你希望导数(Derivative)是如何向你解释的？这是我的看法。
Psst！导数(Derivative)是微积分(Calculus)的核心，藏在这个定义里：
但这是什么意思？
假设我给你一份魔法报纸，上面列出了未来几年每天的股市变化（周一 +1%，周二 -2%……）。你能做什么？
嗯，你可以逐个应用这些变化，画出未来价格走势，低买高卖来建立你的帝国。你甚至可以不再用那些为你的投资组合随机选股票的猴子了。
就像这份魔法报纸，导数(Derivative)是一个水晶球，精确解释一个模式将如何变化。知道了这个，你可以绘制过去/现在/未来，找到最小值/最大值，从而做出更好的决策。这很有趣，比典型的“导数是函数的斜率”描述有意思多了。
让我们远离那个可怕的方程。方程的存在是为了传达思想：理解思想，而不是语法。
导数(Derivative)从一个不完美的猜测中创建出完美的变化模型。
这个成果来自数千年的思考，从阿基米德(Archimedes)到牛顿(Newton)。我们来看看背后的类比。
我们都生活在一个闪亮的连续统一体中
无穷(Infinity)是悖论（“头疼”）的持续来源：
- 一条线是由点构成的吗？当然。
- 那么一条线上有无限多个点？是的。
- 当有无穷多个点要访问时，你如何穿过一个房间？（哎呀，谢谢芝诺).
然而，我们确实在运动。我的直觉是用无穷对抗无穷。没错，0 到 1 之间有无限个点。但我以两个无穷(Infinity)点/秒（不知怎么做到的！）的速度运动，并在半秒内跨过了间隙。
距离有无限个点，运动成为可能，因此运动是用“每秒无穷多个点”来表述的。
与其思考差异（“到下一个点有多远？”），我们可以比较速率（“你穿越这个连续统一体的速度有多快？”）。
这很奇怪，但你可以把 10/5 看作“我需要在 5 段时间里穿越 10 个‘无穷’。为此，每单位时间我穿越 2 个‘无穷’”。
类比：把除法看作穿越连续统一体(continuum)中点的运动速率
零之后是什么？
另一个烧脑问题：零之后是什么数？0.01？0.0001？
嗯。无论你说什么数，我都能说更小的（我只要把你的数减半……略略略！）。
尽管我们无法计算写出零之后的那个数，但它一定存在，对吧？就像昔日的恶魔，它是“不可书写之数，违者必遭天谴”。
把这个到下一个数的间隔称为 $dx$。我不确定它到底多大，但它就在那里！
类比：dx 是连续统一体中跳到下一个数的“跳跃”。
测量结果取决于仪器
导数(Derivative)预测变化。好吧，我们如何衡量速度（距离的变化）？
警察：你知道你开多快吗？
司机：我完全不知道。
警察：每小时95英里。
司机：但我根本没开满一个小时！
我们显然不需要“整整一小时”来测速。我们可以取前后两次测量（比如间隔1秒）来得出你的瞬时速率(Instantaneous Rate)。如果你在1秒内移动了140英尺，那你大约就是95英里/时。很简单，对吧？
不全对。想象一台摄像机对着克拉克·肯特（超人的化身）。摄像机每秒拍24张照片（每张间隔40毫秒），克拉克看起来静止不动。按每秒来看，他没在动，速度是0英里/时。
又错了！在每张照片之间，那40毫秒里，克拉克变成了超人，破了案，又坐回椅子摆好姿势拍照。我们测出0英里/时，但他其实在动——他快得我们的仪器捕捉不到！
类比：就像看着 Superman 的摄像机，我们测到的速度取决于仪器！
在跑步机上奔跑
我们正接近导数(Derivative)那有嚼劲、微酸的核心。我们需要前后测量来侦测变化，但我们的测量可能有误。
想象一个光膀子的圣诞老人在跑步机上（去吧，我等你）。我们要在压力测试中测他的心率：给他贴几十个又重又冷的电极，让他跑起来。
圣诞老人呼哧呼哧喘着，心率飙到每分钟190次。那一定就是他“压力下”的心率，对吧？
不对。你看，严厉的科学家的存在和冰冷的电极本身就把他的心率抬高了！我们被测量190bpm，但要是没那些电极会测到什么谁知道呢！当然，没电极的话，我们也测不到了。
怎么办？嗯，看看这个系统：
- 测量值 = 实际数量 + 测量效应
啊。经过大量研究，我们可能发现“哦，每个电极让心率加10bpm”。我们做测量（不完美的190猜测），再去掉电极的影响（“完美估计”）。
类比：测量完成后去掉“电极效应”
顺便说，这种“电极效应”到处都是。研究有所霍桑效应当人们被关注时行为就变了因为它们正被研究。哎呀，似乎我们盯着的每个人都坚持节食了！
