线代入门三节连讲：把 Ax=b 的「能不能解」和列向量的「能不能省」讲明白

线性代数这门课第一次真正卡住人，往往不是「矩阵怎么乘」或「行列式怎么算」，而是这一连串问号：给定 Ax = b，到底有没有解？如果有，解集长什么样？如果把 A 的列向量堆在一起看，它们之间是否有冗余？这三件事其实绑在一根绳上——读者只要把「b 能不能由 A 的列拼出来」「Ax = 0 的解集长什么样」「列向量之间能不能互相替代」这三句话真正内化，后面 §2 维数、§3 秩、§4 特征值都会顺利很多。

这篇专题用三节（Lay 教材 §1.4 / §1.5 / §1.7）的核心把这条绳从头到尾串一遍。读者完全不需要预先接触过矩阵方程与线性无关；只要会做矩阵乘法和向量加法，就能跟上。

第 1 节：Ax 在算什么——把矩阵乘向量拆成「按权重加各列」

很多教材第一次讲 Ax 时，是把它当成「A 的第 i 行和 x 点积」来讲——按行做内积，每一行算出一个分量，结果堆成新向量。这种写法对计算友好，但对几何直觉不友好：它完全没告诉你矩阵乘法的几何含义是什么。Lay §1.4 选了另一条路：把 Ax 看成 A 的各列按 x 的分量作加权和。这种列组合视角，正是后面 §1.5「解集 = 子空间」和 §1.7「列无关性」的入口。

公式写出来是这样：

$$ A \mathbf{x} ;=; \begin{bmatrix}\mathbf{a}_1 & \mathbf{a}_2 & \cdots & \mathbf{a}_n\end{bmatrix} \begin{bmatrix}x_1 \ x_2 \ \vdots \ x_n\end{bmatrix} ;=; x_1 \mathbf{a}_1 + x_2 \mathbf{a}_2 + \cdots + x_n \mathbf{a}_n $$

这里的 a₁, …, aₙ 是 A 的列向量（column vector），x₁, …, xₙ 是 x 的各分量。读法是：把 A 的每一列当作一个「配料」，x 的每个分量当作这个配料的「配比系数」，最后把所有按配比加权后的列加起来，得到结果向量。Ax 有定义当且仅当 A 的列数等于 x 的分量个数——这条是矩阵乘法的基础规则，写错了乘法根本没意义。

光看公式有点抽象，先建一个画面。3Blue1Brown 在《线性代数的本质》第 3 章里给出了一张网格变换图：左边是标准网格和基向量 î、ĵ，中间是同一网格被某个变换斜向拉伸后的样子，原 î、ĵ 落在红、青两个新位置，右边用黄色箭头画出了某个输入向量变换后的像 3b1b-Ch3。

图注：左侧是带标准网格的 2D 平面，黄、绿箭头分别是基向量 î、ĵ。中间是同一网格被某个线性变换斜向拉伸的画面，原本的 î、ĵ 落在红、青箭头所指的两个新位置——这两个落点就是 A 的两列。右侧的黄色输入向量 v = (−1) î + 2 ĵ 变换后落在「(−1) × (î 的新位置) + 2 × (ĵ 的新位置)」，即 A 的两列按 (−1, 2) 作加权和。

读者从这张图能直接读出一件事：矩阵 A 的列，就是基向量变换后的落点。换句话说，只要你记录下 î 和 ĵ 变换后落到哪里，整个变换就被这两个落点完全决定——因为任何输入向量 v = x₁ î + x₂ ĵ 变换后一定落在 x₁ × (î 的新位置) + x₂ × (ĵ 的新位置)。这正是公式 Ax = x₁a₁ + x₂a₂ 的几何含义。把这层画面先建好，再看代数定义就不陌生了。

