想象一下，你手里有一台极其精密的测量仪器，它只能读取某个空间里向量在特定方向上的投影长度。如果你把这个向量看作一个“物体”，那么这台仪器本身就是一种对该物体进行“观测”的手段。
对偶空间（Dual Space）的本质动机，其实就是将“观测”本身也对象化。
我们可以完全类似地，考虑函数的线性，考虑映射的线性。
线性泛函
在域 $K$上的线性空间$V$中，若映射$f: V \to K$ 满足以下线性条件：
- 可加性： $f(\alpha + \beta) = f(\alpha) + f(\beta)$- 齐次性：$f(k\alpha) = kf(\alpha)$对于任意$\alpha, \beta \in V$及$k \in K$，则称 $f$为$V$ 上的线性泛函（Linear Functional）。
所谓泛函，也就是函数的函数。
函数（Function）： 输入是一个数（或一组数），输出是一个数。比如 $f(x) = x^2$。
泛函（Functional）： 输入是一个函数（即某种空间里的对象），输出是一个数。
如果把“函数”看作是向量空间里的一个“点”（向量），那么“泛函”就是定义在这个向量空间上的一个“实值函数”。
既然有了所谓线性泛函，自然就想到能否类似地延续向量的那一套研究逻辑，去考虑他们构成的线性空间。
对偶空间
对偶空间的定义
运算定义： 线性泛函之间可以进行加法和标量乘法运算：
- $(f+g)(\alpha) := f(\alpha) + g(\alpha)$-$(kf)(\alpha) := kf(\alpha)$- 空间构成： 所有定义在$V$上的线性泛函在上述运算下构成一个新的$K$-线性空间，称为 $V$的对偶空间，记作$V^*$或$\text{Hom}(V, K)$。
典型实例
矩阵空间： 对于 $n$阶矩阵空间$M_n(K)$，迹函数（trace）是一个经典的线性泛函：$\text{tr}: A \mapsto \text{tr}(A)$。此外，提取矩阵分量的映射 $t_{ij}: A \mapsto a_{ij}$ 也是线性泛函。
函数空间： 对于连续函数空间 $C[a, b]$，积分运算提供了一种线性泛函：$f \mapsto \int_a^b f(x)g(x)dx$（其中 $g(x)$ 是固定的函数）。
有了空间，自然就会去思考如何表示整个空间，一如向量空间，我们考虑选基底。如何选取好呢，应该充分利用线性，同时又最好让基底很简单，就像一个单位矩阵那样。
对偶基（Dual Basis）的构造
理想的情况是，在给定基 ${\alpha_1, \dots, \alpha_n}$的情况下，任何线性泛函$f$都可以唯一地表示为对偶基${\alpha_1^, \dots, \alpha_n^}$ 的线性组合：
$$ f = \sum_{i=1}^n c_i \alpha_i^* $$
我们拿 $f$去作用一个$\alpha=\sum c_i\alpha_i$ ，那么利用线性：
$$ f(\alpha)=\sum c_if(\alpha_i) $$
那么归根结底，我们只需要 $f(\alpha_i)$，这$n$个值通过原空间的系数相组合，就能够得到$f$作用的结果，换言之，线性泛函的值由其在基向量上的取值唯一确定。但这些是数，我们需要的是对偶空间的元素——线性泛函。那么问题就是，我们如何抽象出提取$c_i$这件事，好让我们的$f$能够一般地写出，而不必依赖一个特定向量$\alpha$ 。回忆向量空间，如果有一组标准正交基，那么我们做内积就能得到对应系数，但是对偶空间没这么麻烦，我们直接定义一个这样的泛函就好了：
对于有限维线性空间 $V$，选定一组基 ${\alpha_1, \dots, \alpha_n}$后，在$V^$中会对应产生一组*对偶基${\alpha_1^, \dots, \alpha_n^}$。
- 对偶基定义： 对偶基满足以下克罗内克积（Kronecker delta）性质：
$$ \alpha_i^*(\alpha_j) = \delta_{ij} = \begin{cases} 1, & i=j \\ 0, & i \neq j \end{cases} $$
