中学数学只教你找方程的根,而现代科学要研究根之间发生了什么.

你以为中学数学里的根、判别式、韦达定理，只是为了考试解方程？其实，它们背后藏着理解动力系统的关键。

为什么方程的根会变成系统的平衡点？判别式为什么能决定系统的命运？复数根如何变成振动频率？等比数列的收敛条件，又为什么能推导出 AI 训练的学习率上限？

从牛顿迭代、弹簧振动到神经网络梯度下降，再到洛伦兹吸引子和混沌，10 张图、1 个动画，带你重新认识中学数学：那些看似孤立的公式，其实一直在描述同一个世界。

之前在 为什么 AI、数学顶尖人才都绕不开数学分析？答案藏在微分方程里！ 里讲过两件事： 一般方程求的是"数"，微分方程求的是"函数"；解微分方程就是一个 for 循环。

这篇不再重复这些，而是回答一个更具体的问题：

你在中学学过的每一个"解方程"的概念——根、重根、判别式、韦达定理、方程组、迭代求根——到了微分方程里，分别变成了什么？

答案是：它们一个都没有消失，每一个都换了身份继续工作。根变成了平衡点，判别式变成了分岔，Ax = b 变成了相图，韦达定理画出了一张"命运地图"，牛顿迭代本身就是一个动力系统，而学习率不能超过 2/λ，其实是一个一元一次不等式。

0. 一句话主线

拿同一个函数 f(y)，可以问两个问题：

第一个问题只用了 f 的零点；第二个问题用了 f 在每一点的值和正负。所以：

微分方程不是另起炉灶，而是把一般方程丢掉的信息捡了回来。一般方程的根，是微分方程轨迹的终点和分水岭。

下面这张对照表是全文的目录。每一行后面都有一节和一张图：

1. 根 → 平衡点，斜率 → 稳定性

先看一个有真实背景的例子：Allee 效应。很多物种（比如需要集体防御的鱼群）数量太少时反而会灭绝，因为找不到配偶、无法抱团。它的模型是：

• 按一般方程的思路：解 f(y) = 0，得到三个根 0, A, K。答完了。
• 按微分方程的思路：这三个根只是开始，关键是根与根之间 f 的正负。

左图把 f(y) 横过来画：绿色区域 f > 0，y 往上走；红色区域 f < 0，y 往下走。箭头一画，三个根的"性格"就出来了：

• y = 0
  ：上下的箭头都指向它 → 稳定（灭绝是一个吸引子）
• y = A
  ：上下的箭头都背离它 → 不稳定（这是一道分水岭）
• y = K
  ：两边都指向它 → 稳定（承载量）

右图是真实的解曲线：初值在 A 以上的全部长到 K，在 A 以下的全部灭绝。一般方程告诉你"可能停在哪"，微分方程告诉你"到底停在哪"。

判断稳定性不用画图，只需要一个导数：

这里有一个很强的结论：对一维自治方程 y' = f(y)，它的全部定性行为，完全由"f 的根 + 根之间的符号"决定。轨迹只能单调地走向相邻的稳定根（或跑向无穷），不可能振荡、不可能绕圈。换句话说：一维情况下，解出一般方程 f(y) = 0，就几乎解完了微分方程。

振荡、螺旋、混沌，都要等到二维、三维才会出现（§4、§10）。

2. 反过来看：解一般方程，本身就是在跑一个动力系统

§1 是"微分方程 → 一般方程"。反方向同样成立。

牛顿法求 f(z) = 0：

把它改写成 (z_{n+1} − z_n) / 1 = −f/f'，这就是下面这个微分方程步长 h = 1 的欧拉法：

这个流有一个漂亮的性质：由链式法则 d f(z)/dt = f'(z)·z' = −f(z)，所以

f 的值沿着一条直线指数衰减到 0。 也就是说：求根 = 让 f 的值沿直线衰减到零，根就是这个流的吸引子。

以 z³ = 1 为例，三个根在复平面上各有一片"吸引域"：从哪里出发，就会被哪个根吸走。

• 左图（连续牛顿流）
  ：吸引域是三个 120° 的扇形，边界是三条干净的射线。
• 右图（离散牛顿法，步长 = 1）
  ：边界炸成了分形。在边界附近，初值差一点点，就会被完全不同的根吸走。

