看见数学（三）：未知数 x——给"不知道"取个名字

上一篇 《零的发明》 里，我们让数轴从正数延伸到了负无穷。人类终于有了一条完整的数轴。

但到目前为止，我们做的都是同一件事：算已知的数。

3 + 5 = 8。已知 3，已知 5，算出 8。

可是，如果你不知道其中一个数呢？

系列导航

▹ 第一篇：结绳记事——人类第一次抽象

▹ 第二篇：零的发明——最伟大的"无"

▸ 第三篇（本文）：未知数 x——给"不知道"取个名字

▹ 第四篇：坐标革命——笛卡尔的天才之桥

▹ 第五篇：方程的力量——自然界的源代码

第一章：一道一千年前的题

公元 820 年左右，巴格达。

一位波斯学者坐在"智慧之家"（Bayt al-Hikma）里，正在写一本书。

他叫花拉子米（al-Khwarizmi）。这本书的名字翻译成中文大概是：《还原与对消的计算法则》。

书名里的阿拉伯语单词 al-jabr（还原），后来传入欧洲，变成了一个你一定听过的词——

Algebra。代数。

花拉子米在书里讨论了一类问题：

"一个财产，它的十分之一加上它自身，等于 110 第纳尔。
 问：这个财产是多少？"

x + x/10 = 110

注意——花拉子米那个时代，没有 x，没有 +，没有 =。 他用的全是文字描述。上面那道题在原文里是用一大段阿拉伯语写的。

但核心思想已经在了：

有一个数，我不知道它是多少，但我知道它满足一个条件。我要找到它。

这就是代数的灵魂。

第二章：x 是什么？

让我们暂时忘掉数学课本上的 x，从头想这件事。

你在日常生活中，其实每天都在用 x——只是你没意识到。

看到了吗？

x 就是"我现在不知道，但我想知道"的那个东西。

给"不知道"取个名字——这就是 x 的全部含义。

你可以叫它 x，可以叫它 y，可以叫它"某某"，可以叫它"那个数"。名字不重要，重要的是这个思维动作：

承认"我不知道"，把它当作一个对象来处理，然后用逻辑去推。

这就是代数思维的本质。

第三章：等号——一架天平

在继续之前，我们需要认真看看一个你从小学就认识的符号：

=

等号。

你可能觉得它太简单了，没什么好说的。但等号可能是人类发明的最深刻的符号之一。

等号的发明人是英国数学家罗伯特·雷科德（Robert Recorde），1557 年。他在书里写道：

“我选择两条平行的等长线段来表示’相等’，因为没有什么东西比它们更相等了。”

         ┌─────────────────────────────┐
         │         方程 = 天平           │
         └─────────────────────────────┘

              左边          右边
            ┌──────┐      ┌──────┐
            │ x + 3 │      │  10  │
            └──┬───┘      └──┬───┘
               │              │
         ══════╧══════════════╧══════
                    ▲
                  支点
              （等号 = ）

         天平两边一样重 → 等号成立
         在左边做什么操作，右边也必须做
         这样天平才能保持平衡

方程就是天平。等号就是支点。两边必须保持平衡。

这个理解至关重要，因为"解方程"的全部操作都基于一条规则：

你在等号左边做的任何操作，必须同时在右边也做一次。

来看看怎么用这个规则"解"方程：

题目：  x + 3 = 10
目标：  把 x 单独留在左边

第一步：两边同时减 3（保持平衡）

        x + 3 - 3 = 10 - 3
        x         = 7       ✓

验证：  7 + 3 = 10  ✓  天平平衡！

再来一个：  2x + 5 = 13

第一步：两边同时减 5
        2x = 8

第二步：两边同时除以 2
        x = 4

验证：  2 × 4 + 5 = 13  ✓

整个过程就是：一步一步拆掉 x 身上的"包袱"，把它解放出来。

注意：你不是在"猜"x 是什么。你是在推理——每一步都有逻辑依据，每一步天平都保持平衡。

一句话记住： 解方程不是"算"出来的。解方程是推理出来的——像剥洋葱一样，一层一层剥掉 x 身上的运算，直到 x 赤裸裸地站在你面前。

第四章：鸡兔同笼——两个未知数

一个 x 的方程你学会了。那如果有两个不知道的东西呢？

这就是中国古代最经典的数学题：

原文："今有雉兔同笼，上有三十五头，下有九十四足。
      问雉兔各几何？"