这意味着 $\alpha_i^*$的作用如同一个“选择器”，当输入是第$j$个基向量时，仅在$i=j$ 时输出 1，其余情况输出 0。
选定一组基，自动就产生这 $n$ 个对偶基。那么我们可以看似画蛇添足地写出：
$$ \alpha = \sum_{j=1}^n \alpha_j^*(\alpha) \alpha_j $$
这里的对偶基就相当于在提取系数，而这个过程则可以得到抽象，我们可以扔掉 $\alpha$对应的系数而写出$f$ 的表达：
$$ f = \sum_{j=1}^n f(\alpha_j) \alpha_j^* $$
无关性
对偶基 ${\alpha_1^, \dots, \alpha_n^}$不仅是$V^*$ 的一组生成元，而且是线性无关的：
- 若 $\sum k_i \alpha_i^* = 0$，将此等式作用于任意基向量 $\alpha_i$：
$$ \left(\sum k_j \alpha_j^*\right)(\alpha_i) = \sum k_j \delta_{ji} = k_i = 0 $$
- 因此，所有系数 $k_i$必须为 0，这证明了它们构成$V^$的一组基。这也直接推导出：*若$V$是$n$维的，则$V^$也是$n$ 维的*。
同构（Isomorphism）的微妙之处
有限维情况： 由于 $\dim(V) = \dim(V^) = n$，空间 $V$与$V^$ 是同构的 ($V \cong V^*$)。
非自然性（Not Natural）： 虽然它们同构，但这种同构依赖于你选取的基底。一旦你换了一组基，原本的映射关系就会改变。因此，这种同构不是“自然”的（即不存在不依赖基底的统一同构映射）。
无限维情况： 对于无限维空间，$V$与$V^$ 通常*不同构（对偶空间的维度往往比原空间更大）。
既然我们有坐标，为什么还要绕到 $V^*$ 里去？
动机在于：我们要研究的是“变换”，而不是“位置”。
当我们在原空间 $V$做了一个线性变换$A$（比如旋转、拉伸），原空间里的向量位置变了。但这个变换也会改变我们测量事物的“标准”。当你从基 ${\alpha}$变到基${\beta}$，坐标会变。为了保持物理意义（例如，我测量的总能量不能因为我换了个坐标系就变了），我的测量工具 $\alpha^*$ 必须以一种“反向”的补偿方式（即逆矩阵或转置矩阵）进行调整。
对偶基的变换
在有限维线性空间 $V$中，当我们改变原空间的基时，对偶空间$V^*$ 中的对偶基会如何随之改变？
定理（对偶基的变化规律）
设有限维线性空间 $V$从一组基$\alpha_1, \dots, \alpha_n$到另一组基$\beta_1, \dots, \beta_n$的过渡矩阵为$U$，即：
$$ (\beta_1 \ \dots \ \beta_n) = (\alpha_1 \ \dots \ \alpha_n) U $$
则以上两组基在 $V^$中的对偶基$\alpha_1^, \dots, \alpha_n^$与$\beta_1^, \dots, \beta_n^*$ 具有如下反变关系：
$$ (\beta_1^* \ \dots \ \beta_n^*) = (\alpha_1^* \ \dots \ \alpha_n^*) (U^T)^{-1} $$
感性分析
为了维持这种“输入特定基向量就精准输出 1 或 0”的选择器功能，当原空间的基向量通过 $U$ 进行了线性组合（变得更加稠密或稀疏）时，对偶空间的泛函必须进行相反方向的补偿演化。这种几何上的“反变”（Contravariant）特性，在代数上的体现就是转置的逆。
规范化证明
我们会运用算两次的思想。
设 $\alpha_1^, \dots, \alpha_n^$到$\beta_1^, \dots, \beta_n^$的过渡矩阵为$B$，即：
$$ (\alpha_1^* \ \dots \ \alpha_n^*) = (\beta_1^* \ \dots \ \beta_n^*) B $$
我们的目标是求出 $B$与$U$的关系。令$B = [b_{ij}]$，$U = [u_{ij}]$。根据矩阵乘法的展开：
泛函的表示：$\alpha_j^* = \sum_{k=1}^n b_{kj} \beta_k^*$
