第 10 章 幾何的現代應用#

10.4 幾何思維的過去與未來#

學習動機：幾何這件事本身，被重新定義了四次#

讀到這裡，你已經走過了從尼羅河到 GPU 與神經網路的旅程。此刻值得停下來問一個比任何單一技術都重要的問題：這十章裡，「幾何」這個詞本身發生了什麼？

答案是：它被重新定義了四次，而且每一次定義都不是靠新定理，而是靠新的問題。

1. 第一次（古代）：幾何 = 測量土地。詞源是希臘文 geōmetria（地球測量），繼承的是埃及拉繩人的職業（見 1.1 節）。這時的幾何是一套解決具體問題的技術，它的問題來自下游：稅收、灌溉、建造。
2. 第二次（希臘）：幾何 = 從公理推導的命題系統。泰勒斯（1.2 節）與歐幾里得（2.1 節）把「知道怎麼算」升級為「知道為什麼必然成立」。從此幾何有了雙重身份：既是技藝（解題法），也是理論（公理—定理結構）。
3. 第三次（近代）：幾何 = 座標與變換的代數。第 3 章到第 7 章是這一階段：幾何從「圖形」變成「方程組」（3.1 節）、從「圖形之間的關係」變成「群作用下的不變量」（7.1 節）。克萊因 1872 年的綱領是一句宣言：「幾何就是研究不變量在變換群下的行為。」
4. 第四次（現代）：幾何 = 可計算、可優化、可學習的物件。第 8 章起，幾何有了複雜度（第 8 章），有了渲染管線（第 10.1 節），有了樣條曲線（第 10.2 節），最後有了 embedding 與對稱性（第 10.3 節，以及本節末尾的「未來方向」）。

這四次重新定義有一個共同的引擎：本書每一章的開頭問題。 尼羅河為什麼要泛濫？泰勒斯為什麼要證明？行星為什麼繞日？畫家為什麼要畫透視？歐幾里得為什麼要懷疑第五公設？工程師為什麼要平滑曲面？機器學習為什麼要「把相似的東西放近一點」？

本章是全書的結語。我們要做三件事：

• 把時間軸攤開，看見每一個節點背後的「需求」；
• 把主題重新整理，歸納出「一個問題催生一種幾何」的規律；
• 把方法論提煉出來，並示範 SymPy 如何讓「用符號做幾何」從證明的輔助工具，升級成一種思維對象。

全書時間軸：每一個節點背後都有一個「需求」#

timeline
    title 從尼羅河的繩子到神經網路的對稱性：全書時間軸
    約前1800 : 埃及測地與巴比倫泥板：洪水後重測田地、課稅
    約前600 : 泰勒斯：把「知道」變成「可證明」
    約前300 : 歐幾里得《幾何原本》：公理化的證明系統
    約前200 : 阿波羅尼奧斯圓錐曲線：研究光線與圓錐截面的交點
    1609 : 惠更斯與克卜勒：解釋行星為何既不墜落也不飛走
    1637 : 笛卡兒《幾何學》：把推理變成可以逐行執行的代數
    1639 : 笛沙格射影定理：透視作畫需要可證明的公理
    1751 : 歐拉凸多面體公式：點數、面數、邊數的關係
    1787 : 拉格朗日《力學論述》：用統一語言描述運動
    1822 : 彭賽列齊次座標：讓「無窮遠」也能用代數處理
    1827 : 高斯《絕妙定理》：談曲率時不想依賴座標
    1854 : 黎曼演講：承認空間本身可以有多種
    1872 : 克萊因愛爾蘭根綱領：幾何種類太多，需要統一分類
    1908 : Voronoi 圖：數論中的二次形式、晶體結構
    1934 : Delaunay 三角剖分：把 Voronoi 的對偶結構定形
    1962 : Bézier 與 de Casteljau：車身曲面要順滑又要能局部修改
    1972 : Cox–de Boor B-spline：多段曲線拼接且保持局部性
    1975 : Shamos《Computational Geometry》：幾何加演算法加複雜度
    1980 : Whitted 遞迴光線追蹤：寫實影像的渲染
    1980s : NURBS 與 STEP 標準：工業界要交換曲面資料
    2000 : Isomap 與 LLE 與 t-SNE：把高維資料壓到二維看
    2017 : AlphaFold 與等變神經網路：利用對稱性預測分子結構

把每個節點後面的「需求」抽出來，得到這張表——這是本章最重要的一張表：

從這張表能讀出三條線索。

線索一：幾何的每一次躍升都由「下游」推動，而不是由「定理的優美」推動。 Voronoi 1908 年的論文是純數論，裡面沒有任何「機器學習」的氣味；Shamos 1975 年的出現則完全是地圖匹配與機器人路徑規劃逼出來的（8.1 節）。如果沒有人需要「快速計算」，Voronoi 圖會再睡五十年。想知道一門學科會往哪裡去，就去看誰在用它。