公式钉死之后，把一个线性组合写成 Ax 就是顺手的事。讲义里 Example 2 是：把 3v₁ − 5v₂ + 7v₃ 写成矩阵乘向量——只要把这三个向量依次排成 A 的三列、把权重 (3, −5, 7) 排成 x，Lay-§1.4 就能写出 Ax = 3v₁ − 5v₂ + 7v₃。这意味着任何向量线性组合都能写成 Ax——这是后面所有「Ax = b 能不能解」的起点：既然任何线性组合都是某个 Ax，那么问「Ax = b 能不能解」就等价于问「b 能不能由 A 的列拼出来」。

到这里，三种写法已经被悄悄绑在一起了：线性方程组（系数 × 未知数 = 常数的多行等式）、向量方程 x₁a₁ + … + xₙaₙ = b（一组系数 × 一组向量 = 目标向量）、矩阵方程 Ax = b（系数矩阵 × 未知向量 = 目标向量）——它们的解集完全相同，只是写法不同。这就是 §1.4 Theorem 3 的内容 Lay-§1.4。

为什么这条等价重要？因为同一个题可以用三种不同的语言来解，而它们最终都靠行化简增广矩阵来求解。初学者可以从任一形式出发解题——可以列方程组，可以写「列的线性组合」，可以直接写 Ax = b——三种写法本质上是同一个题的不同面。看到这一点，后面 §1.5 / §1.7 的所有定义、定理、例题就都是同一条绳的不同章节。

Ax = b 能不能解这个问题，下一节就能答上来。

第 2 节：Ax = b 什么时候有解——b 必须能由 A 的列拼出来

把上一节的「按列加权和」往前推一步就得到这一节的中心命题：Ax = b 有解 ⇔ b 是 A 各列的一个线性组合。

这句话为什么是充要条件？反方向很直白：如果 b = x₁a₁ + … + xₙaₙ，那 x = (x₁, …, xₙ)ᵀ 就是 Ax = b 的一个解（按上一节的列组合定义）。正方向则来自同一节的定义——只要解存在，Ax 必然等于 x₁a₁ + … + xₙaₙ，于是 b 必然被写成这种加权和的形式。两个方向凑在一起，「Ax = b 能不能解」就彻底等价于「b 能不能由 A 的列拼出来」——后者比前者好判别得多。

举一个具体例子。设 A = [[1, 0]; [0, 1]; [1, 1]]（3 行 2 列），它的两列是 a₁ = [1, 0, 1]ᵀ 和 a₂ = [0, 1, 1]ᵀ。这两个列都在 ℝ³ 里，但它们本身只张成一个 2 维的平面（它们是两根线性无关的向量，但放不下第三维）。如果你拿一个 b = [1, 1, 3]ᵀ 出来——它的第三分量是 3，但 x₁ + x₂ = 1 + 0 = 1 或 0 + 1 = 1，任何 x₁a₁ + x₂a₂ 的第三分量都只能是 x₁ + x₂，永远不可能等于 3。所以 Ax = [1, 1, 3]ᵀ 无解——b 不在 A 的列张成里。

把这件事和「列张成」接起来，就能得到 §1.4 Theorem 4 那条「四条互相等价」的定理。对一个给定的 A，下面四句话要么都对，要么都错：

1. 对任意 b ∈ ℝᵐ，Ax = b 都有解；
2. ℝᵐ 中的每个 b 都是 A 列向量的线性组合；
3. A 的列向量张成 ℝᵐ；
4. A 在每一行都有一个 pivot 位置（行化简后每行都有主元）。

这里出现了一个新词：张成（span）。一组向量的「张成」就是把它们的加权和能拼出来的所有向量的集合。a₁ 一根向量张成的是过原点的一条直线；两根不共线的向量张成过原点的一整张平面；三根不共面的向量张成整个三维空间 Lay-§1.4。这套语言的关键直觉：张成的对象一定过原点（把全部系数取 0 永远得到 0 向量），同时张成的对象是「所有可能的加权和」，不是「某一次特定的加权和」。

下面这张图就是「3×3 矩阵的列张成平面」的几何画面。设 A = [a₁ a₂ a₃]，但这三个列碰巧落在同一张平面里——那么它们能拼出来的所有向量也只在这张平面里，绝对拼不出平面之外的向量。