向量的表示：$\beta_i = \sum_{m=1}^n u_{mi} \alpha_m$现在，我们让泛函$\alpha_j^*$作用于向量$\beta_i$来得到$u_{ji}$，这利用对偶基的性质是显然的，那么我们可以看看这是否会得到$u$ 的性质：
- 视角一（利用 $\beta$ 组的对偶性质）：
$$ \alpha_j^*(\beta_i) = \left( \sum_{k=1}^n b_{kj} \beta_k^* \right) (\beta_i) = \sum_{k=1}^n b_{kj} \beta_k^*(\beta_i) $$
因为 $\beta_k^*(\beta_i) = \delta_{ki}$，所以上式中只有 $k=i$ 的项存活下来：
$$ \alpha_j^*(\beta_i) = b_{ij} $$
- 视角二（利用 $\alpha$ 组的对偶性质）：
$$ \alpha_j^*(\beta_i) = \alpha_j^* \left( \sum_{m=1}^n u_{mi} \alpha_m \right) = \sum_{m=1}^n u_{mi} \alpha_j^*(\alpha_m) $$
因为 $\alpha_j^*(\alpha_m) = \delta_{jm}$，所以上式中只有 $m=j$ 的项存活下来：
$$ \alpha_j^*(\beta_i) = u_{ji} $$
结合两个视角的结果，我们得到 $b_{ij} = u_{ji}$，因此 $B = U^T$。
将其代回原假设方程：
$$ (\alpha_1^* \ \dots \ \alpha_n^*) = (\beta_1^* \ \dots \ \beta_n^*) U^T $$
两边同时右乘 $(U^T)^{-1}$，即得：
$$ \mathbf{(\beta_1^* \ \dots \ \beta_n^*) = (\alpha_1^* \ \dots \ \alpha_n^*) (U^T)^{-1}} $$
证明闭环。
算子的对偶能原封不动地保留吗？
在建立了基底变换的观念后，我们可以思考一个非常古典的数学提问：
思考题：设 $V$是$n$ 维线性空间，$V^$是其对偶空间。任给一个从$V$到$V^$的线性同构$A$，问能否找到 $V$的一组基$\beta_1, \dots, \beta_n$，使得该算子对基向量的作用，恰好等同于该基对应的对偶基？即：
$$ A(\beta_1) = \beta_1^*, \ \dots \ , A(\beta_n) = \beta_n^* $$
先考虑一个更简单的事情：
定义两个线性映射 $\mathbb{A}, \mathbb{B}: V \to V^*$：
映射 $\mathbb{A}$ 的定义：它是让旧基底与旧对偶基强行绑定。
当 $\mathbb{A}$作用于行向量$(\alpha_1 \dots \alpha_n)$时，它把每个$\alpha_i$映射成对应的$\alpha_i^*$：
$$ \mathbb{A}(\alpha_1 \dots \alpha_n) = (\alpha_1^* \dots \alpha_n^*) I_n = (\alpha_1^* \dots \alpha_n^*) $$
映射 $\mathbb{B}$ 的定义：它是新基底与新对偶基的强行绑定。
当 $\mathbb{B}$ 作用于新基底行向量时，同理有：
$$ \mathbb{B}(\beta_1 \dots \beta_n) = (\beta_1^* \dots \beta_n^*) I_n = (\beta_1^* \dots \beta_n^*) $$
若原空间基底有如下变换：
$$ (\beta_1 \dots \beta_n) = (\alpha_1 \dots \alpha_n) U $$
对偶基的反变规律：
$$ (\beta_1^* \dots \beta_n^*) = (\alpha_1^* \dots \alpha_n^*) (U^T)^{-1} $$
现在，我们把映射 $\mathbb{B}$ 的定义代入到对偶基变换公式的左边：
$$ \mathbb{B}(\beta_1 \dots \beta_n) = (\alpha_1^* \dots \alpha_n^*) (U^T)^{-1} $$
