P2-4.1 重新看我们是怎样学微分的¶

Section ID: P2-4.1 Version: v2026.07.20

在 Part 2 Chapter 3 中，我们通过标量(scalar)、向量(vector)、矩阵(matrix)看到了数据与模型计算的形状。现在，在 Part 2 Chapter 4 里，我们转向微分(differentiation)。

但如果一开始就把公式放到前面，很容易让人失去它和“变化问题”之间的连接。这里先把很久以前学过的记忆重新拿出来，再把这些记忆重新改写成 AI 学习需要的问题。

本节重新整理 微分(differentiation)、变化比较(change comparison)、瞬时变化率(instantaneous rate of change)、切线(tangent line)、记忆恢复。如果说 Chapter 3 读的是数据形状与向量计算，那么这里就从“当数值变化时，我们应该问什么”这个微分入口重新开始。

这里关注的不是正式的微分公式训练，而是把“变化率”这个问题重新提出来。只要先把微分重新抓成 输入稍微变化时，输出会变化多少？ 这个问题，那么后面看到损失(loss)、梯度(gradient)、参数更新(parameter update)时，数学就不会那么容易断开。

对读者来说，这里再搭一座桥会更好。Chapter 4 之所以重新读微分，是为了在 Chapter 6 里读懂怎样朝着减小损失(loss)的方向移动。也就是说，后面的流程会连成 变化问题 -> 变化率 -> 梯度 -> 学习更新。

先看的连接流程¶

如果把现在要抓住微分入口的原因压缩成一张表，就是下面这样。

从这张表看，Chapter 4 不是一个背公式的章节，而是一个为学习为什么必须读取变化方向做准备的章节。

核心判断标准：重新看我们是怎样学微分的¶

• 你可以说明为什么微分(differentiation)会让人觉得遥远。
• 你可以先把微分重新读成数值变化比较的问题，而不是公式。
• 你可以说出为什么微分感会连到损失(loss)与学习(learning)的说明。

三个判断标准¶

学微分时会想起的话¶

如果你很久以前学过微分，下面这些表达可能会最先浮现出来。

1. 你可能会想到切线的斜率。
2. 你可能会想到瞬时变化率。
3. 你可能会想到瞬时速度。
4. 你可能会想到导函数与微分系数。
5. 你可能会想到用极限定义的式子和公式计算题。

这些表达都和微分有关。但第一次学习时，它们往往不会被记成一条相互连接的流程，而更容易被记成“为了考试解题的一组公式”。

你可以先向自己提出下面这些问题。

1. 一听到“微分”，你最先想到的是什么？ 可能是切线斜率，也可能是公式，也可能是瞬时速度。
2. 这个记忆更接近计算方法，还是更接近意义？ 如果最先想到的只有公式，那就可能是计算方法还在，但意义已经模糊了。
3. 如果想把意义重新抓回来，应该先看什么？ 先重新回到“数值在变化”以及“比较这种变化”这两个说法。

例如，你也许是这样学过的。

1. 在函数图像上画切线。
2. 计算两点之间的斜率。
3. 让两点越来越接近。
4. 取极限后得到一点处的斜率。
5. 把这个值叫作微分系数或导数。

这套说明和标准的微分入门是很吻合的。但时间一久，为什么要让两点靠近、为什么斜率重要、这和 AI 学习有什么关系就可能慢慢模糊掉。

距离、速度、加速度的记忆¶

学微分时很容易留下印象的一个例子，是时间(time)下的距离(distance)、速度(velocity)、加速度(acceleration)关系。

距离表示位置随着时间变化了多少。速度表示距离随时间变化得有多快。加速度表示速度随时间变化得有多快。

1. 距离会随着时间变化。
2. 距离对时间的变化率就是速度(velocity)。
3. 速度对时间的变化率就是加速度(acceleration)。

这个例子会让我们把微分读成：不是“公式计算”，而是“一个值的变化会变成另一个值意义的结构”。

AI 学习也需要类似的想法。因为只有读出损失(loss)是怎样变化的，才能判断参数(parameter)应该朝哪个方向改。

这里也可以换一种提问方式。

1. 从时间的角度看距离，就会得到速度。
2. 从时间的角度看速度，就会得到加速度。
3. 所以，微分可以读成一种工具，用来观察一个值相对于另一个值变化了多少。

点、线、面、体积的记忆¶

另一种记忆，可能是从点(point)、线(line)、面(area)、体积(volume)持续展开的关系。

1. 想象一个点(point)。
2. 点连起来，可以想到线(line)。
3. 线移动或堆叠起来，可以想到面(area)。
4. 面堆叠起来，可以想到体积(volume)。