图注：3×3 矩阵的列 a₁, a₂, a₃ 全部落在同一张过原点的浅蓝色平面内（Span{a₁, a₂, a₃}），于是 Ax 能拼出的所有向量都被困在这张平面里。如果 b 在平面之外，Ax = b 就无解——这就是 Theorem 4 「列张成 ℝᵐ ⇔ 任意 b 有解」的几何版本。

如果再把这条等价链翻译成行化简的语言：对所有 b 都有解 ⇔ A 行化简后每一行都有 pivot。一旦哪一行化简后变成全零（比如第三行变 0 = b₁ − b₂ + b₃），那当 b₁ − b₂ + b₃ ≠ 0 时方程就无解；当 b₁ − b₂ + b₃ = 0 时方程有无穷多解（因为那行变成了恒等式 0 = 0，对 x 没有约束）。这正是初学者最容易栽跟头的地方——行化简后出现一行 0 = (非零)，就是无解的明确信号。

Strang 在 MIT 18.06 第 8 讲把这层等价压成了一张表——四种 R 的形态对应四种解的数量 Strang-Lec8。

图注：四种 R 的形态对应四种解的数量。其中 r = m = n（方阵且满秩）→ 每个 b 都有唯一解；r = m < n（矮胖矩阵 / 列数多于行数）→ 自由变量导致无穷多解；r = n < m（高瘦矩阵 / 行数多于列数）→ 不是每个 b 都能解；r < m 且 r < n → 0 或无穷多解。这张表把「列张成」「行有 pivot」「解的数量」三件事钉在同一根绳上。

回到手算层面。讲义里 Page 9 给了一个 2×3 矩阵 A = [[1, 2, −1]; [0, −5, 3]] 乘 x = [4, 3, 7]ᵀ 的例子——按列组合算出来是 [3, 6]ᵀ，按行点积算也是 [3, 6]ᵀ。两种算法结果相同（§1.4 Theorem 5），按列组合更贴近这一节的几何视角，按行点积更适合手算熟练后快速口算。初学者建议两种都练——熟练之后能直接看出哪种更快。

这里有一件初学者容易踩坑的事：Ax = b 有解 ⇔ b 是列组合，但列组合的系数不唯一。同一个 b 可能有多组 x 让 Ax = b 成立——下一节要解决的就是「这些多组 x 之间有什么关系？解集长什么样？」。

到这里读者手里就有了三个工具：「Ax = b 有解 ⇔ b 是列组合」、「列张成 ℝᵐ ⇔ 每行有 pivot」、按列组合算 Ax。下一节要解决的是：如果解不止一个，那解集长什么样。

第 3 节：齐次方程 Ax = 0 的解集——必过原点，是直线或平面

上一节解决的是「能不能解」。这一节解决的是「解集长什么样」。先看一种特殊情况：齐次方程 Ax = 0——右端不是某个具体的 b，而是零向量（homogeneous，齐次的字面意思就是「右端为 0」）。

齐次方程永远有一个解：x = 0，也叫平凡解（trivial solution）。把平凡解塞进上一节的 Ax = x₁a₁ + … + xₙaₙ，左边就是 0 · a₁ + 0 · a₂ + … + 0 · aₙ = 0，自动等于右边的 0。所以齐次方程的解集一定包含原点——这是后面所有几何结论的根。

那什么时候有非平凡解（x ≠ 0 仍是解）？讲义 §1.5 给的判别是：Ax = 0 有非平凡解 ⇔ 至少有一个自由变量。自由变量是行化简之后不带 pivot、可以任取的变量。自由变量的个数决定了解集的形状：

• 0 个自由变量：只有平凡解 x = 0，解集是一个点；
• 1 个自由变量：解集是过原点的一条直线；
• 2 个自由变量：解集是过原点的一整张平面；
• 3 个及更多：解集是更高维的过原点子空间（高维「平面」）。

