数学的乐章第九章：微积分——局部线性化的革命

引言：1665 年的果园

1665 年，伦敦黑死病肆虐，剑桥三一学院停课。二十三岁的牛顿（Isaac Newton）回到林肯郡乡下乌尔索普庄园，在闭门的两年里把他后半生的核心思想全部勾勒了出来——万有引力、光的色散、二项级数，以及一种他自己称作「流数法」（method of fluxions）的新技术。十年之后，远在汉诺威的莱布尼茨（Gottfried Leibniz）也独立发明了同一套技术，并留下了我们今天仍在使用的记号 $dy/dx$ 与 $\\int$ 。

这套技术后来被称为微积分（calculus）。它解决了一个困扰了数学家两千年的难题：如何处理「曲」。古希腊人用穷竭法算过抛物线下的面积，阿基米德甚至已经触摸到了极限思想的门槛，但他们始终没能写下一个通用的程序。微积分的伟大不在于发明了新数，而在于发明了一种处理任意曲线的统一方法。

本章想说的核心只有一句话：微积分 = 用直线逼近曲线。所有威力都从这一思想推出。

核心张力：直线和曲线

线性世界是友好的。一次函数 $y = ax + b$ 的全部信息只有两个数 $a, b$ ；它的图像是一条无限延伸的直线，永远不会拐弯；它的累积——梯形面积——可以用两次乘法和一次加法算出。线性是数学中最容易计算的对象。

但真实世界几乎没有线性。行星轨道是椭圆，水波是正弦，人口增长是指数，化学反应是高次多项式。一旦曲线介入，最简单的问题立刻变得棘手：曲线在某一点的「方向」是什么？曲线下面的「面积」是多少？给定一段路程随时间变化的曲线，「瞬时速度」又如何定义？

古典数学对此束手无策。它有几何（处理形状）、有代数（处理方程）、有三角（处理周期），但没有哪一支能直接面对「变化的速率」。微积分填补的正是这一空白。

图 1：切线在 P 点和曲线无限贴近。在 P 的极小邻域里，曲线看起来就是它的切线。

导数：最佳线性逼近

把曲线放大。在任意一点 $P=(a,f(a))$ 附近，无论 $f$ 多扭曲，只要它「光滑」，那么放大到足够倍数，曲线就会越来越接近一条直线——它的切线。这条切线的斜率，就是 $f$ 在 $a$ 点的导数（derivative）：

f'(a) = \\lim_{h \\to 0} \\frac{f(a+h) - f(a)}{h}.

这个表达式的几何含义直接可视化：割线连接 $(a, f(a))$ 和 $(a+h, f(a+h))$ ，它的斜率是 $[f(a+h)-f(a)]/h$ 。让 $h$ 趋近于零，割线绕着 $P$ 旋转，最终落到切线上。

导数另一种等价的、更深刻的描述是最佳线性逼近。在 $a$ 附近，

f(a+h) = f(a) + f'(a)\\,h + o(h),

其中 $o(h)$ 表示比 $h$ 更高阶的小量。这个等式说：忽略掉高阶的尾巴， $f$ 在局部就是一条斜率为 $f'(a)$ 的直线。能这样写下来的 $f$ ，就叫做在 $a$ 点可微（differentiable）。

这一视角把导数从「斜率」抬升为「线性算子」。在更高维度，它的真正样子才会显现——多元函数的导数不是一个数，而是一个雅可比矩阵；映射的导数不是数也不是矩阵，而是切空间之间的线性映射。但万变不离其宗：导数 = 在一点的最佳线性逼近。

微分：线性逼近的语言

莱布尼茨记号 $dy = f'(x)\\,dx$ 看似只是符号游戏，实际上承担了重要的概念角色。它说：当自变量发生「极小」变化 $dx$ 时，因变量的极小变化 $dy$ 等于 $f'(x)$ 倍的 $dx$ 。这是一个线性关系——而真实的 $\\Delta y$ 与 $\\Delta x$ 之间的关系当然是非线性的。

从现代观点看， $dx$ 不是「无穷小数」，而是切空间上的线性泛函； $dy$ 也是。两者之间的等式，是说一个线性映射等于另一个线性映射的 $f'(x)$ 倍。这套语言在一维显得多余，到了多元和流形上才显示威力：

df = \\frac{\\partial f}{\\partial x}\\,dx + \\frac{\\partial f}{\\partial y}\\,dy.

