我用自己的一段经历来回答这个问题

📖 从死记硬背到突然开窍

学线性代数的时候，我和很多人一样，就是死记秩、特征向量、特征值这些名词，考完试没多久就忘得差不多了，典型的边学边忘 😅

后来偶然刷到了MIT Gilbert Strang教授的线性代数公开课。那位教授不是给你罗列概念，而是告诉你线性代数这门课到底是为了解决什么问题才被发明出来的。

我到现在都记得很清楚，有一节课黑板上写着：

Why project?
Because Ax = b may have no solution.
Solve Ax = p instead.
Where p is the projection of b onto the column space.

🎯 为什么Ax=b会无解？

现实世界的数据几乎从来不是"完美结构"：

测量有误差，采样不完整，噪声不可避免，系统本身是高维且复杂的。

我们测量出来的矩阵A，它的许多参数都是不准确的。Ax = b 没解，很正常。

• 🎯 Ax = b 没解 → 因为 b 不在 A 的列空间里（现实生活中的噪声）

• 🎯 那就找列空间里离 b 最近的点 → 投影得到 p

• 🎯 然后解 Ax = p → 这就是最优近似解

就这几行字，把我之前死活理解不了的最小二乘法说透了。

那一刻我突然意识到：我之前学的不是数学，是数学名词的背诵清单。

🎯 抓本质的第一层：先问"它是为了解决什么问题"

我觉得这是最重要的一步。任何一个概念、方法、工具被发明出来，背后都有一个具体的"痛点"。你找到这个痛点，概念就活了。

投影在课本上是一堆公式，但它的本质问题是：
现实数据永远带着噪声，Ax=b 经常无解，那怎么办？
数学家的答案是，既然不可能完美命中，那就找一个最接近真相的近似解。投影就是这个"找最接近"的几何表达。

特征值在课本上是 det(A-λI)=0，但它的本质问题是：
一个矩阵可以做各种变换（旋转、拉伸、剪切），但不管怎么折腾，有没有什么东西是不变的？
特征值就是那个"DNA"，特征向量就是那个"骨架"。

所以我的第一个体会是：遇到任何新概念，先别急着记定义，先问一句"它是为了解决什么问题才被搞出来的"。
这个问题一旦有了答案，定义反而变得好记了。

🧬 抓本质的第二层：找到"不变的东西"

这是我觉得数学最训练思维的地方。

Park变换是电气工程里的一个经典工具，把电机旋转的坐标系变成静止的来分析。我第一次学的时候只觉得是个复杂的矩阵乘法。
后来理解了它的本质：工程师敢在坐标系之间来回转换，是因为在一个线性变换中，有一些特殊方向是"不会被改变结构"的。

一般向量经过变换后方向和长度都变，
但特征向量方向不变，只做缩放。

转来转去，系统的本质（内核）没变。

我们可以看看如果没抓住本质会出现什么情况。还是上面电机分析的例子：

把一个随时间旋转变化的复杂系统，转换到一个"静止坐标系"中去分析。
这样做的好处是：

• 原本随时间变化的量 → 变成常量或缓变量

• 控制问题 → 变成代数问题

• 动态系统 → 变成可分析的静态结构

但这里有一个关键点容易被忽略：坐标变换必须是可逆的。

这对应数学里的"矩阵可逆性"。
如果一个变换不可逆，本质意味着信息丢失、结构压缩不可恢复、分析结果无法还原到原系统。
因为你在新坐标系里分析完，无法还原回原系统，工程意义就丢失了。

所以在工程设计中，经常会隐含一个原则：任何坐标变换，都必须保证信息不丢失。

这也是为什么秩、可逆性、线性独立这些概念，会在线性代数里反复出现。

像正定矩阵、二次型这些内容，很多教材会讲得比较抽象。但在工程语境里，它们更常对应的是：系统是否稳定、能量是否合理、优化问题是否有唯一最优解。

换句话说：正定性不是数学装饰，而是一种"系统是否可靠"的筛选条件。

我们把线性代数中提及的一些概念罗列一下：

可以发现，上面提及的这些概念都可以说是本质、规律、某种不变的属性或结构。

有了上面的这个认识变化过程，让我慢慢养成了一个习惯：遇到任何复杂系统，先找不变量。

• 一个人换了衣服、减了肥、整了容，什么没变？DNA、骨架、血型

• 一个公司换了产品线、换了管理层、换了办公地点，什么没变？核心竞争力、用户价值、底层逻辑

• 一个物理系统换了参考系、换了坐标、换了表达方式，什么没变？守恒量、特征值、本质结构

找到不变的东西，你就抓住了本质。表象千变万化，但内核是锚。

📐 抓本质的第三层：翻译成你大脑最熟悉的语言

这是我从Strang教授那里学到的另一件事。

很多数学问题，一换成几何问题解释，我一下就懂了。
不是因为几何更简单，而是因为人类大脑进化了几百万年处理空间信息，对形状、位置、方向有天生的直觉。
符号和公式是最近几千年才发明的抽象工具，大脑处理起来天然更费劲。

所以我的第三个体会是：抓本质的过程，往往就是"翻译"的过程。把一个领域的语言翻译成另一个你更熟悉的领域的语言。

• 代数问题翻译成几何直觉

• 代码逻辑翻译成业务流程

• 商业策略翻译成用户心理

• 物理公式翻译成日常经验

当你能用三种不同的方式解释同一个概念，而且每种方式都让你自己觉得"通了"，那大概率是抓到本质了。

🧠 抽象思维的本质就是"剥壳"

回头看，我觉得"抓本质"和"抽象思维"其实是同一件事。

• 投影的本质不是公式，而是"在噪声中寻找最接近真相的位置"

• Park变换的本质不是矩阵，而是"用可逆变换把动态问题变成静态问题"

• 最小二乘的本质不是 AᵀAx=Aᵀb，而是"承认不完美，然后找最优近似"

抽象思维做的就是这个：把具体的现象、符号、计算步骤一层层剥掉，露出底下那个结构关系。

有意思的是，几何直觉本身也是一种抽象，你把代数符号抽象成了空间关系。真正厉害的人不是只会抽象或者只会直觉，而是能在两者之间自由切换。既能沉到具体细节里，又能随时抽身看到全局结构。

💡 这种能力可以迁移到任何地方

我现在觉得，数学训练给我的最大收获不是会算行列式，而是养成了一套"剥壳"的惯性：

• 遇到复杂问题，先问"这里面的不变量是什么"

• 遇到一堆概念，先问"它们是为了解决什么问题"

• 遇到抽象符号，先想"能不能翻译成我直觉能理解的东西"

这套方法用在学线代上好用，用在看论文、读代码、分析商业案例、理解社会现象上，也一样好用

📝 最后

我现在始终觉得，善于抓本质的人不是天生更聪明，而是他们找到了一套系统化的"剥壳"方法。
数学是训练这套方法特别好的"健身房"，因为它逼着你反复练习：忽略表象，提取结构

如果你也在某个领域里觉得"概念太多太杂记不住"，不妨试试看，
别急着记定义，先去找那个概念背后的痛点，去找那个变换中的不变量，去把它翻译成你直觉里能理解的样子。

抓到本质的那一刻，你会发现：
不是记忆变轻松了，而是根本不需要死记硬背了。