这个对应关系看起来神奇，但物理上完全自然：1 个自由变量意味着「x 可以沿一个方向任意滑动」，扫出的是一条直线；2 个自由变量意味着「x 可以沿两个独立方向任意滑动」，扫出的是一整张平面；以此类推。

讲义 Page 16 给的例子是

$$ \begin{cases} x_1 - 3x_2 - 2x_3 = 0 \ -5x_1 + 9x_2 + x_3 = 0\end{cases} $$

行化简后基本变量用 x₃ 表示：x₁ = -(5/2)x₃, x₂ = -(3/2)x₃, x₃ 自由。把 x₃ 提出来，通解写成

$$ \mathbf{x} = x_3 \begin{bmatrix}-5/2 \ -3/2 \ 1\end{bmatrix} = t \mathbf{v}, \quad t \in \mathbb{R} $$

这里 v = [-5/2, -3/2, 1]ᵀ 是方向向量，标量 t 取遍所有实数。这个表达式叫参数向量形式（parametric vector form）——和「参数方程」的「参数」是同一个意思：用一个或多个自由参数把通解写成向量的线性组合。几何上，这个解集是过原点的一条直线，正好就是 v 张成的一维子空间 Span{v}。

图注：三维坐标系里有一条蓝色斜线贯穿立方体，原点（标 0）在线上，斜线上一点标 v，线外延伸出 Span{v} 标签。这就是「齐次方程 Ax = 0 的解集 = 一条过原点的直线 = Span{v}」的立体画面，对应一个自由变量的情形。

如果是两个自由变量，解集就该是过原点的一整张平面。3Blue1Brown 在第 7 章里给了一个直观的画面：当一个三维线性变换把整个空间压成一条线时，整张垂直于该线的平面都被映射到原点——被映射到原点的所有向量构成零空间（null space），它的几何形态就是这张平面 3b1b-Ch7。

图注：青色线是 3D 变换把空间压成的「列空间」（一条线）。绿色矩形是垂直于这条线的整张平面——平面上的每一个向量都被映射到原点（红箭头所指）。这张图就是「零空间 = 被映射到原点的所有向量，几何上是一整张过原点平面」的几何直觉，对应两个自由变量的情形。

Georgia Tech 的开源教材《Interactive Linear Algebra》把 2 个自由变量、3 个自由变量两种情形并排放在一张图里 GT-ILA：

图注：左侧是一张 2D 网格，红色 v 与蓝色 w 从同一点出发，共同张成粉框内的 Span{v, w}——这就是两个自由变量对应的「平面」在 2D 视角下的样子。右侧这张图同时提醒：自由变量个数增加只是给出几何上可能存在的维数，并不保证子空间确实有那么大；张成的实际维数还要看向量之间是否线性相关——这张图里的红 v、绿 u、蓝 w 三向量就是线性相关的（caption 明确写「linearly dependent, one vector is in the span of the others」），所以右侧张成的维度并非真正达到 3 个自由变量所暗示的「整个 3D」。

读者把这个画面记住就够：齐次方程 Ax = 0 的解集一定过原点（因为零向量总是解），形状由自由变量个数决定——一个自由变量是一条直线，两个是一张平面，更多就是更高维的子空间。从「过原点」这层性质还能推出一个强结论：齐次方程的解集对加法和数乘封闭——两个齐次解相加、齐次解乘以常数都还是齐次解。这就是「解集 = 子空间」的代数根。

下一节把「右端从 0 换成某个具体的 b」，解集会变成什么样。

第 4 节：非齐次方程 Ax = b 的解集——把过原点的子空间整体平移一个特解

上一节的齐次方程 Ax = 0，解集是过原点的子空间（直线 / 平面）。把右端换成某个具体的 b ≠ 0，非齐次方程 Ax = b 一旦有解，解集就是那个过原点子空间整体平移一个特解 p。

为什么？设 p 是 Ax = b 的一个特解（任何满足方程的解都行），v_h 是 Ax = 0 的任意一个解。那么

$$ A(\mathbf{p} + \mathbf{v}_h) = A\mathbf{p} + A\mathbf{v}_h = \mathbf{b} + \mathbf{0} = \mathbf{b} $$

