上一篇 《微积分（上）》 里，我们学会了微分——把东西切碎，看每一小段的"速度"。
这一篇讲微积分的另一面——积分：把切碎的东西加回来。
这是第二幕的终曲。
系列导航
第一章：从速度到距离
上一篇我们学会了：知道距离随时间的变化，求速度。 那叫微分。
现在反过来：
如果你知道一辆车每一秒的速度，你能算出它总共走了多远吗？
如果速度恒定——简单：
匀速 60 km/h，开 2 小时
距离 = 速度 × 时间 = 60 × 2 = 120 km
画在坐标系上，这就是一个矩形的面积：
速度
60 ─┤████████████████
│████████████████
│████████████████
└────────────────→ 时间
0 1 2
面积 = 底 × 高 = 2 × 60 = 120 = 距离
但如果速度在变呢？一会快一会慢？
这时候，“速度×时间"不管用了——因为速度不是一个固定的数。
怎么办？
切碎。
第二章：矩形逼近——积分的灵魂
方法简单到令人震惊：
把曲线下面的面积，切成一条一条的小矩形。矩形的面积你会算。然后把它们加起来。
看这个动图：
- 蓝色曲线是 y = x²
- 我们用矩形去逼近曲线下方的面积
- 4 个矩形：很粗糙，有明显的"台阶”
- 8 个矩形：好一点了
- 16 个 → 32 个 → 64 个 → 128 个……
- 矩形越多，逼近越精确，台阶越小
- 当矩形数量趋向无穷——面积就是精确的
想知道一个不规则形状的面积？
第一步：切成小矩形 （每个矩形面积 = 底 × 高）
第二步：把所有矩形面积加起来 （求和）
第三步：让矩形越来越窄 （宽度趋向 0）
第四步：矩形的数量趋向无穷 （求极限）
结果 = 精确的面积 = 积分
这和上一篇的微分是完全对称的：
微分：两个点越来越近 → 割线变切线 → 得到"速度"（导数）
积分：矩形越来越窄 → 台阶变平滑 → 得到"面积"（积分）
微分：切碎，看局部
积分：加起来，看全局
一句话记住： 积分就是"切碎→加起来→取极限"。把大东西切成无穷多小碎片，每个碎片简单到你能计算，然后把它们全加起来。
第三章：圆的面积——最美的推导
现在来看积分最优美的应用之一。
你知道圆的面积公式 S = πr² 是怎么来的吗？
大多数人只是"记住"了它。但让我告诉你它是怎么推导出来的——用积分的思想。
方法：把圆切成无穷多个同心细环，然后"展开"。
第一步：想象一个半径为 r 的圆
第二步：把圆切成很多"同心环"（像树的年轮）
最内环半径约 0，最外环半径 = r
每个细环的宽度 = dr（无穷窄）
第三步：取出一个半径为 t 的细环
周长 = 2πt
宽度 = dt（无穷窄）
面积 ≈ 2πt × dt （细环展开≈长方形）
第四步：把所有细环的面积加起来
总面积 = ∫₀ʳ 2πt dt
= 2π × [t²/2]₀ʳ
= 2π × r²/2
= πr²
圆的面积 = πr² ✓
但更直观的理解是这样的——
把所有细环"剪开"拉直，按大小排列：
最外环（周长最长）: ═══════════════════════ 2πr
第二环: ══════════════════════
第三环: ════════════════════
... ...