理解导数(Derivative)
有了这些见解，我们就能看透导数(Derivative)如何为变化建模：
从某个要研究的系统开始，$f(x)$：
- 以可能的最小量变化（dx）
- 得到变化前和变化后的差：f(x + dx) - f(x)
- 我们不知道 dx 到底有多小，也不关心：得到运动速率穿过连续统：[f(x + dx) - f(x)] / dx$
- 这个速率，无论多小，都有一些误差（我们的相机太慢了！）。预测如果测量是完美的、如果 dx 不存在会发生什么。
magic在最后一步：我们怎么去掉电极？我们有两种方法:
- 极限(Limit)：当 dx 缩小到虚无、超出任何误差范围时会发生什么？
- 无穷小(Infinitesimal)：如果 dx 是一个微小到在我们的数系中无法检测到的数呢？
两者都是把“不需要 $dx$ 时如何扔掉它？”这个想法形式化的方式。
我的槽点：极限(Limit)是现代的形式化工具，牛顿那时还没有。它们帮着让 $dx$ “干净地”消失。但在导数(Derivative)之前就教极限(Limit)，就像先给方向盘却不给车！它是帮导数(Derivative)运作的工具，不是该孤立研究的对象。
一个例子：f(x) = x^2
我们用个例子抖掉脑子里的蛛网。函数(Function) $f(x) = x^2$ 在连续统中移动时如何变化？
注意最后两个方程的区别：
- 一个内建了误差（dx）
- 另一个有“真实”变化，其中 dx = 0（我们假设测量对结果没有影响）
来看实数。以下是 $f(x) = x^2$ 在 $dx = 1$ 间隔下的值：
- 1, 4, 9, 16, 25, 36, 49, 64...
每个结果之间的绝对变化是：
- 1, 3, 5, 7, 9, 11, 13, 15...
（这里，绝对变化是每个步骤之间的“速度”，其中间隔为 1）
考虑从 $x=2$ 到 $x=3$ 的跳跃（$3^2 - 2^2 = 5$）。这个“5”是由什么组成的？
- 测得速率 = 实际速率 + 误差
- 5 = 2x + dx
- $5 = 2(2) + 1$
当然，我们测得了“每秒移动 5 个单位”的速度，因为我们在一个间隔内从 4 变到了 9。但我们的仪器骗了我们！其中 4 个单位的速度来自真实变化，1 个单位是由于仪器太差（1.0 是个很大的跳跃，不是吗？）。
如果我们局限于整数，5 就是从 4 到 9 的完美速度测量。假设 $dx = 1$ 没有“误差”，因为那就是相邻点之间的真实间隔。
但在现实世界中，每 1.0 秒测量一次太慢了。如果我们的 $dx$ 是 0.1 呢？在 $x=2$ 处我们会测到什么速度？
嗯，我们考察从 $x=2$ 到 $x=2.1$ 的变化：
- $2.1^2 - 2^2 = 0.41$
记住，0.41 是我们在 0.1 的间隔内发生的变化。我们的每单位速度是 0.41 / .1 = 4.1。再次得到：
- 测得速率 = 实际速率 + 误差
- 4.1 = 2x + dx
有趣。当 $dx=0.1$ 时，测得速率和真实速率很接近（4.1 对 4，2.5% 误差）。当 $dx=1$ 时，速率差别相当大（5 对 4，25% 误差）。
按照这个规律，我们发现扔掉电极（令 $dx=0$）就揭示了 $2x$ 的真实速率。
用大白话说：我们分析了 $f(x) = x^2$ 如何变化，找到了一个“不完美”的 $2x + dx$ 变化测量，并推导出“完美”的 $2x$ 变化模型。
作为“连续除法”的导数(Derivative)
我把积分(Integral)看作更好的乘法，你可以将变化的量施加到另一个量上。
导数(Derivative)是“更好的除法”，你在每一瞬间都能得到穿过连续体的速度。类似 10/5 = 2 表示“你在连续体中有恒定的速度 2”。
当你的速度在过程中变化时，你需要描述每一瞬间的速度。那就是导数(Derivative)。
如果你将这个变化的速度施加到每个瞬间（对导数求积分(Integral)），你就重建了原始行为，就像把每日股市变化施加回去以重建完整价格历史。但这是改天再讲的大话题。
注意："Derivative" 的多种含义
你会在很多语境中看到“导数(Derivative)”：