接着，利用基底变换 $\beta = \alpha U$，把左边括号里的 $\beta$ 换掉：
$$ \mathbb{B}\big( (\alpha_1 \dots \alpha_n) U \big) = (\alpha_1^* \dots \alpha_n^*) (U^T)^{-1} $$
因为 $\mathbb{B}$是一个线性映射，它作用在向量的线性组合上时，矩阵$U$可以直接根据线性性质提到映射的外面（注意：由于基底是行向量，矩阵$U$ 在右边，提出来后依然在右边）：
$$ \mathbb{B}(\alpha_1 \dots \alpha_n) \cdot U = (\alpha_1^* \dots \alpha_n^*) (U^T)^{-1} $$
最后，为了孤立出 $\mathbb{B}(\alpha_1 \dots \alpha_n)$，我们在等式两边同时右乘 $U^{-1}$：
$$ \mathbb{B}(\alpha_1 \dots \alpha_n) = (\alpha_1^* \dots \alpha_n^*) (U^T)^{-1} U^{-1} $$
利用矩阵求逆的性质 $(U^T)^{-1} U^{-1} = (U U^T)^{-1}$，最终得到：
$$ \mathbf{\mathbb{B}(\alpha_1 \dots \alpha_n) = (\alpha_1^* \dots \alpha_n^*) (U U^T)^{-1}} $$
如果我们把旧映射 $\mathbb{A}$的定义$\mathbb{A}(\alpha_1 \dots \alpha_n) = (\alpha_1^* \dots \alpha_n^*)$ 代入最终结果，就会得到：
$$ \mathbb{B}(\alpha) = \mathbb{A}(\alpha) (U U^T)^{-1} $$
这说明了什么？
当过渡矩阵 $U$是正交矩阵时（即$U U^T = I$），$(U U^T)^{-1} = I$，此时 $\mathbb{B} = \mathbb{A}$。这意味着，如果你在原空间做的是刚性旋转（正交变换），那么这种“把基底无缝发射到对偶基”的同构映射在旋转后能够原封不动地保留！
当过渡矩阵 $U$不是正交矩阵时，新旧映射之间就会拉开一个度量上的修正项$(U U^T)^{-1}$。这个修正项本质上就是新基底的度量张量（Metric Tensor）的逆。
那么给一个固定死、不能动的线性同构 $A: V \to V^*$。
想找一组基 $\beta = (\beta_1 \dots \beta_n)$，使得：
$$ A(\beta_1 \dots \beta_n) = (\beta_1^* \dots \beta_n^*) $$
我们随便借用一组已知的旧基底 $\alpha = (\alpha_1 \dots \alpha_n)$和它对应的对偶基$\alpha^* = (\alpha_1^* \dots \alpha_n^*)$。
由于 $A$是一个已知的算子，它在旧基底$\alpha$下必然有一个已经固定下来的矩阵表示，不妨设为$M$（这是一个 $n \times n$ 的可逆矩阵）：
$$ A(\alpha_1 \dots \alpha_n) = (\alpha_1^* \dots \alpha_n^*) M $$
现在，寻找基底 $\beta$的问题，本质上就是寻找一个过渡矩阵$U$（使得 $\beta = \alpha U$），让新基底满足题目的要求。把 $\beta = \alpha U$ 代入方程：
$$ A(\alpha U) = (\beta_1^* \dots \beta_n^*) $$
- 左边展开（利用 $A$的线性性质和已知矩阵$M$）：
$$ A(\alpha U) = A(\alpha) U = (\alpha^* M) U = \alpha^* (MU) $$
- 右边展开（利用对偶基的反变规律）：
$$ (\beta_1^* \dots \beta_n^*) = \alpha^* (U^T)^{-1} $$
两边强行碰撞（提炼共识）：
要让左右两边完全相等，由于 $\alpha^*$ 是对偶空间的一组基（线性无关），它们前面的系数矩阵必须完全相等：