線索二：抽象層級是單調上升的，而每一次上升都伴隨著「多了一類可以計算的東西」。 具體圖形 → 座標（3.1）→ 向量與內積（3.2）→ 矩陣（3.4）→ 齊次座標（5.2）→ 流形與度量（6.2、9.1）→ 群（7.3）→ 演算法與複雜度（8 章）→ 樣條與權重（10.2）→ embedding 與對稱性（10.3、10.4）。

線索三：電腦讓「抽象」變得可以批量生產。 在 19 世紀，製造一個新幾何需要一位可以思考數十年的數學家；在 2020 年代，製造一個新幾何只需要寫一個 solve 呼叫與一段代數化。這就是本章第三個方法論教訓的伏筆。

主題回顧：一個問題催生一種幾何#

如果只能記住本章一句話，記住這句：幾何不是定理的收藏，而是問題的指紋。 每種幾何都是被一個具體問題逼出來的，而那個問題一旦消失，那種幾何往往會退化成一個分類學的分支（或直接被遺忘）。

注意最後兩列的關係：NURBS 的權重 \(w\) 是射影幾何（5.2 節）的復歸，embedding 的等變性是克萊因綱領（7.1 節）的復歸。 幾何學的歷史不是一條直線，而是不斷「繞回來重新使用」舊工具——每一次復歸都因為出現了新的需求（CAD 精度、深度學習泛化）。

三個方法論的教訓#

教訓一：幾何問題往往來自應用，而不是純好奇#

看回上表，幾乎沒有一列的起點是「我很好奇」。泰勒斯好奇過，但他的好奇源於「什麼才是真的知道」；克卜勒源於行星的實際位置；Shamos 源於地圖匹配與機器人。

這不代表純好奇毫無價值——非歐幾何（6.1 節）在整整一個世紀裡沒有任何實際用途，卻是人類思想史上最偉大的智識成就之一，而它是黎曼幾何、廣義相對論與現代物理的入口。 但對學習者而言，重要的差別是：

• 應用驅動的幾何容易上手，因為每一步都有「為什麼要做這個」的答案；
• 應用驅動的幾何也容易學完就忘，因為它容易變成公式與演算法的記憶負擔。

本書的對策是：每個公式都先問「這個問題從哪來」，再問「這個式子怎麼算」。 這也是為什麼 8.1 節要先講 1960 年代的地圖與 Shakey 機器人，再講 Graham scan。

教訓二：每次抽象都把更多問題變成可計算#

這是幾何學最一貫的機制。每一種抽象工具的問法都是同一句：「這個工具讓哪些原本算不了的問題變得算了？」

這個清單本身就是一門「幾何學的技術史」。 而且注意最後一列的「權重」與「等變性」：它們分別是 1822 年與 1872 年的概念，在 1980 年代與 2020 年代才找到新的用途。

教訓三：SymPy 讓「用符號做幾何」從證明輔助變成思維對象#

在 SymPy 出現之前，「用符號做幾何」主要有兩種用途：

1. 輔助證明：把定理的代數部分算出來，確認沒有算錯（例如 2.3 節用 SymPy 驗證畢氏定理）；
2. 輔助教學：把圖形畫出來，讓學生「看見」抽象結果（例如 6.3 節的龐加萊圓盤模型）。

SymPy（更廣義地說是所有 CAS）真正改變的是第三種用法：把「用符號做幾何」變成一種可以提問的思維對象。 具體地說：你可以用自然語言描述一個幾何問題，讓電腦把它翻譯成符號條件，然後——

• 精確求解（不是近似）；
• 驗證那個關係確實恆成立；
• 甚至找到你自己沒想到的關係（例如歐拉不等式 \(R \ge 2r\) 的 SOS 分解）。

下面的四個範例，就是把四句「自然語言的幾何問題」逐字翻譯成 SymPy。

SymPy 實作：把自然語言的幾何問題翻譯成符號#

範例 1：「給定三角形，求它的外接圓與內切圓，以及兩半徑的關係」#

自然語言問題拆解成符號步驟：

1. 「三角形」→ sp.Triangle(A, B, C)；
2. 「外接圓、內切圓」→ Triangle.circumcenter / incenter / circumradius / inradius；
3. 「兩半徑的關係」→ 把 \(R\) 、 \(r\) 與內心、外心代進候選關係（歐拉關係 \(OI^2 = R^2 - 2Rr\) ），檢查是否恆成立。

import sympy as sp

# ---------- 「自然語言問題」的翻譯層 ----------
def triangle_circles(A, B, C):
    """NL: 「給定三角形，求它的外接圓與內切圓，以及兩個半徑的關係」"""
    tri = sp.Triangle(A, B, C)
    return tri, tri.circumcenter, tri.incenter, tri.circumradius, tri.inradius