两张图是同一个动力系统，唯一的区别是步长。步长太大，就会冲过头、来回跳，把原本光滑的边界撕碎。这个"步长太大就出事"的现象，§9 会给出精确的代数条件。它就是深度学习里"学习率太大就发散"。

梯度下降也是同一回事：w ← w − lr·∇L(w) 就是梯度流 w' = −∇L(w) 的欧拉法。训练神经网络 = 数值求解一个微分方程，而它的平衡点是 ∇L(w) = 0 这个一般方程的根。

3. 判别式 → 分岔

中学学 y² + r = 0：判别式 Δ = −4r。

• r < 0
  ：两个实根
• r = 0
  ：一个重根
• r > 0
  ：没有实根

在一般方程里，这只是"根的个数"。在微分方程 y' = r + y² 里，这是系统的命运：

• 中图（鞍结分岔）
  ：r < 0 时有一稳定（蓝实线）一不稳定（橙虚线）两个平衡点；r 增大到 0，两个平衡点相撞、湮灭；r > 0 时没有任何平衡点，y 一路冲向无穷。背景的绿/红小箭头就是 y' 的正负，和 §1 的相线是同一种东西。
• 右图（叉式分岔）
  ：y' = r·y − y³。平衡点方程 y(r − y²) = 0：r < 0 只有一个根 y = 0 且稳定；r > 0 时 y = 0 变得不稳定，同时长出 ±√r 两个新的稳定根。对称破缺：系统必须在左右之间"选边"。

现实中的"临界点"几乎都是分岔：

• 压一根细杆，压力超过临界值的瞬间，它突然弯向左边或右边（叉式分岔）
• 神经元的膜电位超过阈值，突然开始放电（鞍结分岔）
• 湖泊的营养物质超过某个值，突然从清澈跳到浑浊，而且回不去（两个鞍结分岔构成的滞回）

判别式等于零的那一刻，就是系统"质变"的那一刻。

4. Ax = b → x' = Ax：从一个解到一整张相图

线性方程组 Ax = b：只要 det(A) ≠ 0，就有唯一解x = A⁻¹b。一个点，没什么可画的。

线性微分方程组 x' = Ax：原点永远是平衡点（它是 Ax = 0 的解），但原点附近的流却有六种截然不同的样子，而决定这一切的只有 A 的特征值：

为什么是特征值？因为沿特征向量 v 方向，Av = λv，二维系统退化成了一维的 y' = λy，解就是 e^{λt}。任意初值拆成特征向量的组合，每个分量各自独立地指数增长或衰减：

• 两个 λ 都是负实数 → 两个方向都收缩 → 稳定结点
• 一正一负 → 一个方向收缩一个方向拉伸 → 鞍点（图中虚线就是这两个方向）
• 共轭复数 a ± bi → e^{(a±bi)t} = e^{at}(cos bt ± i sin bt) → 螺旋，a 的正负决定向内还是向外
• 纯虚数 → 中心，永远绕圈

还有一个很妙的联系：Ax = b 的解，是微分方程 x' = b − Ax 的平衡点。如果 A 的特征值实部都为正（比如对称正定矩阵），这个流就稳定，从任意初值出发都会流向 A⁻¹b。用欧拉法离散它，就得到了求解大型线性方程组的迭代法（Richardson 迭代，是 Jacobi、共轭梯度这一族方法的起点）。解线性方程组和解线性微分方程，是同一件事的静态版和动态版。

5. 韦达定理画出的"命运地图"