$$ MU = (U^T)^{-1} $$
两边同时左乘 $U^T$：
$$ \mathbf{U^T M U = I_n} $$
现在问题转化为了：已知一个可逆矩阵 $M$，能否找到一个可逆矩阵 $U$，使得 $U^T M U = I_n$？
在矩阵代数中， $U^T M U$ 这个动作叫做合同变换（Congruence）。
我们对矩阵 $M$ 的类型进行分情况评估：
情况一：如果 $M$ 不是对称矩阵（$M \neq M^T$）
- 风险/事实：如果一个矩阵通过 $U^T M U$能变成单位矩阵$I_n$，那么两边同时转置：
$$ (U^T M U)^T = I_n^T \implies U^T M^T U = I_n $$
这意味着 $U^T M U = U^T M^T U$，因为 $U$ 可逆，两边消去后必然导致 $M = M^T$。
- 结论：如果给定的同构 $A$在某组基下的矩阵$M$不对称，那么无论你怎么更换基底，$U^T M U = I_n$永远不可能成立。也就是说，此时绝对找不到这样的基底$\beta$。
情况二：如果 $M$ 是对称矩阵（$M = M^T$）
事实：根据二次型的合同对角化理论，一个对称矩阵 $M$合同于$I_n$，当且仅当 $M$ 是正定矩阵（在复数域下只需要可逆对称即可，这里我们默认在实数域讨论）。
结论：只有当 $M$是正定对称矩阵时，我们才能通过 Gram-Schmidt 正交化或者特征值分解找到这个过渡矩阵$U$。
这个思考题的完整回答是：
不能任给。 能否找到这样一组基，完全取决于这个线性同构 $A$ 的几何性质。
如果 $A$诱导的双线性映射$\Phi(u, v) = A(u)$是一个正定内积（即满足对称性和正定性），那么我们一定能找到这样的一组基$\beta$（这组基其实就是该内积下的标准正交基）。
如果 $A$连对称性都不满足（例如$A(u)(v) \neq A(v)(u)$），那么在有限维空间里，哪怕你穷尽所有基底的组合，也绝对无法让该算子对基向量的作用恰好等于对偶基。
这个问题深刻地揭示了“天然同构”的缺失。虽然 $V$和$V^*$维数相同、必然同构，但这种同构$A$ 依赖于基底的选择。上述问题本质上是在寻找一个“不动点基底”，让几何算子与代数对偶达到完美的镜像对称。
算子的影子：对偶变换（Dual Transformation）
当我们不在空间层面折腾基底，而是让空间内部的向量发生线性变换时，对偶空间里的泛函会发生什么？这就是对偶变换（或称转置变换）的由来。
动机与定义
设 $A$是$V$ 上的线性变换（$A \in \text{Hom}(V)$）。对于任何一个线性泛函 $f \in V^*$，由于 $A$把向量$\alpha$变成了$A\alpha$，我们自然可以定义一个新的泛函，它先对向量施加 $A$，再施加 $f$。
这构成了函数的复合：$f \circ A$。显然，这个新函数依然是线性的，因此 $f \circ A \in V^*$。
我们定义这样一个映射 $A^*$，它接受一个泛函 $f$，并吐出一个新泛函 $f \circ A$：
$$ A^*: V^* \to V^*, \quad f \mapsto f \circ A $$
也就是说：
$$ \mathbf{A^*(f)(\alpha) = f(A\alpha), \quad \forall \alpha \in V} $$
这个 $A^*$ 就称为 $A$ 的对偶变换（Dual Transformation）。
对偶变换的矩阵表示
在线性代数中，我们最关心的是：如果算子 $A$在某组基下的矩阵是$M$，那么 $A^*$ 在对应的对偶基下的矩阵是什么？
定理
设 $\alpha_1, \dots, \alpha_n$是$V$ 的一组基，$\alpha_1^, \dots, \alpha_n^$ 是其对偶基。$A$是$V$ 上的线性变换。
若 $A$ 在该基下的矩阵表示为：
$$ A(\alpha_1 \ \dots \ \alpha_n) = (\alpha_1 \ \dots \ \alpha_n) A_M $$
则对偶变换 $A^$ 在对偶基下的矩阵表示为其*转置矩阵：