A, B, C = sp.Point(0, 0), sp.Point(4, 0), sp.Point(1, 3)
tri, O, I, R, r = triangle_circles(A, B, C)
print("外心 O =", O, "  內心 I =", I)
print("外接圓半徑 R =", R, "   內切圓半徑 r =", r)
print("面積 =", tri.area, "   周長 =", tri.perimeter)

# 歐拉關係： OI^2 = R^2 - 2 R r
lhs = sp.simplify(O.distance(I) ** 2)
rhs = sp.simplify(R ** 2 - 2 * R * r)
print("OI^2     =", lhs)
print("R^2-2Rr  =", rhs)
print("歐拉關係成立? ", sp.simplify(lhs - rhs) == 0)
d = sp.simplify(R - 2 * r)
print("R - 2r   =", d, "  非負? ", d.is_nonnegative)

輸出：

外心 O = Point2D(2, 1)   內心 I = Point2D(4*(1 + sqrt(10))/(sqrt(10) + 4 + 3*sqrt(2)), 12/(sqrt(10) + 4 + 3*sqrt(2)))
外接圓半徑 R = sqrt(5)    內切圓半徑 r = 12/(sqrt(10) + 4 + 3*sqrt(2))
面積 = 6    周長 = sqrt(10) + 4 + 3*sqrt(2)
OI^2     = (-8*sqrt(10) - 9*sqrt(5) + 55)/(2*sqrt(10) + 3*sqrt(5) + 6*sqrt(2) + 11)
R^2-2Rr  = (-24*sqrt(5) + 5*sqrt(10) + 20 + 15*sqrt(2))/(sqrt(10) + 4 + 3*sqrt(2))
歐拉關係成立?  True
R - 2r   = -24/(sqrt(10) + 4 + 3*sqrt(2)) + sqrt(5)   非負?  True

這段程式碼做的事情，正是歐幾里得與歐拉在紙筆上做的事情——只是快了一千倍，而且不用擔心抄錯。 注意 sp.simplify(lhs - rhs) == 0 這一行：它把「 \(OI^2 = R^2 - 2Rr\) 恆成立」從一個需要人檢查的命題，變成一個布林值。這就是「用符號做幾何」從輔助變成思維對象的第一個證據：證明本身變成了一次可以自動執行的查詢。

範例 2：「給定圓上三點，求圓心」#

把「圓心到三點等距」翻譯成方程組。注意關鍵的技巧：平方距離方程中 \(h^2\) 、 \(k^2\) 會相消，因此未知數雖是二次的，方程組卻是一次的——這就是 3.3 節解析幾何的核心手法。

import sympy as sp

P1, P2, P3 = sp.Point(0, 0), sp.Point(4, 0), sp.Point(0, 3)
h, k = sp.symbols('h k', real=True)

def equidistant(P, Q):
    """|O-P|^2 = |O-Q|^2，其中 O=(h,k)；展開後 h^2、k^2 相消，得到一次方程"""
    return sp.expand((h - P.x) ** 2 + (k - P.y) ** 2
                     - ((h - Q.x) ** 2 + (k - Q.y) ** 2))

eqs = [equidistant(P1, P2), equidistant(P1, P3)]
print("方程組（一次）:", eqs)

sol = sp.solve(eqs, (h, k), dict=True)[0]
center = sp.Point(sp.simplify(sol[h]), sp.simplify(sol[k]))
R = sp.simplify(center.distance(P1))
print("圓心 =", center, "   半徑 =", R)

# 交叉驗證：SymPy 的 Circle 三點建構 + Triangle.circumcenter
circle = sp.Circle(P1, P2, P3)
print("Circle(P1,P2,P3).center =", circle.center, "  radius =", circle.radius)
print("Triangle.circumcenter   =", sp.Triangle(P1, P2, P3).circumcenter)
print("三者一致? ",
      sp.simplify(circle.center.x - center.x) == 0 and
      sp.simplify(circle.center.y - center.y) == 0)

# 符號版：P1=(0,0), P2=(a,0), P3=(b,c)
a, b, c = sp.symbols('a b c', positive=True)
sym = sp.solve([
    sp.expand((h - 0) ** 2 + (k - 0) ** 2 - ((h - a) ** 2 + (k - 0) ** 2)),
    sp.expand((h - 0) ** 2 + (k - 0) ** 2 - ((h - b) ** 2 + (k - c) ** 2)),
], (h, k), dict=True)[0]
print("符號圓心 =", sp.simplify(sym[h]), sp.simplify(sym[k]))
print("符號半徑 R^2 =", sp.simplify(sp.expand(sym[h] ** 2 + sym[k] ** 2)))

