上一篇 《圆与波》 里，我们认识了第三种变化——周期循环。
线性、指数、周期——三种变化我们都认识了。
但有一个问题一直悬在那里，从未回答：
在变化的某一瞬间，变化到底有多快？
系列导航
第一章：一个你每天都遇到的问题
你在开车。
仪表盘上的速度表显示：80 km/h。
这个"80"是什么意思？
你可能觉得这很简单——“就是说我现在每小时能走 80 公里呗。”
但认真想想，这个说法有点奇怪：
你并没有真的走了一个小时。你可能 5 秒后就踩了刹车。
“每小时 80 公里"描述的不是你真的走了多远，而是——如果你以此刻的状态继续走下去，一小时后你会走多远。
这就是瞬时速度——此刻、此时、这一毫秒的速度。
问题来了：怎么测量"此刻"的速度？
平均速度很好算：
你 2 小时走了 160 公里
平均速度 = 160 / 2 = 80 km/h
但这是"平均"——你可能前半小时堵车只走了 10 公里，
后面在高速上飙到 120 km/h。
瞬时速度问的是：
在 10:32:45.237 这一刻，你到底在以多少速度运动？
不是 2 小时的平均
不是 1 分钟的平均
不是 1 秒的平均
是——"这一刻"
“这一刻"有多短？0.1 秒？0.001 秒？0.000001 秒？
无穷短。
为了回答这个问题，人类花了 2000 年。
第二章：芝诺的乌龟——一个 2500 年前的困惑
公元前 5 世纪，古希腊的哲学家芝诺提出了一系列著名的悖论。其中最有名的一个：
英雄阿基里斯和一只乌龟赛跑。
乌龟先出发 100 米。
阿基里斯跑到乌龟出发的位置时（100 米），
乌龟又往前走了 10 米。
阿基里斯再跑 10 米时，
乌龟又往前走了 1 米。
阿基里斯再跑 1 米时，
乌龟又往前走了 0.1 米。
……
阿基里斯似乎永远追不上乌龟？
当然，现实中阿基里斯很快就超过了乌龟。但芝诺的悖论揭示了一个深刻的问题：
如何处理"无穷多个越来越小的东西”？
100 + 10 + 1 + 0.1 + 0.01 + …… 无穷多项加起来，等于多少？
答案是 111.111…… = 111⅑（一个有限的数）。
无穷多个东西加起来，可以是有限的。 这个事实，人类直到 17 世纪才真正搞明白。
还记得第七篇里庄子的”一尺之棰，日取其半，万世不竭“吗？那也是同一个问题的另一面——½ + ¼ + ⅛ + …… = 1。无穷多个越来越小的碎片，加起来等于一个完整的"1”。
芝诺和庄子在同一个时代（公元前 5 世纪），在地球的两端，思考着同一个问题。
第三章：割线→切线——微积分的核心动画
芝诺的问题在 2000 年后被牛顿和莱布尼茨用一个精妙的方法解决了。
方法的核心是：极限。
让我用一个动画来展示：
这是微积分最核心的画面。 仔细看：
- 曲线 y = x² 上有两个点 A 和 B
- 连接 A 和 B 的直线叫割线（secant）——它代表两点之间的平均变化率
- 当 B 点沿着曲线向 A 滑动时，割线在旋转
- 当 B 无限接近 A 时——割线变成了切线（tangent）
- 切线的斜率 = A 点的瞬时变化率 = 导数
想知道"此刻"变化有多快？
取两个时刻，算平均变化率 → 割线
让两个时刻越来越近 → 割线在旋转
让时间间隔无限接近零 → 割线变成切线
切线的斜率 → 就是"此刻"的变化率
这个过程叫"求极限"
这个结果叫"导数"
翻译成速度的语言：
过去 2 小时你走了 160 km → 平均 80 km/h （割线）
过去 1 分钟你走了 1.4 km → 平均 84 km/h （更细的割线）
过去 1 秒你走了 23 米 → 平均 82.8 km/h （更更细的割线）
过去 0.001 秒…… → …… （越来越细）
当时间间隔→0 → 瞬时速度 83 km/h （切线=导数）
一句话记住： 导数 = 无限短时间内的变化率。求导就是把"平均"逼到"瞬间"——让两个点无限接近，割线变成切线。
第四章：导数——函数的"速度表"
导数有一个特别直观的理解：它是函数的"速度表"。
每个函数都有一条曲线。导数告诉你，曲线在每一个点的坡度是多少。
曲线很陡（上坡） → 导数很大 → 变化很快
曲线很平 → 导数接近 0 → 几乎不变
曲线在下降 → 导数是负数 → 在变小
曲线在顶点 → 导数 = 0 → 瞬间"停"了
╱ ← 导数 = 正（上坡）
╱
╱── ← 导数 = 0（顶点）
╲
╲ ← 导数 = 负（下坡）
几个常见函数的导数：
| 函数 f(x) | 导数 f’(x) | 直觉 |
|---|---|---|
| f(x) = 5（常数） | f’(x) = 0 | 不动的东西没有速度 |
| f(x) = 2x + 1（直线） | f’(x) = 2 | 匀速变化，速度恒定 |
| f(x) = x²（抛物线） | f’(x) = 2x | 越来越快（x 越大越陡） |