$$ \mathbf{A^*(\alpha_1^* \ \dots \ \alpha_n^*) = (\alpha_1^* \ \dots \ \alpha_n^*) A_M^T} $$
规范化证明
设 $A^*$在对偶基下的变换矩阵为$B$，即：
$$ A^*(\alpha_1^* \ \dots \ \alpha_n^*) = (\alpha_1^* \ \dots \ \alpha_n^*) B $$
设 $A_M = [a_{ij}]$且$B = [b_{ij}]$。根据定义：
原空间变换的展开：$A\alpha_j = \sum_{k=1}^n a_{kj} \alpha_k$
对偶空间变换的展开：$A^\alpha_i^ = \sum_{m=1}^n b_{mi} \alpha_m^$为了找到$a_{ij}$与$b_{ij}$的内在联系，我们考察泛函$A^\alpha_i^*$作用在基向量$\alpha_j$ 上的行为，并再次进行双视角推演：
- 视角一（直接展开对偶算子的矩阵）：
$$ (A^*\alpha_i^*)(\alpha_j) = \left( \sum_{m=1}^n b_{mi} \alpha_m^* \right) (\alpha_j) = \sum_{m=1}^n b_{mi} \alpha_m^*(\alpha_j) $$
由于 $\alpha_m^*(\alpha_j) = \delta_{mj}$，只有 $m=j$ 项留存：
$$ (A^*\alpha_i^*)(\alpha_j) = b_{ji} $$
视角二（退回到对偶算子的原初定义）：
根据对偶变换的定义，$(A^* \alpha_i^)(\alpha_j) = \alpha_i^(A\alpha_j)$。我们将 $A\alpha_j$ 的展开式代入：
$$ \alpha_i^*(A\alpha_j) = \alpha_i^* \left( \sum_{k=1}^n a_{kj} \alpha_k \right) = \sum_{k=1}^n a_{kj} \alpha_i^*(\alpha_k) $$
由于 $\alpha_i^*(\alpha_k) = \delta_{ik}$，只有 $k=i$ 项留存：
$$ \alpha_i^*(A\alpha_j) = a_{ij} $$
共识提炼与结论：
比对两种视角的结果，在数学的闭环下，我们必然有：
$$ b_{ji} = a_{ij} $$
这说明矩阵 $B$的第$j$行第$i$列元素，等于矩阵$A_M$的第$i$行第$j$ 列元素。
由此得出，$B = A_M^T$。
这意味着，对偶算子在对偶基下的矩阵，恰好是原算子在原基下矩阵的转置。
算子熄灭的战场：零化子空间（Annihilator）
在引入几何对偶前，我们需要一个工具来建立子空间之间的对应。如果说原空间里有些向量被“消灭”了，那么在对偶空间里是谁执行了这场谋杀？
定义（零化子/Annihilator）
设 $V$是$n$ 维线性空间，$W$是$V$的一个$r$维子空间。定义$W$在$V^$中的*零化子空间（图片中写作$W^\perp$）为：
$$ W^\perp = \{ \beta^* \in V^* \mid \beta^*(\alpha) = 0, \ \forall \alpha \in W \} $$
则 $W^\perp$是对偶空间$V^*$ 的一个 $n-r$ 维子空间。
结构分析
为什么维数恰好是 $n-r$？我们可以通过扩充基底的视角一目了然：
我们在 $W$中任选一组基$\alpha_1, \dots, \alpha_r$，并将其扩充为整个 $V$ 的一组基：
$$ V \text{ 的基}: \quad \underbrace{\alpha_1, \dots, \alpha_r}_{W \text{ 的基}}, \alpha_{r+1}, \dots, \alpha_n $$
相应地，这组基在对偶空间 $V^*$ 中自动产生了一组对偶基：
$$ V^* \text{ 的对偶基}: \quad \alpha_1^*, \dots, \alpha_r^*, \alpha_{r+1}^*, \dots, \alpha_n^* $$