——这里用了矩阵乘法的两个基本性质：分配律 A(p + v) = Ap + Av、数乘一致性 A(cv) = c(Av)（§1.4 Theorem 5）。所以 p + v_h 也是 Ax = b 的解。反过来，Ax = b 的任何解 w 满足 A(w − p) = b − b = 0，所以 w − p 一定是齐次解——w 必然是 p 加上一个齐次解。这就是 §1.5 Page 25 那个定理：Ax = b 一致（consistent）时，解集是 p + v_h 的集合，其中 v_h 取遍齐次解集 Lay-§1.5。

几何上这就是「把上一节那条过原点的直线 / 平面整体平移到 p 这个位置」——平移过后的对象叫仿射子空间（affine subspace），它平行但不通过原点。一句话总结这一节的几何：齐次解集是过原点的子空间；非齐次解集是过原点子空间整体平移一个特解——前者「过原点」、后者「不过原点」，形态完全一致只是位置不同。

讲义 Page 21 的非齐次例题

$$ A = \begin{bmatrix}3 & 5 \ -4 & -2\end{bmatrix}, \quad \mathbf{b} = \begin{bmatrix}7 \ -10\end{bmatrix} $$

化简后得到 x₁ = −1 + (4/3) x₃, x₂ = 2, x₃ 自由。于是通解写成

$$ \mathbf{x} = \begin{bmatrix}-1 \ 2 \ 0\end{bmatrix} + x_3 \begin{bmatrix}4/3 \ 0 \ 1\end{bmatrix} = \mathbf{p} + t \mathbf{v} $$

这里的 p = [−1, 2, 0]ᵀ 就是特解，v = [4/3, 0, 1]ᵀ 和齐次情形完全一样（因为 A 没变，所以零空间向量也不变）。读者对照上一节齐次例题的 v = [4/3, 0, 1]ᵀ，会发现完全相同——这正是 §1.5 那条定理的几何承诺：平移的是「位置」，不是「方向」。Strang 在 MIT 18.06 第 8 讲把这套写法固化为 x_complete = x_p + x_n（特解 + 零空间向量），并把这一组具体数值写成了可对照的等式 Strang-Lec8：

图注：Strang 写法 x_complete = [−2; 0; 3/2; 0] + c₁ · [−2; 1; 0; 0] + c₂ · [2; 0; −2; 1]，其中第一项是特解 x_p，后两项是零空间的两个特殊解（对应两个自由变量）按任意实数 c₁, c₂ 加权。下方注明「The nullspace of A is a two dimensional subspace of R⁴」——零空间是 ℝ⁴ 中的二维子空间。这与 Lay 写法 x = p + tv（一个自由变量情形）在形式上完全等价。

实际求一组非齐次解的步骤是 §1.5 Page 26 给的四步：(1) 把增广矩阵 [A | b] 行化简到 RREF（reduced row echelon form，简化行阶梯形）；(2) 用出现的自由变量表达每个基本变量；(3) 把一般解 x 写成各分量依赖自由变量的向量；(4) 把 x 分解为「常数值向量」+「若干自由变量作参数的向量」，参数就是自由变量。第 (4) 步最关键——它把通解显式地拆成「特解 + 齐次通解」，几何上就是「位置 + 方向」。

这里有一个初学者很容易忽视的反直觉点：特解 p 不唯一——任何一个解都可以被选作特解，剩下的解都能用「p + 齐次通解」描述。所以「特解 + 齐次通解」这个写法里，特解是「任选一个」，齐次通解是「确定的」。把特解选成不同的具体解，只是把整个仿射子空间「贴到」不同的位置，描述的还是同一个集合。

这一节和上一节合在一起，读者手里就有了一根完整的链条：齐次解集是过原点的子空间；非齐次解集是它平移一个特解。下一节要追问的是：A 的列向量堆在一起时，它们之间有没有冗余？