| f(x) = sin(x)（波浪） | f’(x) = cos(x) | 波顶（sin=1）时速度为零，波中速度最快 |
| f(x) = eˣ（指数） | f’(x) = eˣ | 速度等于自身！越快就越更快——指数爆炸的数学本质 |
最后一行特别惊人：eˣ 的导数就是它自己。 它的"速度"等于它的"位置"——越高就越快，越快就越高。这就是指数增长"失控"的数学根源。
刘徽的割圆术（263 年） 本质上就是极限思想的应用：把圆用正多边形逼近，边数越多越接近圆。从 6 边形到 12 边形到 24 边形到 96 边形……刘徽做的事情和微积分里"让间隔趋近于零"完全一样——只是他用在了求面积，而牛顿用在了求速度。
中国人比牛顿早 1400 年使用了极限思想。只是没有把它发展成一套系统的理论。
一句话记住： 导数就是函数在每一个点的"坡度"。坡度大→变化快，坡度零→到顶了，坡度负→在下降。学会看导数，你就拥有了一双看见"变化速度"的眼睛。
第五章：连接 AI——梯度就是导数
现在来看 AI。
在 第三篇 我们说过：AI 训练就是"求解几十亿个 x"。
在 第五篇 我们看过注意力方程。
现在我们终于可以理解：AI 到底是怎么"学习"的。
答案只有两个字：梯度（Gradient）。
一维：导数告诉你"往左走还是往右走能下坡"
函数 f(x) → 导数 f'(x) → 一个方向
多维：梯度告诉你"往哪个方向走能最快下坡"
函数 f(x₁, x₂, ..., xₙ)
→ 梯度 = (∂f/∂x₁, ∂f/∂x₂, ..., ∂f/∂xₙ)
→ 一个包含所有方向信息的向量
一维是爬一条线，多维是爬一座山
梯度指向"最陡的下坡方向"
AI 训练的三步循环
AI 训练的每一步，做的事情就是：
第一步：算"差距"
把数据丢进模型 → 看预测结果 → 和正确答案对比
差距 = loss（损失函数）
loss 越大 = 模型越差
第二步：算"方向"
对 loss 求梯度（导数！）
梯度告诉你："调哪些参数，往哪个方向调，能让 loss 下降最快"
第三步：走一步
沿着梯度方向，把参数微调一点点
loss 会稍微下降
重复。重复。重复几十万次。
就像蒙着眼睛在山上找谷底：
每一步都用脚感受坡度（求导数）
然后往最陡的下坡方向走一步（梯度下降）
走几万步后——你到了谷底（模型训练完成）
还记得我们在实验室跑 microgpt 时看到的吗？
step 0, loss = 3.367 ← 刚开始，山顶
step 100, loss = 2.741 ← 下坡中
step 500, loss = 2.112 ← 继续下
step 1000, loss = 1.924 ← 快到谷底了
每一步 loss 的下降，背后就是一次"求导→沿梯度走一步"。
整个深度学习、整个 AI 训练——几千亿美元的产业——最核心的数学操作就是：求导数。
| 蒙眼下山 | AI 训练 | |
|---|---|---|
| 你在哪 | 山上的某个位置 | 参数的当前值 |
| 目标 | 找到谷底 | 让 loss 最小 |
| 怎么走 | 用脚感受坡度 | 求梯度（导数） |
| 每一步 | 往最陡的方向走一步 | 沿梯度方向调参数 |
| 重复 | 走几百步 | 迭代几十万步 |
| 结束 | 到了谷底 | loss 不再下降 |
一句话记住： 梯度 = 多维的导数。AI 训练的每一步都在求导数——“loss 往哪个方向下降最快？"。微积分不是考试里的"天书”，它是 AI 会学习的根本原因。
第六章：微积分为什么花了 2000 年？
从芝诺（公元前 5 世纪）到牛顿和莱布尼茨（17 世纪），人类花了 2000 年才建立微积分。
为什么这么难？
因为微积分要求人类接受一个极其反直觉的操作：
① 两个点可以"无限接近"但不重合
→ 极限的概念
② 一段"无穷短"的距离不是零，但也不是任何正数
→ 无穷小的概念
③ 无穷多个"无穷小"的东西加起来可以是有限的
→ 芝诺悖论的解答
④ 一条弯曲的线，放大到足够大，看起来是直的
→ 局部线性化（切线）
每一条都在挑战人类的日常直觉。
这就是为什么微积分这么"难"——不是计算难，是概念难。
但一旦你接受了这些概念，整个世界就打开了。
从这个角度看，我们的《看见数学》系列一直在做同样的事：
- 第一篇：接受"抽象"（数字不是实物）
- 第二篇：接受"零"和"负数"（不存在的也有意义）
- 第三篇：接受"x"（不知道的也能处理）
- 第七篇：接受"指数"（大脑跟不上的也是真的）
- 本篇：接受"极限"（无穷短不是零）
数学的每一次飞跃，都是在要求人类接受一个"不舒服"的新概念。而每一次接受，都打开了一个新世界。
动手实验
实验一：亲手"求导"
# 用数值方法感受"导数"——让 h 越来越小
def f(x):
"""我们的函数：f(x) = x²"""