翻译：笼子里有鸡和兔子，
      头一共 35 个，
      脚一共 94 只。
      鸡几只？兔几只？

古人怎么做这道题？

他们用的是一种巧妙的"假设法"——假设所有动物都是鸡，那应该有 35 × 2 = 70 只脚，但实际上有 94 只脚，多了 24 只。每用一只兔子替换一只鸡就多 2 只脚，所以兔子 = 24 ÷ 2 = 12 只。

很聪明。但每道题都要想一个新花招。

现在用代数来做：

设：鸡 = x 只，兔 = y 只

条件一（头）：  x  +  y = 35
条件二（脚）：  2x + 4y = 94

从条件一：x = 35 - y
代入条件二：2(35 - y) + 4y = 94
            70 - 2y + 4y = 94
            2y = 24
            y = 12   → 兔 12 只
            x = 23   → 鸡 23 只

验证：23 + 12 = 35 ✓（头对了）
      23×2 + 12×4 = 46 + 48 = 94 ✓（脚也对了）

两种方法都能解，但代数的方法有一个巨大的优势：

它是通用的。

假设法每道题都要想新花招。方程组的方法换了题目也一样用——管你是鸡兔同笼、牛马同圈、还是苹果橘子混装，步骤完全相同：

1. 给不知道的量取名字（x, y）
2. 把条件翻译成方程
3. 用逻辑推出答案

这就是代数的威力：把"巧妙"变成"机械"，把"灵感"变成"流程"。

一句话记住： 代数的伟大之处，不在于它能解难题，而在于它让任何人都能用同一套方法解任何题。这就是符号化和通用化的力量。

第五章：符号的压缩力

还记得第一篇讲的吗？数学是压缩语言。

x 的发明是压缩史上的一次巨大飞跃。看看同一道题在不同时代的写法：

古巴比伦（公元前 2000 年）：
"我有一个长方形的田。长比宽多 7 步。
 面积是 60 平方步。问长和宽各是多少？"
                                    → 3 行文字

花拉子米（公元 820 年）：
"一个东西，它的平方加上它的十倍等于三十九"
                                    → 1 行文字

今天：
x² + 10x = 39
                                    → 1 行公式，12 个字符

从 3 行文字到 12 个字符。 信息没少，但体积压缩了十几倍。

而且，不只是更短了。符号让你能做文字做不到的事：

最后一行尤其重要。

数学符号是人类第一种真正的"通用语言"。

一个中国学生、一个巴西学生、一个尼日利亚学生——他们可能一个字的日常语言都不通，但看到 x² + 10x = 39，他们理解的是完全相同的东西。

这就是压缩的极致——不只是压缩了长度，还压缩掉了语言和文化的差异。

一句话记住： 符号化不只是"更短"。它让知识变成了跨越语言、跨越时代、跨越文化的通用格式。x² + 10x = 39，古巴比伦人看得懂，你也看得懂。

第六章：连接 AI——几十亿个 x

现在，让我们把目光从一个 x 移向 AI。

一个方程有一个未知数 x。鸡兔同笼有两个未知数 x 和 y。

那神经网络呢？

一道鸡兔同笼题：           2 个未知数 (x, y)
一组工程方程：              几十个未知数
一个天气预报模型：          几千个未知数

GPT-2（2019）：            1.5 亿个未知数
GPT-3（2020）：            1750 亿个未知数
GPT-4（2023）：            据传超过 1 万亿个未知数

这些"未知数"在 AI 里有一个名字：参数（parameters），也叫权重（weights）。

训练一个 AI 模型，就是在"解方程"——只不过，方程的数量和未知数的数量都是天文级别的。

来看一个具体的例子。

我们实验室里有一个叫 microgpt 的迷你模型。它只有 4192 个参数——对 GPT 来说微不足道，但对理解原理来说刚刚好。

azureuser@ai-lab:~$ cd ~/microgpt && python3 microgpt.py

训练开始后，你会看到：

step 0, loss = 3.367  ← 刚开始，什么都不会，loss 很高
step 100, loss = 2.741
step 200, loss = 2.456
step 500, loss = 2.112
step 1000, loss = 1.924  ← 训练完成，loss 下降了

生成的名字: Jame, Kel, Mara, Trey ...