輸出：

方程組（一次）: [8*h - 16, 6*k - 9]
圓心 = Point2D(2, 3/2)    半徑 = 5/2
Circle(P1,P2,P3).center = Point2D(2, 3/2)   radius = 5/2
Triangle.circumcenter   = Point2D(2, 3/2)
三者一致?  True
符號圓心 = a/2 (-a*b + b**2 + c**2)/(2*c)
符號半徑 R^2 = (a**2*b**2 - 2*a*b**3 + b**4 + c**2*(a**2 - 2*a*b + 2*b**2 + c**2))/(4*c**2)

三重交叉驗證（自解、Circle 建構、Triangle.circumcenter）全部一致——這是本書反覆出現的工作流：用兩種以上獨立的方法檢查同一件事（3.3 節的直線交點、8.4 節的浮動與精確算術對照、9.3 節的曲率交叉驗證，都是同一個習慣）。符號版更漂亮： \(P_1=(0,0)\) 、 \(P_2=(a,0)\) 、 \(P_3=(b,c)\) 的外心橫座標是 \(a/2\) （正是 \(P_1P_2\) 的垂直平分線），縱座標是 \(\dfrac{-ab+b^2+c^2}{2c}\) 。

範例 3：讓電腦「自己」找到一個不等式的證明#

上一個範例是「驗證一個已知的關係」。更進一步的問題是：能不能讓符號系統找到一個我們事先不知道的證明？

問題（歐拉不等式）：對任意三角形，外接圓半徑 \(R\) 與內切圓半徑 \(r\) 恆有 \(R \ge 2r\) 。

做法：用 \(x = s-a\) 、 \(y = s-b\) 、 \(z = s-c\) （皆為正）做代換，把 \(R/(2r)\) 化簡，然後讓 SymPy 找出分子的分解式。

import sympy as sp

x, y, z = sp.symbols('x y z', positive=True)
s = x + y + z
a, b, c = y + z, z + x, x + y          # a = s-x 等，反推邊長
Area = sp.sqrt(s * x * y * z)          # 海龍公式 Area^2 = s(s-a)(s-b)(s-c)
R = a * b * c / (4 * Area)             # 外接圓半徑
r = Area / s                           # 內切圓半徑
ratio = sp.simplify(sp.radsimp(R / (2 * r)))
print("R/(2r) =", ratio)

num = sp.expand(((x + y) * (y + z) * (z + x)) - 8 * x * y * z)
sos = x * (y - z) ** 2 + y * (z - x) ** 2 + z * (x - y) ** 2
print("(x+y)(y+z)(z+x) - 8xyz =", num)
print("等於 SOS 恆等式? ", sp.simplify(num - sos) == 0)
print("R/(2r) - 1 =", sp.simplify(sp.radsimp(ratio - 1)))
print("分子恆等於 SOS/8xyz? ", sp.simplify(sp.radsimp(ratio - 1) - sos / (8 * x * y * z)) == 0)

輸出：

R/(2r) = (x + y)*(x + z)*(y + z)/(8*x*y*z)
(x+y)(y+z)(z+x) - 8xyz = x**2*y + x**2*z + x*y**2 - 6*x*y*z + x*z**2 + y**2*z + y*z**2
等於 SOS 恆等式?  True
R/(2r) - 1 = (-x*y*z + (x + y)*(x + z)*(y + z)/8)/(x*y*z)
分子恆等於 SOS/8xyz?  True

符號系統給出的分解是平方和（SOS）恆等式：

因為 \(x, y, z > 0\) 且平方項非負。這是一個完整的證明，而且是由電腦在幾秒內找到的。 這個例子完美呈現了教訓三：SymPy 不是拿來「代替你思考」的，而是拿來把猜想變成可檢驗的物件——你不必先知道 SOS 恆等式的形式，你只要問「 \(R/(2r)-1\) 這個有理函數能不能分解成非負項」，機器會給你答案，你再決定要不要相信它。

範例 4：等變性的符號骨架——為下一節鋪路#

「等變」（equivariance）是幾何深度學習的核心詞：對輸入做旋轉 \(R\) ，若輸出也旋轉 \(R\) ，這個映射就是等變的。這正是第 7 章「幾何 = 群作用下的不變量」的現代版本，而且可以用 SymPy 精確驗證其代數骨架。

import sympy as sp
import numpy as np

theta = sp.symbols('theta', real=True)
R = sp.Matrix([[sp.cos(theta), -sp.sin(theta)],
               [sp.sin(theta),  sp.cos(theta)]])

lam1, lam2 = sp.symbols('lambda_1 lambda_2', positive=True)
Sigma = sp.diag(lam1, lam2)          # 資料的協方差矩陣（對角，λ1 > λ2）
e1 = sp.Matrix([1, 0])               # 第一主軸

print("Σ e1 - λ1 e1 =", (Sigma * e1 - lam1 * e1).T)