return x ** 2
x = 3 # 在 x=3 这个点求导
print(f"f(x) = x² 在 x = {x} 处的导数")
print(f"理论值：f'(3) = 2×3 = 6")
print()
print(f"{'h':>12} {'近似导数':>12} {'误差':>10}")
print("─" * 40)
for exp in range(1, 11):
h = 10 ** (-exp)
derivative = (f(x + h) - f(x)) / h # 割线斜率
error = abs(derivative - 6)
print(f"{h:>12.1e} {derivative:>12.8f} {error:>10.2e}")
# 输出：
# h 近似导数 误差
# ────────────────────────────────────────
# 1.0e-01 6.10000000 1.00e-01 ← 割线，还差一点
# 1.0e-02 6.01000000 1.00e-02 ← 更近了
# 1.0e-03 6.00100000 1.00e-03
# 1.0e-04 6.00010000 1.00e-04
# 1.0e-05 6.00001000 1.00e-05
# ...
# 1.0e-10 6.00000000 ... ← 几乎完美！切线！
# h 越小 → 割线越接近切线 → 近似导数越接近真实导数
实验二：模拟梯度下降
# 蒙眼下山：梯度下降找最小值
def f(x):
"""一个有"谷底"的函数"""
return (x - 3) ** 2 + 1 # 最小值在 x=3, f=1
def df(x):
"""f 的导数"""
return 2 * (x - 3)
# 从 x=10 出发，找谷底
x = 10.0
learning_rate = 0.1
print("梯度下降：从 x=10 出发，找 f(x) = (x-3)² + 1 的最小值")
print("─" * 50)
print(f"{'步数':>4} {'x':>8} {'f(x)':>8} {'导数':>8} {'方向'}")
print("─" * 50)
for step in range(15):
gradient = df(x)
fx = f(x)
direction = "←" if gradient > 0 else "→"
if abs(gradient) < 0.01:
direction = "✓ 到了！"
if step < 8 or step >= 13:
print(f"{step:>4} {x:>8.3f} {fx:>8.3f} {gradient:>8.3f} {direction}")
x = x - learning_rate * gradient # 沿梯度反方向走
if step == 7:
print(f" ... （省略中间步骤）")
# 输出：
# 0 10.000 50.000 14.000 ← （导数正=右边太高，往左走）
# 1 8.600 32.360 11.200 ←
# 2 7.480 21.350 8.960 ←
# ...
# 14 3.006 1.000 0.011 ✓ 到了！
本篇小结
一、“此刻"的速度
- 平均速度容易算，瞬时速度需要"无穷短"的时间间隔
- 为了定义"此刻”，人类花了 2000 年
二、芝诺的遗产
- 无穷多个无穷小加起来可以是有限的
- 庄子和芝诺在同一时代思考同一个问题
三、割线→切线→导数
- 两个点越来越近 → 割线变切线 → 切线斜率 = 导数
- 这是微积分最核心的画面
四、导数 = 函数的"速度表"
- 坡度大→变化快，坡度零→到顶了，坡度负→在下降
- eˣ 的导数是它自己——指数爆炸的数学根源
五、AI 训练 = 求导数
- 梯度 = 多维的导数 = “往哪个方向走能最快下坡”
- 整个深度学习的核心操作就是：求导→沿梯度走一步→重复
六、微积分为什么花了 2000 年
- 不是计算难，是概念难——接受极限、无穷小、局部线性化
- 数学的每一次飞跃，都是接受一个"不舒服"的新概念
下一篇预告
微积分有两面。这一篇讲了第一面——微分（导数）：把东西切碎，看每一小段的"速度"。
下一篇讲第二面——积分：把切碎的东西加回来。
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？
如果你把一个圆切成无穷多个细环，展开来，会变成什么形状？
答案是：πr²。 而推导它的方法，美到让你屏息。
下一篇是第二幕的终曲：看见数学（十）：微积分（下）——加起来的艺术
《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