现在，什么样的泛函 $f = \sum_{i=1}^n k_i \alpha_i^$能把$W$里的向量全部杀死？因为$W$里的向量全由$\alpha_1, \dots, \alpha_r$线性表出，根据对偶基的选择器性质$\alpha_i^(\alpha_j) = \delta_{ij}$，这个泛函在前 $r$ 个基向量上的取值必须锁死为 0。
这意味着：
$$ k_1 = k_2 = \dots = k_r = 0 $$
因此，所有这样的泛函只能由后 $n-r$ 个对偶基向量自由组合而成：
$$ W^\perp = \text{span}\{\alpha_{r+1}^*, \dots, \alpha_n^*\} $$
维数定理 $\dim W + \dim W^\perp = \dim V$ 自然闭环。
子空间的镜像反转：对偶原理
零化子不仅仅是一个子空间，它构成了一个一一映射。它把 $V$的子空间集合，映射到$V^$ 的子空间集合。最迷人的是，这个映射将空间中所有的*包含关系全部颠倒了过来。
1. 核心定理（包含关系的镜像反转）
设 $W, W_1, W_2$是$V$ 的子空间，则满足以下对偶性质：
二次回归：$(W^\perp)^\perp = W$ （在自然同构的意义下）
包含反向：若 $W_1 \subseteq W_2$，则 $W_1^\perp \supseteq W_2^\perp$
交变并：$(W_1 \cap W_2)^\perp = W_1^\perp + W_2^\perp$
并变交：$(W_1 + W_2)^\perp = W_1^\perp \cap W_2^\perp$
2. 多视角推演：为什么“交”会变成“并”？
我们尝试从逻辑链条的第一性原理来批判性评估性质 4 $(W_1 + W_2)^\perp = W_1^\perp \cap W_2^\perp$：
视角一（直观拦截）： 一个泛函想要把 $W_1 + W_2$里的所有向量（形式为$\alpha_1 + \alpha_2$）都变成 0，它必须具备什么能力？它必须既能把整个 $W_1$杀干净（属于$W_1^\perp$），又能把整个 $W_2$杀干净（属于$W_2^\perp$）。两项任务必须同时满足，代数上自然体现为“交集” $\cap$。
视角二（维数核对）： 根据左边：$\dim(W_1 + W_2)^\perp = n - \dim(W_1 + W_2)$。
根据右边：利用子空间维数公式，$\dim(W_1^\perp \cap W_2^\perp) = \dim W_1^\perp + \dim W_2^\perp - \dim(W_1^\perp + W_2^\perp)$。
代入零化子维数规律，两边的代数算账完全吻合。
自然同构：逃离基底的羁绊（二次对偶空间 $V^{}$）
我们在前面的讨论中反复强调过：有限维的 $V$与$V^*$ 虽然同维数、必同构，但它们的同构严重依赖于基底的选取。 没有基底，你根本不知道把一个向量发射给谁。
但是，如果我们对对偶空间再做一次对偶，神奇的事情发生了——从 $V$到二次对偶空间$V^{}$，存在一个不需要任何基底参与的“天然而自然”的线性同构。
1. 动机分析：把向量伪装成“算子的算子”
原本，泛函 $f$是一个算子，它吞掉向量$\alpha$，吐出数字：$f(\alpha)$。
现在我们换个视角：为什么不能把向量 $\alpha$看作一个算子，让它去吞掉泛函$f$，同样吐出数字 $f(\alpha)$ 呢？
这就是二次对偶的精妙伪装。
2. 规范化构造
对任意的 $\alpha \in V$，我们定义一个作用在泛函上的函数 $\alpha^{}$（即 $\sigma(\alpha)$）：
$$ \sigma: V \to V^{**}, \quad \alpha \mapsto \alpha^{**} $$
其中， $\alpha^{}$ 作为一个以泛函为输入的函数，其定义为：
$$ \mathbf{\alpha^{**}(f) = f(\alpha), \quad \forall f \in V^*} $$
3. 规范化证明：为什么 $\sigma$ 是一个自然的线性同构？
我们要分三步对这个映射进行逻辑闭环的批判性评估：