第 5 节：列向量之间是否「多余」——线性无关的形式定义与三条快速判别

前面的章节里已经反复出现「列向量之间的冗余」这条暗线——第 2 节问「列能不能拼出 b」、第 3 节问「齐次解集长什么样」、第 4 节问「非齐次解集是不是把齐次解集平移一下」，每一节背后都藏着「A 的列向量之间到底是什么关系」这件事。这一节把它讲透。

直觉上一组向量「线性无关」就是说：集合里没有任何一个向量是其他向量的「配比组合」能拼出来的——也就是没有冗余成员。换句话说，每个向量都为「拼出新方向」贡献了自己的那一份；少了任何一个，张成的子空间就会变小。线性相关则反过来——至少有一个向量是多余的，能被其他向量拼出来。

§1.7 Page 28 给的形式定义是：

ℝⁿ 中的一个下标向量组 {v₁, …, vₚ} 称为线性无关，如果向量方程 $$x_1 \mathbf{v}_1 + x_2 \mathbf{v}_2 + \cdots + x_p \mathbf{v}_p = \mathbf{0}$$ 只有平凡解（所有 xᵢ = 0）。否则称为**线性相关**，亦即存在**不全为零**的权重 c₁, …, cₚ使得c₁v₁ + … + cₚvₚ = 0` Lay-§1.7。

读这条定义的关键是「不全为零的权重」这几个字。线性相关意味着存在一组「非零权重」能把所有向量配比加出零向量——这条非零权重本身就是一个「多余」的证据：只要把这些权重反过来看，c_j v_j = −(c₁ v₁ + … + c_{j-1} v_{j-1})——v_j 就是前几个向量的线性组合，于是 v_j 是冗余的。

把这个定义与前几节对接的关键命题是：矩阵 A = [a₁ … aₙ] 的列线性无关 ⇔ Ax = 0 只有平凡解。这是 §1.7 Page 33 那条等价条件的简化版 Lay-§1.7——它把第 5 章的「线性无关」和第 3 章的「齐次解集」用同一句 Ax = 0 桥接起来。读者从这条桥就能直接推出一件非常重要的事：列无关 ⇒ Ax = 0 只有平凡解 ⇒ 零空间里只有 0 向量 ⇒ Ax = b 对每个 b 至多 1 个解——这是把第 2 / 3 / 4 节的话题一次性收拢。

实操中，初学者不需要每次都去解 Ax = 0，三条快速结论就能搞定大部分判别：

结论 (a)：A 的列线性无关 ⇔ Ax = 0 只有平凡解 ⇔ A 的每列都有 pivot。这是 Page 33 的等价链的算法化版本——把 A 行化简，看每个列向量是否带 pivot，全部带 pivot 即列无关 GT-ILA。

结论 (b)：如果一个集合里向量的个数 p 大于每个向量的分量个数 n（即 p > n），那么该集合必然线性相关**。这是 §1.7 Page 37 的定理。直觉上：把 p 个 n 维向量排成 n × p 矩阵 A，Ax = 0 是 n 个方程 p 个未知数，p > n 时必有自由变量，从而必有非平凡解 Lay-§1.7。

下面这张图把这条定理拍成几何画面：

图注：ℝ³ 中从同一原点出发的 4 个彩色向量（红 v、浅蓝 w、绿 u、橙 x）。即使你任意转动这 4 个向量，至少有一个必然会落在其他三个张成的 span 之外——所以 4 个 ℝ³ 向量必然线性相关。但图中特意标出「u is not contained in Span{v, w, x}」：u 虽然是「多余」的那个，但它自己并不在已有 span 里。换句话说，「线性相关」只要求至少有一个向量被其他向量拼出来，不要求每一个都满足——初学者最容易误解成「每个向量都能被其他向量拼出来」，但其实只需要「至少一个」。

结论 (c)：如果集合里含零向量，则该集合必然线性相关**。这是 §1.7 Page 38 的定理。证明很简单：设 v₁ = 0，则 1 · v₁ + 0 · v₂ + … + 0 · vₚ = 0，首项系数非零——这就是一个「不全为零」的线性相关关系 Lay-§1.7。

