张量积就是两个空间之间那个特别扭曲的乘法，仿佛把两把尺子一折，变成了一捆能与此同时量长短和宽度的东西。想象一下你在玩变形金刚，左手是机器人，右手是车模型，你把它们绑在一起，你拿到的不是新的机器人，而是一台能与此同时展示机械臂和车轮的“双头战士”。在张量积的世界里，要是你有两个向量，一个是长度，一个是角度，你张量积出来的那个对象，就既能告诉你长度，也能告诉你角度，并且这两个信息是绑定在一起的，就像你的左手一辈子牵着你右手走。 别去管那些复杂的符号吓你一跳，实际上这就好比你把两个列向量拼成了一个矩阵。你拿一个 $n times 1$ 的列向量 $x$ 和一个 $1 times m$ 的行向量 $y$ 叠在一起，你拿到的结局 $z = x otimes y$，形状变成了 $(1, m) times (n, 1)$，也就是 $n times m$ 了。

这就像把一张 $1 times m$ 的小纸条在 $n$ 个格子里印了一遍，每一格都复印了你原来的字。

要是你去取这个 $n times m$ 矩阵里的对角元素，你会发现它们全都等于原来的 $y_i x_j$。

这就解释了为啥张量积的标量乘法性质那么像：你选一个位置，比如第 $i$ 行第 $j$ 列，取出来那个标量，它就是 $x_i y_j$。 再看看换律，这东西看起来挺怪，仿佛向量变反了还要再变回来。你拿 $x$ 和 $y$，它们各自独立。

要是你把顺序换过来，变成 $y otimes x$，你拿到的矩阵就是原来的转置。取对角元素，那就是 $x_i y_j$ 和 $y_i x_j$ 对比，一模一样。

这就像你拿着两张画，一张是竖着的，一张是横着的，把横着的拿给竖着的，它们拼成的图案实际上是个旋转后的原图。

故此张量积里，换律是个伪命题，它不是出于“随意换都行”，而是出于你的变量本来就在定义上就受限于顺序，换过来只是把自变量和偶数互换，奇数位置不变。 说到伸缩性，这就是张量积最迷人、也是最好办让人晕的地方。你拿一个 $n$ 维的向量和一个 $m$ 维的向量，相乘。

要是你把两者都放大 $k$ 倍，你拿到的结局自然也得是 $km$ 倍。

要是你只放大 $n$ 维的那个，那另一个维度会被忽略，结局就是 $k$ 倍；反之亦然。张量积的本质是“乘法中的乘法”，它把两个独立的操作合成一个综合操作。

要是我想做 $Ax$ 再乘 $By$，我能够先做 $B$ 拿到 $z$，再乘 $A$ 拿到 $Az$，这挺顺。但要是你想先做 $Ax$ 再乘 $y$，这就变成 $y(Anx)$，括号里的 $Anx$ 是向量，再乘 $y$ 就是 $(I otimes y)(Ax)$。

这时候你看，$I otimes y$ 就是那个行向量 $y$ 被无限扩展了 $n$ 次，它和前面的 $x$ 同维度。

这就好比你在画画，先画一长条，再在上面写小字，结局就是字长满了整条线。 在概率论里，这就像是贝塔分布参数。你有一个事件有 $p$ 的概率不形成，另一个事件有 $q$ 的概率不形成。当你寻思这两个事件与此同时形成时，你拿到的概率就是 $p times q$。

要是你想要的是两个事件都形成的概率，那就是 $p times q$ 的另一个版本。在张量积的语境下，元胞概率就是针对某个元胞 $i in I$ 和某个元胞 $j in J$ 的与此同时形成概率，它确实等于 $p_{ij} = p_i times q_j$。

要是你换个角度，先寻思 $i$ 再寻思 $j$，结局还是一样的。

这说明张量积里的概率乘法，就像是把两个独立的硬币投掷结局打包在一起，一个代表正面，一个代表反面，合起来就是一个“投掷结局对”。 你能够从 $V$ 和 $W$ 的直积空间 $mathbb{F}^n times mathbb{F}^m$ 看本质。你能够定义一个坐标映射，把 $(x, y)$ 变成 $(x_1, dots, x_n, y_1, dots, y_m)$。