点连起来可以想到线，线移动或堆叠起来可以想到面，面堆叠起来可以想到体积。

这条流程更接近累积(accumulation)的直觉：小变化不断堆积，构成更大的对象。微分(differentiation)则更像是反过来，从整体变化的流程里去读取很小的变化率。

但这里不会深入处理积分(integration)或维度(dimension)。只需要抓住一个记忆：变化与累积原本就是彼此相关联的数学思路。

这个记忆可以整理成下面这样。

1. 如果点连起来，会想到什么？ 会想到线。
2. 如果线移动或堆叠起来，会想到什么？ 会想到面。
3. 如果面堆叠起来，会想到什么？ 会想到体积。
4. 这条流程是微分，还是累积？ 它更接近累积的直觉。但在一起理解微分与积分时，它会成为重要的背景记忆。

为了重新阅读微分而提出的问题¶

现在，把微分不是当成公式，而是当成下面这些问题重新来读。

1. 输入稍微变化时，输出会变化多少？
2. 在这个点上，数值是在变大还是变小？
3. 如果想让数值减小，应该朝哪个方向移动？
4. 如果小变化不断累积，整体变化会呈现成什么样子？

只要这些问题抓住了，变化率(rate of change)、斜率(slope)、导数(derivative)、梯度(gradient)这些词就不会只剩下“完全陌生的术语”。

案例与示例¶

案例 1. 当配送时间变长时，应该先问什么？¶

假设一个物流团队在运营订单处理系统。有人报告说，与上周相比，平均配送时间变长了。现场的人会先看一些数字，比如 延迟单数、平均配送时间、耗时最长的订单。

但如果只是把数字列出来，就很难说明“到底什么在变化”。我们不知道是不是因为订单量增多导致变慢，也不知道是不是只有某个地区的配送变慢，或者是不是出库处理速度发生了变化。

这时真正需要的问题，不只是 数值是多少？，而是 某个输入变化时，结果会怎么变化？ 比如订单量稍微增加时，配送时间会增加多少；夜间订单占比变高时，延迟会加重多少。只有比较这种“变化本身”，我们才开始读到原因。

重新阅读微分的第一步也很像这里。我们不会立刻套公式，而是先问：什么发生了变化，这个变化又带来了什么结果差异？ 后面几节学习变化率与斜率，也是为了把这个问题问得更精确。

可以验证的结果可以这样设定：把订单量增加 10% 的日子与平均配送时间是否同时上升，或者把某个时段订单占比升高时延迟单数是否变多，用表格或简单散点图对比一下，先检查 这些变化是不是一起变化。

检查清单¶

• 一听到微分，你能不能说出自己先想到的是切线斜率、瞬时变化率，还是瞬时速度？
• 当公式先浮现出来时，你能不能重新追问这个公式在处理什么变化意义？
• 你能不能把距离、速度、加速度的关系解释成变化率的例子？
• 你能不能说明点、线、面、体积的关系和累积直觉相连？
• 你能不能把微分重新看成不是公式背诵，而是 小变化会怎样影响输出？ 这个问题？
• 你能不能把切线、微分系数、瞬时速度这些词串成同一个变化问题？
• 你能不能说明为什么在阅读损失或梯度说明之前，要先恢复 数值到底变化了多少？ 这个问题？

来源与参考资料¶

• OpenStax, Calculus Volume 1, 3.1 Defining the Derivative, 确认日期: 2026-07-20. 这是把切线、割线、导数、速度和瞬时变化率作为微分入口标准说明来确认的依据。