Sigma_rot = sp.simplify(R * Sigma * R.T)   # 資料整體旋轉後的新協方差
print("Σ' = R Σ R^T =")
sp.pprint(Sigma_rot)

# 等變性：若 Σ v = λ v，則 (R Σ R^T)(R v) = λ (R v)
lhs = sp.simplify(Sigma_rot * (R * e1))
rhs = sp.simplify(lam1 * (R * e1))
print("(R Σ R^T)(R e1) - λ1 (R e1) =", (lhs - rhs).T)

# 數值實例：8 個點，旋轉 37 度後第一主成分方向也轉 37 度
data = np.array([[0., 1.], [1., 0.], [1., 1.], [2., 1.],
                 [1., 2.], [0., 3.], [3., 0.], [2., 2.]])

def pc1(d):
    d0 = d - d.mean(axis=0)
    w, v = np.linalg.eigh(d0.T @ d0)
    return v[:, np.argmax(w)]

ang = np.deg2rad(37.0)
Rm = np.array([[np.cos(ang), -np.sin(ang)], [np.sin(ang), np.cos(ang)]])
v0, v1 = pc1(data), pc1(data @ Rm.T)
ang0 = np.degrees(np.arctan2(v0[1], v0[0]))
ang1 = np.degrees(np.arctan2(v1[1], v1[0]))
print(f"原始 PC1 角度 = {ang0:.4f} 度；旋轉後 PC1 角度 = {ang1:.4f} 度；差 = {ang1 - ang0:.4f} 度")
print("等變性成立（差 ≈ 37 度）?", abs((ang1 - ang0) - 37.0) < 1e-6)

輸出：

Σ e1 - λ1 e1 = Matrix([[0, 0]])
Σ' = R Σ R^T =
⎡      2            2       (λ₁ - λ₂)⋅sin(2⋅θ)   ⎤
⎢λ₁⋅cos (θ) + λ₂⋅sin (θ)    ──────────────────   ⎥
⎢                                   2            ⎥
⎢                                                ⎥
⎢  (λ₁ - λ₂)⋅sin(2⋅θ)           2            2   ⎥
⎢  ──────────────────     λ₁⋅sin (θ) + λ₂⋅cos (θ)⎥
⎣          2                                     ⎦
(R Σ R^T)(R e1) - λ1 (R e1) = Matrix([[0, 0]])
原始 PC1 角度 = 135.0000 度；旋轉後 PC1 角度 = 172.0000 度；差 = 37.0000 度
等變性成立（差 ≈ 37 度）? True

「等變」的代數定義只有一行：若 \(\Sigma v = \lambda v\) ，則 \((R \Sigma R^{\top})(R v) = R(\Sigma v) = \lambda (R v)\) ——主軸方向隨資料一起旋轉。這正是克萊因 1872 年綱領在 2020 年神經網絡裡的精確復刻（7.1 節）。而「不變性」則是它的特例：當 \(\Sigma\) 是各向同性的（ \(\lambda_1 = \lambda_2\) ），主軸方向就不再重要，任何旋轉下的統計量都不變——這是網路設計中「旋轉不變」與「旋轉等變」的差別所在。

幾何的未來方向#

把前面十章的 DNA（抽象 + 需求）繼續往未來延伸，大致可以看到六條主線。它們不是並列的，而是互相供給的：

graph LR
    A[符號幾何與 CAS 幾何引擎] --> B[AI for Geometry<br/>幾何深度學習]
    C[演算法幾何與 CGAL<br/>幾何內核] --> D[機器人學<br/>SLAM / 運動規劃]
    B --> E[生物學的幾何<br/>形態 · 發育 · 神經科學]
    F[格與量子<br/>Lattice / Quantum] --> B
    A --> C
    B --> F
    D --> C

一、符號幾何與計算機代數（CAS）的幾何引擎。 SymPy 的 sympy.geometry 提供了 Point / Line / Circle / Polygon / Triangle 與交點、面積、包含關係等運算（1.3 節），但它是幾何物件的函式庫，不是幾何推理引擎。更前進的方向是：

• 定理證明器中的幾何：Lean、Isabelle 的數學形式化，以及專門處理幾何的自動推理系統，把歐幾里得《幾何原本》與幾何競賽題庫變成可機器檢驗的物件；
• 代數幾何引擎：符號消元（Groebner 基）、結點理論、對偶曲線，用符號方法處理「兩個幾何物件什麼時候相交」；
• 幾何自動推理：從自然語言題目抽取條件、翻譯成符號、求解並回傳自然語言解釋——這正是本章「教訓三」的完全體現。

