同一份成绩单，为什么有无数种读法？#

三科成绩写成 $x=(80,90,70)$。等权平均给出 80；只看数学给出某一个坐标；按权重 $(0.2,0.5,0.3)$ 评分得到 $0.2\times80+0.5\times90+0.3\times70=82$。

每种线性评分都是一个“把整份数据读成一个数”的规则。对偶空间收集的就是这些稳定的读数规则。它不是另一群学生，而是一套观察同一个对象的方法。

对函数也一样：全天平均气温、按用电高峰加权的温度、某一刻温度，是不同的读法。不过最后一种是否稳定，要看你给函数采用什么范数；本章会具体比较。

一份数据与一套评分规则为何是两类对象#

成绩向量 $x$ 是被观察的对象，权重向量 $w$ 定义观察方式 $F_w(x)=w^Tx$。把成绩改动 $h$，读数变化为 $w^Th$。权重越大，读数可能越敏感。

在欧氏范数下，$|w^Th|\le\|w\|_2\|h\|_2$，所以仪器的最坏放大率为 $\|w\|_2$。如果改用最大输入误差，则 $|w^Th|\le(\sum|w_i|)\|h\|_\infty$，仪器范数就变为一范数。

这解释了对偶范数为什么随原空间的范数变化：你改变了允许的输入误差形状，最坏读数误差自然也会变。

函数读数里，平均与单点评价差得很远#

在 $L^2[0,1]$ 中，$F(f)=\int_0^1f$ 由 Cauchy–Schwarz 得 $|F(f)|\le\|f\|_2$，是稳定读数。

试图使用 $f(0)$ 时会先遇到等价类问题。即便只在连续函数上、仍使用积分二范数，也不连续：取三角尖峰 $f_n(t)=\max(1-nt,0)$，有 $f_n(0)=1$，但

平均误差非常小的曲线，在一个指定时刻仍可偏差 1。这就是为什么同一“测温仪”在最大范数下合法，在积分范数下却没有稳定性保证。

Hahn–Banach 在解决怎样的缺口#

假设你只在某个子空间上定义了线性读数，而且已经有误差放大界。你想把仪器扩展到更多输入，同时保持原读数与稳定界。

有限维中可以尝试手工补权重；一般无限维中这种补法未必容易写出。Hahn–Banach 保证一种保范数延拓存在，却不保证有显式算法或唯一选择。它的价值在于：之后你可以使用这个仪器证明某个点可被区分，而不必知道仪器的全部坐标。

为什么“全部读数”能恢复大小#

对任何范数为 1 的仪器，$|F(x)|\le\|x\|$。Hahn–Banach 的特别构造保证：针对指定非零 $x$，确实有一台仪器达到这个上界。

因此范数等于全部单位仪器的最大可能读数。这是弱拓扑、分离定理与双对偶的共同起点：对象的几何可以通过一整套稳定的数值测试来重建。

带你做：给评分仪选择合适的误差标准#

评分规则 $F(x_1,x_2)=2x_1-x_2$。若每科误差最多 0.1，最坏评分误差为 $2\times0.1+0.1=0.3$，在误差 $(0.1,-0.1)$ 时达到。

如果改成总欧氏误差最多 0.1，则上界为 $0.1\sqrt5$，达到时误差应沿权重 $(2,-1)$ 方向，而不能再同时让两个坐标都到 0.1。

同一个仪器，最大范数预算下范数为 3，欧氏预算下为 $\sqrt5$。这两种答案不冲突，因为允许输入误差的集合变了。

把这一题做熟，对偶范数就不再是额外背诵的表格。它总是在求：给定输入误差预算，这台线性仪器最坏能读出多大偏差？无限维定义只是保持相同问题，改用函数或数列输入。

回头整理：定义、工具与练习#