第二内环: ═══
最内环（点）: · 0
排列起来：
╱│
╱ │
╱ │ 高 = r
╱ │
╱ │
╱─────│
底 = 2πr
三角形面积 = ½ × 底 × 高
= ½ × 2πr × r
= πr² ✓
把圆切成无穷多个细环 → 展开 → 变成三角形 → 面积一目了然。
这就是积分的灵魂：把你不会算的形状（圆），切成你会算的形状（矩形/三角形），然后加起来。
刘徽的割圆术（263 年） 用的是同样的思想！只不过他是从外面逼近——用正多边形包住圆，边数从 6 → 12 → 24 → 48 → 96……多边形越来越接近圆。这和积分的"矩形越来越窄"是同一个思想，方向不同而已。
刘徽比牛顿早了 1400 年，用同样的核心思想，算出了 π ≈ 3.1416。
一句话记住： 积分 = 把大东西切成小碎片 → 每片很简单 → 加起来。圆的面积 πr² 就是这么来的：切成细环，展开变成三角形。
第四章：微积分基本定理——最美的硬币
现在来看人类数学史上最优美的定理之一：
微分和积分是互逆的。
微分（求导）：知道"距离"→ 求"速度" ← 切碎
积分： 知道"速度"→ 求"距离" ← 加回来
它们是同一枚硬币的两面。
一个是拆，一个是装。
一个问"此刻有多快"，一个问"总共有多少"。
这意味着什么？
如果你知道一个函数的导数，你就能反推出原函数。
f(x) = x² → 导数 f'(x) = 2x （微分）
g'(x) = 2x → 原函数 g(x) = x² （积分）
微分和积分互相"撤销"对方的操作
就像乘法和除法、加法和减法
这个定理是牛顿和莱布尼茨（独立地）在 17 世纪发现的，它把"求面积"和"求速度"这两个看似无关的问题统一了起来。
《道德经》第四十二章："道生一，一生二，二生三，三生万物。"
微积分也是如此——从"极限"这一个概念出发（道生一），分化出微分和积分（一生二），两者结合产生了解决无数问题的能力（二生三，三生万物）。物理学、工程学、经济学、生物学——现代科学的每一个分支，都离不开微积分。
第五章：连接 AI——概率分布的面积 = 1
积分在 AI 里的应用非常基础：概率分布。
还记得第五篇里讲的 softmax 吗？GPT 预测下一个词时，会给每个可能的词一个概率：
"今天天气真___"
好 → 45%
棒 → 20%
冷 → 15%
热 → 10%
差 → 5%
...其他 → 5%
这些概率加起来必须等于 100%。
当可能的选项从"几个"变成"无穷多个"（连续概率分布），“加起来等于 100%“就变成了——
概率密度曲线下的面积 = 1。
正态分布（钟形曲线）：
▓▓▓▓
▓▓▓▓▓▓
▓▓▓▓▓▓▓▓
▓▓▓▓▓▓▓▓▓▓
░░▓▓▓▓▓▓▓▓▓▓░░
░░░░▓▓▓▓▓▓▓▓▓▓░░░░
░░░░░░▓▓▓▓▓▓▓▓▓▓░░░░░░
────────────────────────
μ
整条曲线下方的面积 = 1（100%）
这是概率的铁律：所有可能性加起来 = 100%
怎么算这个面积？积分！
∫₋∞^∞ f(x)dx = 1
AI 里几乎所有涉及"概率"的计算，底层都在做积分。
- softmax 输出的概率之和 = 1（离散版的"面积 = 1”）
- 连续概率分布的归一化 = 积分
- 损失函数（cross-entropy）的定义里有对数和求和——本质是离散积分
- 扩散模型（生成图片的 AI）的核心数学是随机微分方程——微积分的高级形式
一句话记住： 概率的铁律是"所有可能性加起来 = 100%"。当可能性是连续的，“加起来"就变成了积分。AI 的每一次概率计算，背后都站着积分。
第六章：第二幕的终点——回望全程
让我们站在终点，回望这五篇（第六到第十篇）的旅程：
⑥ 函数 输入→输出的机器。GPT 是一个超大型函数。
↓
⑦ 指数爆炸 人脑理解不了的增长。AI 的 Scaling Law。
↓
⑧ 圆与波 sin/cos 是圆运动的影子。位置编码。
↓
⑨ 微积分（上） 切碎看速度。梯度 = 导数。AI 学习的根本。
↓
⑩ 微积分（下） 加起来看总量。面积 = 积分。概率之和 = 1。
第一幕给了你"静止的工具”：数、坐标、方程。
第二幕给了你"变化的工具”：函数、指数、波、微积分。
走到这里，你已经拥有了理解 AI 所需的全部数学思想基础：
| 篇 | 数学概念 | 在 AI 里是什么 |
|---|---|---|
| ① 结绳记事 | 抽象 | Tokenization：词→数字 |
| ② 零的发明 | 零与负数 | ReLU：负数→0（开关） |
| ③ 未知数 x | 代数 | 参数：几十亿个 x |
| ④ 坐标革命 | 坐标系 | 词嵌入：词→向量坐标 |
| ⑤ 方程的力量 | 方程组合 | Attention 公式 |
| ⑥ 函数 | 输入→输出 | GPT = 超大型函数 |
| ⑦ 指数爆炸 | 指数与对数 | softmax 的 eˣ + Scaling Law |
| ⑧ 圆与波 | sin/cos | 位置编码 |
| ⑨ 微积分（上） | 导数 | 梯度下降：AI 学习的核心 |
| ⑩ 微积分（下） | 积分 | 概率分布面积 = 1 |
你从结绳记事走到了微积分。从一万年前走到了今天。人类走这段路花了几千年。而你只用了十篇文章。
第七章：尾声——数学是人类的望远镜
走到这里，让我说几句心里话。
很多人告诉我他们"害怕数学"、“学不会数学”。我想告诉你——
你已经学会了。
回顾这十篇——你理解了抽象（结绳记事）、你接受了零和负数、你学会了给未知数取名字、你看见了方程的图形、你知道了 GPT 就是一个函数、你不再被指数骗到、你看见了 sin 是圆的影子、你亲手"求导"了、你理解了积分的灵魂。