这三条结论其实是一张判别 checklist：

• 含零向量？→ 直接判相关；
• p > n？→ 直接判相关；
• 否则把 A 行化简看每列是否带 pivot → 全带 pivot 判无关，否则相关。

最后再补一条常被忽视的刻画定理（§1.7 Page 35）：「集合线性相关 ⇔ 至少一个向量是其余向量的线性组合」——这是和形式定义完全等价的另一种说法，对几何直觉更友好。从这条出发还可以推出一个对后续章节有用的推论：「线性相关集合去掉那个冗余向量，span 不变」——删除冗余不损失任何张成能力，反过来**「线性无关集合去掉任何一项，span 一定变小」**。

到这里读者手里就有了完整的判别工具。但还有一个自然的问题：这一节说的「列无关」和前面两节的「解集结构」之间，到底是什么关系？下一节把这件事串成一根绳。

第 6 节：把三件事串成一条线——Ax = b、解集结构与列无关性的一张总图

把前面四节的核心命题用四句话收在一起：

(a) Ax = b 是否一致（即有没有解）⇔ b 是否在 A 的列张成里； (b) Ax = 0 的解集 = 零空间 = 过原点的子空间（直线 / 平面 / 更高维）； (c) Ax = b 一致时的解集 = 零空间整体平移一个特解 p； (d) A 的列线性无关 ⇔ Ax = 0 只有平凡解 ⇔ 零空间里只有原点 {0}。

这四句话之间用 Ax = 0 这同一个方程串起来：(a) 问的是 Ax = b 能不能解，(b) (c) 问的是解集长什么样，(d) 问的是「零空间是不是只有 0」。其中 (a) 与「列张成」接 (d) 与「列无关」刚好互补——列张成 ℝᵐ 时任意 b 都有解，对应「列张成覆盖目标空间」；列无关时零空间只有 0，对应「解集最多一个点」。

把这根绳用一张图直观地展示出来：

图注:Ax=b 的三个子问题:列张成、解集结构、列无关,在零空间上互补收束

读者拿到这张图后可以把它带在身上做对照。再看一次第 2 节那张「4 种 R 的形态对应 4 种解的数量」总结表，会发现这张表其实就是上面 (a)(b)(c)(d) 在「行化简后 R 的形态」上的投影——Strang 用这张表把四件事压成了一个全局视角。

最后再回到开头那个驱动问题：「给定 A 和 b，能不能解？解集长什么样？A 的列是否冗余？」答案已经在手里：

• 能不能解——看 b 在不在 Span{a₁, …, aₙ} 里，等价于看 R 化简后是否每行都有 pivot；
• 解集长什么样——如果解齐次 Ax = 0，解集是过原点的子空间（自由变量个数 = 子空间维数）；如果解非齐次 Ax = b，解集是这个子空间整体平移一个特解 p；
• 列是否冗余——把 A 行化简看每列是否带 pivot；或者直接套三条快速结论（含零、p > n、其余靠化简）。

把这三句话真正内化，§1.4 / §1.5 / §1.7 这一轮三件事就完整串成了。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. Lay《Linear Algebra and Its Applications》5/e — §1.4 / §1.5 / §1.7 — Pearson pageplace 公开预览 PDF
2. 3Blue1Brown《Essence of Linear Algebra》Ch.3 Linear transformations and matrices — 3blue1brown.com lesson page
3. 3Blue1Brown《Essence of Linear Algebra》Ch.7 Inverse matrices, column space, and null space — 3blue1brown.com lesson page
4. MIT 18.06 Linear Algebra — Lecture 8 "Solving Ax = b: row reduced form R" — MIT OCW 资源页
5. MIT 18.06SC Session 1.8 Recap (Heidi Burgiel) — OCW recap PDF
6. Georgia Tech《Interactive Linear Algebra》§1.3 / §2.4 / §2.5 (Margalit & Rabinoff) — textbooks.math.gatech.edu/ila · Solution Sets · Linear Independence