二、演算法幾何的工業化。 第 8 章的演算法今天都是工業級函式庫：CGAL（歐洲的計算幾何演算法庫，提供精確有理數運算、凸包、Delaunay、Voronoi、多面體操作）、OpenCASCADE 與 ACIS（CAD/CAE 幾何內核）、CGAL 的 3D mesh 演算法。這條線的未完成課題是「可證明正確的幾何內核」：浮點運算帶來的拓撲錯誤（例如 Delaunay 三角剖分中的精確退化情形）是業界至今的痛點，而 SymPy 式的精確算術正是解方。

三、AI for Geometry 與幾何深度學習。 這是幾何學最熱鬧的新前線，分成幾個方向：

• 幾何深度學習（geometric deep learning）：把卷積網路推廣到圖、點雲、分子等非歐資料上，核心概念正是範例 4 驗證的等變性（equivariance）與不變性（invariance）；
• 圖神經網路（GNN）中的等變性：訊息傳遞（message passing）本身是置換等變（permutation equivariance）的——把節點重新編號，輸出集合不變。這在 8.3 節的 Voronoi 語言裡就是「對 Voronoi 標籤重新編號不改變幾何」；
• 蛋白質結構預測：AlphaFold 的核心正是把對稱性（ \(SE(3)\) 與置換對稱）編進網路結構裡，用幾何先驗取代大量資料；
• 符號幾何與神經符號結合：讓模型既會猜、又能證。

四、格（Lattice）與量子幾何。 數論幾何（Voronoi 1908 年的原始動機就是二次形式與格）與量子資訊在今天匯流：量子糾錯碼需要「好的格」、量子計算的複雜度分析與格的最短向量問題（SVP）相關、量子拓撲不變量本身就是幾何對象。這是全書中「數論幾何」這條最古老的支線（8.3 節的 Voronoi 起源）最可能復歸的位置。

五、機器人學。 SLAM（同時定位與地圖建構）、運動規劃、抓取、導航——全部是幾何問題：機器人在配置空間（configuration space）中尋找路徑（8.1 節的可視性圖）、用李群描述關節運動、用李代數做微分運動學。機器人學是「幾何思維」最直接的現代應用場：一個不具備幾何直覺的機器人工程師，設計出的規劃器會在真實世界裡不斷失敗。

六、定量生物學中的幾何。 胚胎發育的形態發生（morphogenesis）、細胞的形狀與分裂、菌落（colony）圖樣、神經網路的連接結構、蛋白質的摺疊——這些現象的現代定量描述大量使用幾何語言：曲率與高斯曲率（9.1 節）描述器官的形狀、沃羅諾伊與德勞內描述細胞的鄰接關係、Hamilton–Jacobi 方程描述形態發育的波前。幾何正在從「人用來描述世界的語言」變成「生物自己就在使用的語言」。

給讀者的三條學習路徑#

本書可以一口氣讀完，但更推薦依目的選擇路徑。

路線 A：初學者路線（把地基打穩，建議 1 → 2 → 3）

目標：建立「幾何 = 對象 + 關係 + 證明 + 計算」的完整框架。

1. 1.1–1.3：先看幾何從哪來（測地）、再看重證明怎麼出現、最後熟悉 SymPy 的幾何物件。這三節是全書的入口與鑰匙。
2. 2.1–2.4：公理化方法與三角形、圓的角度。這是全書唯一「慢」的一章，但它是「幾何」這門學科的文法課。
3. 3.1–3.4：座標、向量、解析幾何、矩陣。這是全書的樞紐——讀完第 3 章，幾何從此有了「可以計算」的意義。
4. 之後按興趣選 4、5、8 章（曲線 / 射影 / 計算幾何）作為分支。
5. 最後回來讀 9、10 章與本節。

路線 B：程式導向路線（想立刻用 SymPy 做事）

目標：能讀懂並修改別人的幾何程式碼。

1. 1.3（SymPy 幾何模組）→ 3.3（解析幾何）→ 2.4（圓與角）→ 4.3（圓錐曲線）→ 5.3（齊次座標與射影變換）→ 8.4（SymPy + NumPy 計算幾何實作）→ 9.3（曲率與曲面度量）→ 10.1（MVP 管線）→ 10.2（NURBS）→ 10.3（ML 中的幾何）。
2. 這條路徑的每一節都有可直接複製的完整程式碼；每一段程式碼都先用符號版本建立「正確性基準」，再用 NumPy 版本追求速度——這個習慣請務必保留。
3. 補充閱讀：CGAL 官方文件（演算法幾何）、O'Rourke《Computational Geometry in C》（演算法本體）。