“ $x^2$ 的导数(Derivative)是 $2x$ ”意思是“在每一点，我们正以 $2x$（当前 x 位置的两倍）的速度变化”。（变化的通式）
“导数(Derivative)是 44”意思是“在我们当前位置，我们的变化率(Rate of Change)是 44。”当 $f(x) = x^2$ 时，在 $x=22$ 我们以 44 变化（特定变化率）。
“导数(Derivative)是 $dx$”可能指到下一个位置的微小、假设性跳跃。严格来说，$dx$ 是“微分(Differential)”，但术语会混用。有时人们说“ $x$ 的导数”意思是 $dx$。
注意：我们的模型可能并不完美
我们通过测量并改进它找到了“完美”模型。有时这还不够好——我们在预测如果会$dx$ 不存在会发生什么，但又加上了 $dx$ 来得到初始猜测！
一些不乖的函数(Function)违背了预测：用极限(Limit)去掉 $dx$ 和该瞬间实际发生的情况之间有差异。这些叫做“不连续”函数(Function)，本质上就是“无法用极限建模”。你可以猜到，导数(Derivative)对它们无效，因为我们实际无法预测它们的行为。
不连续函数在实践中很少见，常作为“陷阱！”测试题存在（“哦，你试图对不连续函数求导数，你挂了”）。要认识到导数(Derivative)的理论局限，然后认识到它们在测量每种自然现象中的实际用途。你看到的几乎所有函数(Function)（正弦、余弦、e、多项式等）都是连续的。
注意：积分(Integration)其实并不存在
导数(Derivative)、积分(Integral)和反导数(Anti-derivative)之间的关系很微妙（我最初搞错了）。有个比喻。从一个盘子开始，也就是你要考察的函数(Function)：
- 微分(Differentiation)是把盘子打碎成碎片。有一个特定步骤：取一个差，找出变化率(Rate of Change)，然后假设 dx 不存在。
- 积分(Integration)是称碎片的重量：你的原函数有“这么”大。有一个步骤，累积加法，但它不告诉你盘子看起来是什么样.
- 反微分(Anti-differentiation)是从一堆碎片中推断出盘子原来的形状。
没有算法来找反导数(Anti-derivative)；我们得猜。我们做一张查找表，里面有一堆已知导数(Derivative)（原盘 => 碎片堆），然后看现有的堆是否相似。“来找 $10x$ 的积分(Integral)。嗯，看起来 $2x$ 是 $x^2$ 的导数。所以……涂涂写写…… $10x$ 是 $5x^2$ 的导数。”
求导数(Derivative)是机械活；找反导数(Anti-derivative)是门艺术。有时我们卡住：我们取变化，逐块施加，机械地重建一种模式。它可能不是“真正”的原来盘子，但足够好用。
另一个微妙之处：积分(Integral)和反导数(Anti-derivative)不是一回事吗？（我原本也是这么想的）
是的，但这并不显然：这就是微积分基本定理(Fundamental Theorem of Calculus)！（这就好比说“a^2 + b^2 和 c^2 不是一回事吗？是的，但这并不显然：这就是勾股定理！”）。感谢 Joshua Zucker 帮我理清了思路。
阅读数学
数学是一种语言，我想“读”懂微积分（而不是“背诵”微积分，比如像我们能背诵中古德语圣歌那样）。我需要的是定义背后的含义。
我最大的恍然大悟！是意识到 dx 的瞬时角色：它进行一次测量，然后被移除以建立一个完美的模型。极限(Limit)/无穷小(Infinitesimal)只是一种形式化手段，我们不能陷在里面。牛顿似乎没有它们也过得不错。
有了这些类比，其他数学问题也变得有趣了：
- 我们如何测量不同大小的无穷(Infinity)？（某种意义上它们都“无穷”，在另一种意义上区间 (0,1) 比 (0,2) 小）
- 关于让 dx“消失”的真正规则是什么？（无穷小(Infinitesimal)和极限(Limit)到底是怎么运作的？）
- 我们如何在不把数字写下来的情况下描述它们？"0 之后的下一个数字" 是分析学（analysis，我想学习的）的开端。
当你看到基础概念为何存在时，它们就变得有趣了。数学愉快。