第一步：证明 $\alpha^{}$确实是$V^*$上的线性泛函（即$\alpha^{} \in V^{}$）
任取 $f, g \in V^*, c \in \mathbb{R}$，利用泛函加法与数乘的定义：
$$ \alpha^{**}(cf + g) = (cf + g)(\alpha) = c f(\alpha) + g(\alpha) = c \alpha^{**}(f) + \alpha^{**}(g) $$
验证通过。
第二步：证明 $\sigma$ 本身是一个线性映射
我们要看 $\sigma(c\alpha + \beta)$对任意泛函$f$ 的作用：
$$ (c\alpha + \beta)^{**}(f) = f(c\alpha + \beta) = c f(\alpha) + f(\beta) = c \alpha^{**}(f) + \beta^{**}(f) $$
这说明 $\sigma(c\alpha + \beta) = c\sigma(\alpha) + \sigma(\beta)$。映射具有线性。
第三步：证明 $\sigma$ 是单射（有限维时单射自动等价于同构）
只需证其核 $\text{Ker}(\sigma) = {0}$。假设存在一个向量 $\alpha$使得$\sigma(\alpha) = 0$（即零泛函）。
这意味着对所有的泛函 $f \in V^*$，都有 $\alpha^{}(f) = f(\alpha) = 0$。
如果 $\alpha \neq 0$，根据对偶基的存在性定理，我们必然能构造出一个对偶基泛函 $\alpha_1^$使得$\alpha_1^(\alpha) = 1 \neq 0$，这得到了矛盾。
因此，唯一的可能是 $\alpha = 0$。
_结论：$\sigma$是单射。在有限维空间中，因为$\dim V = \dim V^* = \dim V^{**}$，单射自动成为满射，同构成立。*
无限维的崩塌：当镜面破裂时
所有的美丽童话都在无限维空间里戛然而止。在无限维多项式空间下，原空间与对偶空间的同构关系彻底瓦解。
1. 反例场景耦合：有理数域上的多项式空间
设 $V = \mathbb{Q}[x]$ 是由所有有理系数多项式构成的线性空间。它的标准基底是可数的：
$$ \text{基底}: \{1, x, x^2, \dots, x^n, \dots\} $$
这意味着， $V$ 中的任何一个元素（多项式）都只能是有限多项的线性组合。
$$ V \cong \{ (a_0, a_1, a_2, \dots) \mid a_i \in \mathbb{Q}, \text{其中只有有限个 } a_i \neq 0 \} $$
2. 对偶空间演变为“形式幂级数”
现在我们来看 $V$上的线性泛函$b^* \in V^*$。一个泛函要想由基底取值唯一确定，它必须对每一个 $x^i$都指定一个输出数字$b_i$。
因为基底有无穷多个，这个泛函就可以毫无约束地指定无穷多个数字 $(b_0, b_1, b_2, \dots)$。它在作用于向量时，由于向量只有有限项非零，求和永远不会产生无穷大：
$$ b^*(\alpha) = a_0b_0 + a_1b_1 + a_2b_2 + \dots \quad (\text{绝对是有限项相加}) $$
这就意味着，对偶空间 $V^*$ 容纳了所有的形式幂级数（Formal Power Series）：
$$ V^* \cong \mathbb{Q}[[x]] = \{ (b_0, b_1, b_2, \dots) \mid b_i \in \mathbb{Q} \quad \text{可以有无限个非零项} \} $$
3. 决定性的宏观结论（置信度：高）
根据集合论（康托尔三分律与基数理论）：
原空间 $V = \mathbb{Q}[x]$ 的基底个数是可数无穷（$\aleph_0$）。
对偶空间 $V^$ 的基底由于允许无限序列的任意组合，其向量个数的基数已经变成了*不可数无穷（张量连续统基数）。
最终批判性结论：由于两个空间的基数（维数）在本质上拉开了不可逾越的鸿沟，在无限维空间中， $V \not\cong V^*$。这也是为什么在泛函分析中，我们必须额外引入拓扑和连续性（拓扑对偶空间）来强行挽回对偶特性的根本原因。