路線 C：理論導向路線（想理解「為什麼是這個幾何」）

目標：能解釋座標、射影、非歐、變換、內蘊幾何各自解決了什麼問題。

1. 1.2（演繹的誕生）→ 2.1–2.2（公理化）→ 3.1–3.2（座標與內積）→ 5.1–5.2（透視與射影）→ 6.1–6.3（第五公設、黎曼、龐加萊）→ 7.1–7.3（克萊因綱領、變換群、群論）→ 9.1–9.2（內蘊幾何、絕妙定理、曲線與曲面）。
2. 這條路徑的重點是先讀歷史動機，再讀公式：每一章的「學習動機」段落其實是整章的哲學摘要。
3. 補充閱讀：Stillwell《The Four Pillars of Geometry》、Coxeter《Introduction to Geometry》、Coxeter & Greitzer《Geometry Revisited》。

三條路線的共同點是：8 章的計算幾何與 10 章的現代應用都值得讀，因為它們是把前面所有抽象「兌現」的地方——前面沒有 3.4 節的矩陣，就沒有 10.1 節的 MVP 管線；沒有 8.3 節的 Voronoi，就沒有 10.3 節的最近鄰分類器。

全書資源清單#

SymPy 主要模組對照表#

一條實務建議：在幾何工作裡，sympy.simplify 是你的顯微鏡，sp.nsimplify 是你的翻譯官——前者用來確認「確實相等」，後者用來把浮點結果認回成精確的根號或分數。兩者搭配使用，本書 8.4 節的「精確 vs 浮動」對照就是最好的示範。

可延伸閱讀#

古典與思想史

• Euclid, The Elements（S. L. Heath 譯，1931）——不必逐字讀，但至少讀過第一卷的命題 I.1–I.47 與命題 V 的開頭，親眼看看「公理—公設—定理」的三層結構。
• John Stillwell, The Four Pillars of Geometry（2005）——以希臘、射影、非歐、球面四個支柱串起整部幾何史，敘事優美，適合作為全書的第一本讀物。
• H. S. M. Coxeter, Introduction to Geometry（1949/1962）——把幾何當成一門結構性學科來教的經典，含大量习题。
• H. S. M. Coxeter & S. L. Greitzer, Geometry Revisited（1967）——以「九點圓」為中心的六章，競賽數學與大學幾何的完美折衷。

曲線、樣條與製造

• Cox & de Boor, A Practical Guide to Splines（1978）——B-spline 與 NURBS 的標準參考書，第 10.2 節的直接延伸。
• Piegl & Tiller, The NURBS Book（2nd ed., 2017）——工程實務導向，涵蓋 NURBS 在 CAD/CAM 中的完整用法。

演算法幾何

• Joseph O'Rourke, Computational Geometry in C（2nd ed., 1998）——演算法幾何的「教科書中的教科書」，凸包、三角剖分、可視性圖、旋轉掃描線一應俱全。
• de Berg, Cheong, van Kreveld & Overmars, Computational Geometry: Algorithms and Applications（3rd ed., 2008）——更現代、更完整，被全球多數大學當作主要教材。
• CGAL 官方文件（cgal.org）——工業級演算法幾何庫，文件本身就是一份優質教材。

微分幾何與內蘊幾何

• Manfredo do Carmo, Differential Geometry of Curves and Surfaces——第 9 章的標準參考書。
• John M. Lee, Introduction to Riemannian Manifolds——第 6、9 章的深入延伸。
• Dmitri Burago, Yuri Burago & Sergei Ivanov, A Course in Metric Geometry——把「度量」當第一原理來講，對理解第 6.2 節特別有幫助。

計算幾何與演算法

• Steven S. Skiena, The Algorithm Design Manual——包含「幾何演算法」一章，適合作為第 8 章的延伸。
• Preparata & Shamos, Computational Geometry——Shamos 論文的正式出版版本，1975 年那門學科的「出生證明」。

結語：從尼羅河的繩子到神經網路的對稱性#

讓我們把整本書收成一條線。

第 1 章裡，一個埃及人在尼羅河的淤泥上用一條打了結的繩子量地。他不知道自己在做「幾何」，他只是在解決一個非常實際的問題：明年洪水退了，我這塊地還剩多少稅？ 而整部幾何學的歷史，就是這個問題的不斷變奏：先是「這塊地有多大」，再變成「這個三角形為什麼是直角」，再變成「行星的軌道是什麼形狀」，再變成「平行線在多遠的地方相交」，再變成「地球表面彎了多少」，再變成「車身曲面怎麼才順滑」，最後變成「一張 1024 維的向量圖，怎麼知道『國王』和『女王』其實很接近」。