这时候你在这个空间里做乘法，实际上就是把两个坐标做笛卡尔积。

要是你把 $y$ 当作一个向量，$x$ 当作一个向量，张量积就是直积。

这时候你是在做矩阵乘法，但矩阵乘法的结构实际上和直积的结构是一模一样的。你拿两个矩阵相乘，实际上就是在用直积里的张量积去理解。

要是你把 $A$ 的列向量 $b$ 和 $B$ 的行向量 $c$ 张量积，你拿到的是一个 $n times m$ 的矩阵，它的前 $n$ 行就是 $b$ 和 $c$ 的直积，后 $m-n$ 行就是直积的重复拷贝。 这就解释了你之前纳闷的“为啥张量积不是 $x cdot y$"。出于 $mathbb{F}^n times mathbb{F}^m$ 是一个 $n times m$ 的方格，而 $x cdot y$ 只是一个标量。张量积是把一个方格拉长、拉长，变成 $n times m$ 的长条或面。它保留了“与此同时形成”的含义，但把这个逻辑从概率论搬到了线性代数里。当你在做矩阵运算时，你在处理的是这个长条上的点。

要是你对长条做线性变换，你就是在对每个点做变换。 还有那个“张量”这个词。在数学里，它时常被用来翻译那个 $n times m$ 的张量。你能够把它想象成一个略微厚一点的纸张。你从 $n$ 维空间拿一把刀切一刀，拿到一个 $n-1$ 维的层；再从 $m$ 维空间拿一把刀切一刀，拿到一个 $m-1$ 维的层。当你把这两个层合在一起，你就拿到了一个 $n times m$ 的层。

这个 $n times m$ 的层，在不同的方向上拉伸或压缩，就构成了张量积的变换。

要是你在第 $n$ 维方向上拉伸 $k$ 倍，在第 $m$ 维方向上拉伸 $l$ 倍，那么整个 $n times m$ 的空间就被拉伸成了 $kn times lm$ 的更大的空间。

这就是伸缩性的终极体现：你转变了一个维度的比例，整个空间的比例也跟着变了。 在物理世界里，这就像想象两个物体叠在一起。

比如一个 $3D$ 模型和一个 $2D$ 截面。你把它们张量积，拿到的就是一个 $6D$ 的超空间。在这个超空间里，你能够与此同时拥有一个物体的位置和形状。

要是你对一个物体做旋转，另一个物体做缩放，那么张量积后的全空间中，这两个操作是独立功能的。你能够先绕 $z$ 轴旋转物体 $A$，再绕 $z$ 轴缩放物体 $B$，这两个操作互不干扰。

这就像两个独立的视频流，一个在 3D 空间里跑，一个在 2D 画面里跑，把它们合在一起，你就有了 $6D$ 的超三维视频。 别看看起来像个笑话，出于 $x otimes y$ 是个向量，不是标量，但这彻底没难题。张量积创造的是一个新的维度上的度量。

要是你在这个新的空间里定义一个新的内积，它可能会变得挺怪，就连没有意义，就像你拿一把尺子去量一个立方体，维度不匹配。但数学上并不排斥这种“维度错配”的操作。张量积的魔力在于，它准我们在一个 $n times m$ 的空间里，自然地嵌入到 $n$ 维空间，也自然地嵌入到 $m$ 维空间。你不需求强行造出一个 $n times m$ 的标量来代表这个空间。 再说说无穷维的情况。

要是你有两个函数空间，$C[0,1]$ 和 $L^2[0,1]$，它们的张量积空间 $L^2 otimes C[0,1]$ 是贼庞大的。它所有的元素都是函数，并且是两个函数组合起来的。当你对这个空间里的向量做乘法时，你拿到的结局依然是两个函数的乘积，但功能域变得挺怪。你不再是处理数字，而是处理函数对函数。

这就像你把两个菜谱混在一起，一个规定如何炒蛋，一个规定如何煎蛋，最终你拿到的是既能够在热锅炒，也能够在平底锅煎的“双能蛋”。 总结来说，张量积就是两个独立的世界强行握手，然后握手之后，两个世界融合成了一个既包含 $n$ 也是包含 $m$ 的混合体。它没有消亡，只是换了个皮肤。

你看那个 $I otimes y$，它就像是原向量 $y$ 被复制、粘贴、粘贴了一万遍，变成了 $y_1, y_2, dots, y_n$ 的长串。

这就是张量积最朴素也最深刻的本质：乘法就是重复，重复就是混合，混合就是新世界的诞生。