。
要是夹角是 180 度（彻底反之），那就是 $10 times 10 times (-1) = -100$。正负号直接把“同向”和“反向”给分清楚了。 再举个更接地气的例子，比如打游戏里的走步走。你走一步，往左一格，这是向量 $vec{a} = (-1, 0)$。我接着走一步，往右一格，这是向量 $vec{b} = (1, 0)$。
这时候它们的点积就是 $(-1) times 1 + 0 times 0 = -1$。啥意思？啥意思？好家伙，一左一右，你俩撞在一起，不仅没把对方撞飞，反而出于方向反之，抵消了一半的效果。
要是你们俩都往一起走，比如 $vec{a}=(1,0), vec{b}=(1,0)$，点积就是 $1$，那效果是 $100%$ 的叠加。
这种“配合默契”要么“互相抵消”的感觉，点积就一次性把数学味儿给冲淡了，直接告诉你“这两个向量合起来能变出多少正能量”。 有时候大家会问，为啥不用更复杂的矩阵乘法？这个得看应用场景。矩阵乘法一般是“线性变换”，一个向量经过某个规则的变形变成另一个向量。
比如旋转矩阵要么缩放矩阵，这时候用矩阵乘法最顺理成章。但要是是两个向量直接“点”到一块去算个标量，那用矩阵乘法就有点“杀鸡用牛刀”的尴尬。我们日常说的“向量乘法”，绝大多数情况下指的就是这种内积，也就是点积。 说到这儿，你可能认定它只是个公式，没啥实际意义。
实际上它的应用无处不在。在计算机图形学里，渲染那堆 3D 模型，所有坐标都是向量，点积拍板了光照如何照，阴影如何投。在机器学习里，训练算法的时候，损失函数里全是内积运算，用来衡量模型猜对和错的程度。在Physics 里，能量守恒定律、动量守恒，那些标量形式，底层都是点积在捣鬼。 自然，这个公式也不是全能的神。它不能告诉你旋转了多少度，也不能告诉你运动了多远。
要是你只知道两个向量的点积，你猜不到它们各自的方向。
不过，这正好说明它智慧在哪儿。它只负责算出“关系”，至于具体的“位置”，还得靠其他几何知识去补。 最终总结一下，向量乘法（点积）就是两个向量的“面对面握手”。握手的时候，握得越紧（夹角越小，余弦值越大），握手力度越大；握得越松（夹角越大，就连反向），握手力度就越小，就连可能变成负数，代表互相排斥。它把向量这种复杂的几何对象，强行压扁成好办的数字，让我们能省事地算出它们之间的“相互功本事”。
不用纠结那些复杂的符号定义，只要记住：点积就是两个向量在同一个方向上“重叠”的程度，乘起来就是那个“重叠的能量”。
这就够了。