这个过程在做什么？

调整 4192 个参数（x₁, x₂, …, x₄₁₉₂），让模型对数据的预测越来越准确。

每一步都在"解方程"。只不过不是一步求出精确解，而是一点一点逼近一个"足够好"的答案。

就像你在一个黑暗的房间里找东西——你看不见它在哪，但你每次伸手都能感觉到"比刚才近了一点"还是"远了一点"。走几千步之后，你就摸到了。

一句话记住： AI 训练 = 求解天文数量的未知数。代数教会了人类"给未知数取名字"，AI 把这个思想推到了极致——几十亿个 x，用数学方法一起求解。

第七章：从 x 到 x 思维

这篇文章的最后，我想说一个可能让你意外的观点：

x 不只是一个数学符号。x 是一种思维方式。

日常生活中的 x 思维：

  "如果明天下雨(x)，我就带伞"
  → x 是一个可能但不确定的事件，你根据它做计划

  "这条路堵了，换一条"
  → 原计划（方程）不成立，你调整条件重新解

  "我不知道对方怎么想"
  → 对方的想法是 x，你根据言行（条件）去推测

  "如果我每月存 x 元，几年后能买房？"
  → 这就是方程：12x × 年数 = 首付

小孩子的世界里，大多数事情是"已知"的：太阳会升起，妈妈会做饭，1+1=2。

成年人的世界里，大多数事情是"未知"的：明天股市涨不涨？这个项目能不能按时完成？我该不该换工作？

处理"未知"是成人世界最核心的能力。而代数——给"不知道"取个名字，然后用逻辑去推理——正是这种能力的数学形式。

数学不只教你算数。数学教你如何面对未知。

动手实验

实验一：Python 解方程

# 不需要任何库！纯逻辑

# 鸡兔同笼：x + y = 35, 2x + 4y = 94
# 用代入法求解

total_heads = 35
total_feet = 94

# 从条件一：x = total_heads - y
# 代入条件二：2(total_heads - y) + 4y = total_feet
# 化简：2*total_heads - 2y + 4y = total_feet
# 化简：2y = total_feet - 2*total_heads

y = (total_feet - 2 * total_heads) // 2  # 兔
x = total_heads - y                       # 鸡

print(f"鸡: {x} 只")
print(f"兔: {y} 只")
print(f"验证 — 头: {x + y}, 脚: {2*x + 4*y}")

# 输出：
# 鸡: 23 只
# 兔: 12 只
# 验证 — 头: 35, 脚: 94

实验二：给 AI 的"x"拍个快照

# 看看 microgpt 训练前后，参数（x）是怎么变化的
# 这需要在 ai-lab-venv 环境里运行

# 简化演示：一个只有 3 个参数的"超迷你网络"
import random

# 三个参数（未知数），随机初始化
params = [random.uniform(-1, 1) for _ in range(3)]
print(f"训练前的参数（随机）: ")
for i, p in enumerate(params):
    print(f"  x{i+1} = {p:.4f}")

# 模拟训练：参数被一步步调整（梯度下降的简化演示）
target = [0.5, -0.3, 0.8]  # 假设"正确答案"
learning_rate = 0.1

print(f"\n模拟训练过程：")
for step in range(10):
    # 计算"差距"（loss）
    loss = sum((p - t) ** 2 for p, t in zip(params, target))
    if step % 3 == 0:
        print(f"  第 {step} 步, loss = {loss:.4f}")
    # 调整参数：往"正确答案"的方向靠近一点
    params = [p + learning_rate * (t - p) for p, t in zip(params, target)]

print(f"\n训练后的参数: ")
for i, p in enumerate(params):
    print(f"  x{i+1} = {p:.4f}  (目标: {target[i]})")

# 输出类似：
# 训练前的参数（随机）:
#   x1 = 0.7234
#   x2 = -0.8912
#   x3 = 0.1456
#
# 模拟训练过程：
#   第 0 步, loss = 0.7531
#   第 3 步, loss = 0.3891
#   第 6 步, loss = 0.2011
#   第 9 步, loss = 0.1040
#
# 训练后的参数:
#   x1 = 0.5134  (目标: 0.5)
#   x2 = -0.3073  (目标: -0.3)
#   x3 = 0.7826  (目标: 0.8)

看到了吗？训练 = 让一堆"x"从随机值慢慢逼近"正确值"。

本篇小结

下一篇预告

我们现在有了数（从负无穷到正无穷），有了 x（可以表示任何未知的量），有了方程（描述 x 必须满足的条件）。

但数是"看不见"的。方程是"读不出画面"的。

如果我们能把方程"画出来"呢？

1637 年，一个法国哲学家躺在床上看天花板上的苍蝇，想到了一个天才的主意：用两个数来确定一个点的位置。

这个人叫笛卡尔。他的发明——坐标系——从此把代数和几何永远焊在了一起。

下一篇：看见数学（四）：坐标革命——笛卡尔的天才之桥