这些不是"简单的入门知识"。这些是数学最核心的思想。 很多学了十几年数学的人，会算题但不理解这些思想。而你现在理解了。
数学不是一堆公式。数学是人类为了**看见"看不见的东西"**而发明的工具。
- 望远镜让你看见远方（天文学）
- 显微镜让你看见微小（生物学）
- 数学让你看见规律、关系、变化、模式——这些是任何光学仪器看不到的
数学是人类的望远镜。 而你现在，已经拿起了它。
动手实验
实验一：亲手做"积分"——矩形逼近
# 用矩形逼近 y = x² 从 0 到 3 的面积
# 真实答案 = 9.0
def f(x):
return x ** 2
print("矩形逼近 ∫₀³ x² dx 的面积")
print("理论精确值: 9.0")
print("─" * 45)
print(f"{'矩形数':>8} {'近似面积':>10} {'误差':>10} 精度")
print("─" * 45)
for n in [4, 8, 16, 32, 64, 128, 1024, 10000]:
dx = 3.0 / n # 每个矩形的宽度
area = 0
for i in range(n):
x = i * dx
area += f(x) * dx # 矩形面积 = 高 × 宽
error = abs(area - 9.0)
pct = (1 - error/9) * 100
print(f"{n:>8} {area:>10.4f} {error:>10.4f} {pct:.2f}%")
# 输出：
# 矩形数 近似面积 误差 精度
# ─────────────────────────────────────────────
# 4 5.9063 3.0938 65.63%
# 8 7.3828 1.6172 82.03%
# 16 8.1797 0.8203 90.89%
# 32 8.5869 0.4131 95.41%
# 64 8.7927 0.2073 97.70%
# 128 8.8961 0.1039 98.85%
# 1024 8.9868 0.0132 99.85%
# 10000 8.9987 0.0013 99.99% ← 几乎完美！
实验二：验证"概率之和 = 1"
import math
# softmax：把任意数字变成概率（加起来 = 1）
scores = [2.0, 1.0, 0.5, 0.1, -0.5]
words = ["好", "棒", "冷", "热", "差"]
# softmax = e^x / sum(e^x)
exp_scores = [math.exp(s) for s in scores]
total = sum(exp_scores)
probs = [e / total for e in exp_scores]
print('"今天天气真___" 的概率分布：')
print("─" * 40)
for word, score, prob in zip(words, scores, probs):
bar = "█" * int(prob * 50)
print(f' "{word}" 分数={score:>4.1f} 概率={prob:.1%} {bar}')
print(f"\n概率之和 = {sum(probs):.6f}")
print("（必须等于 1.000000 —— 积分/求和的铁律）")
# 输出：
# "今天天气真___" 的概率分布：
# ────────────────────────────────────────
# "好" 分数= 2.0 概率=52.1% ██████████████████████████
# "棒" 分数= 1.0 概率=19.2% █████████
# "冷" 分数= 0.5 概率=11.6% █████
# "热" 分数= 0.1 概率= 7.8% ███
# "差" 分数=-0.5 概率= 4.3% ██
#
# 概率之和 = 1.000000
本篇小结
一、积分 = 切碎 → 加起来 → 取极限
- 矩形越来越窄，面积越来越精确
- 和微分（切碎看速度）完全对称
二、πr² 的优美推导
- 圆切成同心细环 → 展开 → 排成三角形
- 面积 = ½ × 2πr × r = πr²
- 刘徽的割圆术——同一思想，早了 1400 年
三、微积分基本定理
- 微分和积分是互逆的——同一枚硬币的两面
- 一个切碎看速度，一个加起来看总量
四、概率的铁律
- 所有可能性加起来 = 100%
- 连续概率分布的面积 = 1
- AI 的每一次概率计算，背后都站着积分
五、前两幕的完整路线
- 从结绳记事到微积分，从抽象到积分
- 每一个概念都在 AI 里有对应
- 第三幕将走进"看不见的世界"——向量、矩阵、概率、高维
下一篇预告
两幕结束了，但数学的故事远没有结束。
我们学会了描述静止的世界（数、方程、坐标），也学会了描述变化的世界（函数、指数、波、微积分）。
接下来要面对的是——那些人类感官无法直接感知的东西。
高维空间、概率分布、梯度场……你摸不到、看不见，但 AI 恰恰就在这些"看不见的世界"里运行。
第三幕的第一个问题：
如果一个事物需要用 768 个数来描述——这 768 个数组成的"一串数字"，叫什么？
答案是：向量。
下一篇：看见数学（十一）：向量——给万物一个坐标
《看见数学》系列 — 从结绳记事到 AI，看见数学之美。
本文首发于「AI 学习笔记」博客：https://Jason-Azure.github.io/ai-blog/
微信公众号：AI-lab学习笔记
系列文章完整列表见 标签：看见数学