这就是全微分。它的几何含义是：在二元函数图像所定义的曲面上，每一点都有一个切平面，全微分正是这切平面的方程。

链式法则：组合的线性化

一个复合函数 $(g \\circ f)(x) = g(f(x))$ 的导数是什么？答案出奇地干净：

(g \\circ f)'(x) = g'(f(x)) \\cdot f'(x).

这就是链式法则（chain rule）。直觉是：复合就是把两段「最佳线性逼近」串起来；而线性映射的复合，就是矩阵的乘法（在一维退化为数的乘法）。链式法则不是公式技巧，而是线性化与复合可交换这一深刻原理的体现。

这个原理后来被推广到任意流形之间的光滑映射。深度学习中的反向传播（backpropagation），本质上就是链式法则的一个高维实现——它告诉我们，复合上千层非线性变换之后的导数，仍然可以通过逐层乘以雅可比矩阵来计算。

极值：费马原理与最优化

导数最古老的应用是寻找极值。如果 $f$ 在某点 $x_0$ 取到最大或最小值，且 $f$ 在该点可微，那么 $f'(x_0) = 0$ 。这一结论先于完整的微积分理论，由费马（Pierre de Fermat）在 1630 年代提出，称作费马定理（不是数论里那个）。

它的几何直觉是：在山顶或谷底，切线是水平的。在更深的层面上，它说极值点处的最佳线性逼近不能告诉你「往哪走更好」——一切方向都不会立刻让你下降或上升，剩下的判断就交给二阶导数（曲率）。

费马还用同样的思想解释了光的折射定律。设光从介质 1 进入介质 2，速度分别为 $v_1, v_2$ 。光选择能让总耗时最少的路径——这是费马原理。把总时间表达为入射点位置的函数，求导为零，立刻得到斯涅尔定律：

\\frac{\\sin\\theta_1}{v_1} = \\frac{\\sin\\theta_2}{v_2}.

一条光学定律就这样被微积分化归为一个一元极值问题。这种「自然按极值原则演化」的思想，最终在变分法和最小作用量原理中开花结果。

Riemann 和：曲线下的面积

切线问题处理的是曲线的局部斜率；积分问题处理的是曲线下的累积面积。把区间 $[a,b]$ 切成 $n$ 小段，每一段上做矩形高度等于函数值，累加这些矩形的面积，得到 Riemann 和：

S_n = \\sum_{i=1}^{n} f(\\xi_i)\\,(x_i - x_{i-1}).

当分割越来越细时（最大段长 $\\to 0$ ）， $S_n$ 收敛到一个固定的极限，这个极限就被称作 $f$ 在 $[a,b]$ 上的定积分：

\\int_a^b f(x)\\,dx = \\lim_{n\\to\\infty} S_n.

图 2：Riemann 和把曲线下面积近似为矩形和。当矩形越来越窄，近似越来越精确，极限就是定积分。

这一定义看起来朴素，但它隐含了两个关键信息。第一，并非所有函数都是 Riemann 可积的——必须存在那个极限，并且与分割方式和取点 $\\xi_i$ 无关。第二，定积分的值代表「累积」，它的几何含义是有向面积，物理含义可以是路程、功、电量、概率密度的总和——所有「随某个量变化的总量」。

微积分基本定理

导数研究局部，积分研究整体。这两件看起来毫不相关的事——一个把曲线无限细分得到斜率，一个把曲线下无限小条加起来得到面积——居然是同一枚硬币的两面。这就是微积分基本定理（Fundamental Theorem of Calculus）：

\\frac{d}{dx} \\int_a^x f(t)\\,dt = f(x).

