有时候在打杂要么做数学题的时候，脑子里蹦出来的东西和教科书上那些死板、平铺直叙的公式彻底不一样。我们一般一听到“求逆矩阵”要么“求伴随矩阵”，脑海里立马就会浮现出一堆连词堆砌的废话：“起初，计算行列式；接着，转置 cofactor；最终，除以行列式值。”这听起来多无趣啊。
实际上，真正在矩阵世界里，它们只是对偶存有的关系，就像左手和右手的关系，别看位置不同，但功能彻底一致。 说到求逆矩阵，我忒心知肚明白，那不就是把行列式拿出来除以 A_{11} 吗？这忒傻眼了。我当年笨手笨脚的时候，也如此干，结局碰见对角线是 0 的矩阵就傻眼了。
后来才领悟过来，实际上它只是伴随矩阵除以 A_{11} 的变体。但真正的奥秘在哪？
难道是把每行每列加起来凑成 1 吗？
要么是对角线元素乘以符号？不，那是真正的逆运算，不是伴随的。 为了搞清楚，我得先拿个具体的例子。假设有个二阶矩阵 A，我看了一眼行列式的值，发现它是个小数。
这玩意儿不好算，把几又四分之三给丢回盒子里，先把那几归零，再把四分之三拼回去，最终剩下一堆乱七八糟的分数。
这时候就得去算伴随矩阵了。伴随矩阵 A^ 的构造方式，就是每行每列的代数余子式，也就是交叉点的符号乘积。A_{11}=3, A_{12}=4, A_{21}=-2, A_{22}=5。行列式 D=3×5 - 4×(-2)=19。
这时候别急，得先把这些余子式加起来。A_{11}=-1，A_{12}=1，A_{21}=-1，A_{22}=1。把它们按顺序排一下，拿到 (-1, 1, -1, 1)。
这时候，要是硬要除以 A_{11}=3，那结局就是 (-1/3, 1/3, -1/3, 1/3)。但这明显不对啊，出于要是是二阶矩阵，结局得是个数，不是如此长的向量。
这说明啥？说明伴随矩阵和逆矩阵在二阶时候确实挺像，但本质上还是归于伴随矩阵的不同表现形式。 为啥二阶矩阵会有那么隐蔽的重复？出于当矩阵阶数低于 3 时，它退化成了一种特殊的结构。
这时候，伴随矩阵本质上就是那个转置后的稠密矩阵。转置实际上就是换行换列，也就是把行列式里的符号和数值都往里挪一挪。
这时候，行列式的值就藏在了矩阵的交叉点上。
要是算出来一个非零的数，那就是伴随矩阵的“灵魂”。
这时候，求逆的过程就是把这个灵魂拿出来，除以那个非零数。 我最近玩 Python 写代码的时候，用 numpy 库写了一个小函数来验证这个逻辑。输入是个 2x2 的矩阵，比如 [[1, 2], [3, 4]]。我算它的行列式，结局是 -2。
接着算每个元素的代数余子式，转置后拿到 [[4, -3], [2, -1]]。
这时候要是硬除以 -2，结局就是 [[-2, 1.5], [-1, 0.5]]。但这肯定不是逆矩阵啊。逆矩阵应当是 [[-1/2, -1.5], [1, -0.5]]。啊！原来如此，当行列式是整数的时候，伴随矩阵除以它的值，结局就是我们要找的逆矩阵。但要是行列式是分数，像刚刚那个例子，伴随矩阵除以它的值，结局里就会出现小数了。
这就像把一块石头切成两半，一半是整数，一半是小数，这彻底符合数学逻辑。 再想想，这种结构在啥情况下最明显？就是当矩阵是对角矩阵的时候。
这时候所有元素都在对角线上，非对角线全是 0。行列式就是所有对角线上元素的乘积。伴随矩阵呢？它的所有非对角线元素都是 1，对角线元素全是 -1，除了对角线元素是原矩阵对角线的反之数。
这时候，把伴随矩阵除以行列式，非对角线上的 1 除以那个乘积，结局就是那个分数；而对角线上的 -1 除以那个乘积，结局就是那个倒数。
这个过程忒清楚了，不像教科书里那些只有符号和公式的描述。 我有时候会特别关切那种行列式为 0 的矩阵。
这时候伴随矩阵就会变得挺特殊。
要是原矩阵的行列式是 0，那伴随矩阵要么是 0 矩阵，要么是秩为 1 要么秩为 2 的矩阵。
这彻底取决于原矩阵的结构。
比方说，要是原矩阵是对角矩阵，且对角线元素中有个为 0，那么伴随矩阵的非对角线局部就会变成 0，只剩下对角线局部有值。
这时候，求逆矩阵就直接变成了求伴随矩阵的 0 矩阵。
这简直就是一场视觉上的魔术，把矩阵“炸”成了一个小方块。 实际上，所谓的伴随矩阵求逆，只是对偶运算的一种特殊应用。它不是去把矩阵“换”成别的，而是利用行列式作为“标量”这把尺子，去衡量伴随矩阵的“长度”和“方向”。当矩阵可逆时，它就是一个标准的线性变换；当矩阵不可逆时，它就是一个奇异点。
这种奇异点，用伴随矩阵的奇异值就能完美解释掉。 最终，我不说教了，直接上结论。求逆矩阵，看行列式，非零除行列式。求伴随矩阵，转置代数的余子式。
这好办明白，不要往心里去。
不要试图去证明每一条定理，也不要堆砌那些“起初、其次”的废话。真正的数学之美，往往藏在那些看似繁琐的计算背后。当你看到那些陌生的公式和符号时，试着去理解它们之间的内在联系，去想象它们在矩阵世界里的动态变化。
这比死记硬背要有趣多了。
毕竟，数学不是为了被记住，而是为了让思维在那些看不见的地方跳舞。