而每一個節點，工具都升級了一層：繩子 → 公理 → 座標 → 變換 → 流形 → 群 → 演算法 → 對稱性。升級的動力永遠來自需求，不是來自對定理完美的偏執。

第 10 章是這條線的現代末端。在 10.1 節，一個 3D 遊戲的畫面是 4×4 矩陣的連續相乘；在 10.2 節，一輛汽車的車身是 Bézier 曲線與 NURBS 權重；在 10.3 節，一個語言模型的語義是內積角度與流形座標。三件事看起來毫不相干，但它們是同一件事：它們都是「把不可見的關係變成可計算的量」的幾何。

而在本節的最後，我們看到 2020 年代的機器學習正在做的事情，和 1872 年克萊因做的事情驚人地相似：把對稱性寫進結構裡，讓模型不必從零學會「旋轉之後世界還是一樣」這種常識。 範例 4 裡那個樸素的代數骨架 \((R\Sigma R^{\top})(Rv) = \lambda (Rv)\) ，就是克萊因 1872 年寫下的綱領在 2020 年的一個具體實例——只是換了符號。

所以，最後一句話送給讀者：幾何不是一門等待被繼承的古老學問，而是一門每一當出現新需求、就會被重新發明一次的方法論。 而學會它的最好方式，不是背下克萊因的四種幾何分類，而是——拿起一個你真正在意的問題，用 SymPy 把它翻譯成符號，看它會不會給你一個你原本不知道的答案。尼羅河的繩子，到今天依然是同一根繩子；只是它現在可以繞過彎曲的空間，而且打結打得比從前更漂亮。

習題#

1. （回顧與對照） 寫出下列每一種幾何的「原始需求」，並說明若該需求消失，這種幾何還會不會存在：(a) 歐氏幾何；(b) 射影幾何；(c) 非歐幾何；(d) 沃羅諾伊圖；(e) NURBS。每個答案不超過 5 行，並舉出一個「需求消失後仍被保留」與一個「需求消失後被淘汰」的例子。接著回到 8.1 節的核心論點：「傳統幾何回答『哪些幾何物件存在』；計算幾何回答『它們可以以什麼樣的成本被計算』。」請用本節的時間軸與需求表，舉出至少三個歷史上因為「成本」這個新需求而催生的幾何方法（提示：可用 Voronoi → Shamos、Bézier → NURBS、流形假說 → Isomap/t-SNE 的線索），並說明它們各自把「什麼問題」從「不可問」變成了「可問」。

2. （跨章整合：Euler 公式的座標驗證） 不使用 Triangle.circumcenter / incenter，改用範例 2 的方法：對三角形 \((0,0)\) 、 \((4,0)\) 、 \((1,3)\) ，用線性方程組解出外心（等距條件）與內心（到三邊等距條件），再手算 \(R\) 、 \(r\) ，並用 sp.simplify 驗證歐拉關係 \(OI^2 = R^2 - 2Rr\) 與歐拉不等式 \(R \ge 2r\) 。最後把結果與範例 1 對照，說明「同一個幾何問題有兩條獨立的求解路徑」如何提升可信度。

3. （跨章整合：NURBS 與射影幾何） 重做 10.2 節範例 4 的二次 NURBS 四分之一圓，但把圓心改為 \((2, 3)\) 、半徑改為 \(5\) （也就是本節範例 2 的那個圓）。請寫出對應的 3 個控制點與 3 個權重，並用 SymPy 驗證所得曲線滿足 \((x-2)^2 + (y-3)^2 = 25\) 。然後解釋：權重 \(w = \cos 45°\) 在射影幾何中是什麼角色（提示：齊次座標的 \(w\) 分量）。

4. （等變性與 ML） 在範例 4 的基礎上，把資料從 8 個點改成 4 個點，並把旋轉角改為 \(\pi/6\) （30 度），用數值實驗驗證「第一主成分方向隨資料一起旋轉」。接著做一個反向實驗：把 pc1 換成「資料協方差矩陣最大的特徵值（而非特徵向量）」，說明為什麼特徵值是旋轉不變量（invariant）而特徵向量是旋轉等變量（equivariant）。用 7.1 節的語言解釋這個區別。

5. （前瞻：設計一個新問題） 從你自己的生活或專業中挑出一個「每天都會遇到、但從來沒有用幾何語言描述過」的問題（例如：路線規劃、文件排版、遊戲中的碰撞、包裝設計、生物分子建模）。用本節的方法論寫出：(a) 這個問題對應哪一種幾何；(b) 它需要哪些抽象工具；(c) 如果用 SymPy 寫出它的最小可算模型，你會建立哪些符號方程？最後說明：它與本書十章中的哪一章最接近。