左边是把变上限定积分对 $x$ 求导，右边是被积函数本身。这就好比：你把过去某段时间的总收入加起来得到一个累计函数，再对累计函数求瞬时变化率，得到的就是当下的收入流速。微分与积分互为逆运算。

这个定理还有一个等价的、计算上更常用的版本——牛顿—莱布尼茨公式：

\\int_a^b f'(x)\\,dx = f(b) - f(a).

它说：要算一个函数的导函数在区间上的累积，不需要真的去求 Riemann 和的极限，只要算出原函数在两个端点的差就行了。这把无限步骤的累积归约为两次代入——古往今来无数物理、工程、经济的具体计算，都依赖这一招。

从证明的角度看，基本定理的核心是「累积函数的最佳线性逼近」。 $\\Phi(x) = \\int_a^x f$ 在 $x$ 处的增量，约等于一个高度为 $f(x)$ 、底为 $\\Delta x$ 的小矩形，因此 $\\Phi'(x) = f(x)$ 。线性逼近这一主线再次出现：定积分被「微分化」，恰恰是因为累积在局部表现得像线性。

应用：从弧长到旋转体

定积分的威力之一在于它把许多看似不同的几何量统一到一个公式族里。

圆的面积 $\\pi r^2$ ：极坐标下沿半径累加圆环。

抛物线弧长：曲线在 $[a,b]$ 上的弧长公式

L = \\int_a^b \\sqrt{1 + (f'(x))^2}\\,dx.

背后的直觉非常微积分：把曲线切成无数小段，每一段近似为切线方向上的小直线段，长度 $\\sqrt{(dx)^2+(dy)^2}$ ，把它们加起来。

旋转体体积：把横截面积 $\\pi (f(x))^2$ 沿轴向积分。同样的思想：把体积切片，每片近似为薄圆盘，再加起来。

这种「化整为零、再积零为整」的策略是微积分思想的最直接表达——也是物理学的工作语言。

现代视角：流形上的微分

到了二十世纪，微积分被进一步推广到任意维度的弯曲空间——流形（manifold）。在流形上，每一点都有一个切空间，光滑映射在每一点都有一个把切空间映到切空间的线性映射，这就是微分。多元微积分中的方向导数、梯度、散度、旋度，全部统一成「外微分」 $d$ 这一个算子。

这一现代视角的代表是广义 Stokes 定理：

\\int_{\\partial M} \\omega = \\int_M d\\omega.

它把基本定理（一维）、Green 定理（二维）、Stokes 定理（三维）和散度定理（三维）合写成一行。这一行的所有内容，本质上仍然是 1665 年牛顿在乌尔索普所悟到的同一件事：微分与积分互逆，因为局部的线性化决定了整体的累积。

结语

微积分给了人类一把打开「连续变化」之门的钥匙。它的全部威力来自一个朴素的洞察：把曲线放大到无穷倍后看，它就是直线。这个想法之所以行得通，是因为实数足够稠密——这一前提我们在第三章已经讨论过；它之所以严谨，是因为极限的 ε–δ 定义把「无限接近」变成了可计算的代数关系。

三百多年来，微积分养活了所有的物理工程学科，孕育出了泛函分析、动力系统、偏微分方程、流形几何、机率论与机器学习。它不是一组公式，而是一种看世界的视角——把任何复杂事物在局部线性化、再把局部累积起来。

与下章纽带

但 Riemann 积分有它的死角。狄利克雷函数（在有理点取 1、无理点取 0）这样的家伙，无论你怎么分割都得到大小不一的 Riemann 和，永远收敛不到统一的极限。要把更病态的函数纳入积分理论，必须重新思考「累积」这个动作——不是按 $x$ 切横轴，而是按函数取值切纵轴。这就是勒贝格（Henri Lebesgue）在 1902 年带来的革命：测度论。它让积分不再依赖于函数的连续性，而依赖于其取值集合的「大小」。下一章我们将走进这场革命，看看从黎曼到勒贝格，积分理论如何被彻底重塑。