二阶矩阵的特征值满足特征方程：

这就是一个一元二次方程。中学的两件武器直接派上用场：

• 韦达定理
  ：λ₁ + λ₂ = τ，λ₁·λ₂ = Δ
• 判别式
  ：τ² − 4Δ 的正负决定两根是实数还是共轭复数

于是只看 A 的迹和行列式这两个数，不用解任何东西，就能知道系统的全部命运：

图中那条抛物线 τ² = 4Δ，就是"判别式 = 0"在二维上的样子。图 4 的六个例子，在这张图上各占一格。

这张图在工程里非常常用。比如设计一个控制器，本质就是调参数，把系统在 (τ, Δ) 平面上的点挪到左上方的绿色区域（稳定且衰减得足够快）。

6. 一元二次方程的复根，就是振动

阻尼弹簧 y'' + 2ζω·y' + ω²·y = 0。猜 y = e^{λt}，求导变成乘 λ，得到特征方程：

让阻尼系数 ζ 从 0 慢慢增大，看两个根在复平面上怎么走，以及对应的运动怎么变：

• ζ = 0
  ：根在虚轴上 ±2i → 永不衰减的正弦振动
• 0 < ζ < 1
  ：根沿着半径为 ω 的圆弧向左移动 → 振幅越来越快地衰减
• ζ = 1
  ：两根在实轴上相遇（判别式 = 0）→ 临界阻尼，回零最快且不过冲。汽车减震器、电表指针都按这个设计
• ζ > 1
  ：两根沿实轴分开，一个跑向左边，一个靠向原点 → 过阻尼。靠近原点的那个根衰减很慢，所以反而回得更慢

一个根 λ = a + bi 直接读出运动：虚部 b 是角频率，实部 a 是衰减率。 用代码验证：

中学时觉得"虚数根没有意义"，其实它是这个方程里最有意义的量：振动频率。示波器上看到的每一段衰减正弦波，背后都是一对共轭复根。

7. 非线性方程：守恒量把它压回一条代数曲线

到这里都是线性方程。非线性方程绝大多数没有公式解，比如单摆：

θ(t) 写不成初等函数（需要椭圆函数）。但有一条捷径：能量守恒。两边乘 θ' 再积分，得到：

这是一个不含导数的一般方程。它说明：每条轨迹都躺在一条代数曲线 H = E 上。虽然解不出 θ(t)，但把 H(θ, ω) = E 的等高线一画，相图就出来了：

• E < 1
  ：闭合曲线 → 来回摆动
• E > 1
  ：上下两条波浪线 → 一直往一个方向转圈
• E = 1
  （红线）：分界线，摆恰好能到达最高点，但要花无穷长的时间。所以右图橙色曲线（E = 0.99）的周期被拉得很长

平衡点在哪、稳不稳定，照样是 §1、§4 的套路：平衡点是 ω = 0, sin θ = 0 这组一般方程的根；稳定性看平衡点处线性化矩阵（雅可比矩阵）的特征值：

下面这个动画更直观。在相空间里放两团初值，让它们随流运动：

每个点都沿着自己那条能量曲线滑动。因为不同能量的曲线转得快慢不同，团块被剪切、拉长成细丝，但它的面积始终不变（刘维尔定理，哈密顿系统的特征）。蓝团在分界线内，永远被困在"摆动区"；红团跨在分界线附近，一部分转圈，一部分往回摆，被撕成一条长带。

守恒量是从微分方程回到一般方程的第二条路。 行星轨道是椭圆（开普勒第一定律），就是因为能量和角动量两个守恒量把二体问题压成了一条二次曲线。

8. 一般方程里没有的现象：解会"跑掉"，也会"分叉"

微分方程并不只是"一般方程的动态版"。有两件事，在一般方程里完全没有对应物。

有限时间爆破。y' = y 的解是指数，涨得快，但任何有限时刻都是有限值。y' = y² 只比它多了一个平方，解却是：

分母在 t = 1/y₀ 时等于零，解在有限时间内冲到无穷。有意思的是，爆破时刻本身又是一个一般方程 1 − y₀·t = 0 的根，也就是解析解的极点。燃烧、引力坍缩、某些化学反应失控，数学上都是这个形状。

解不唯一。y' = √|y|, y(0) = 0：y ≡ 0 是解；y = t²/4 也是解；"先静止一段、在任意时刻 c 起飞"的 y = (t − c)²/4 还是解。同一个初值，无穷多条解。

一般方程的根数由代数基本定理管着（n 次方程有 n 个复根）。微分方程的解由皮卡-林德勒夫定理管着：只要 f 满足利普希茨条件（斜率有界），初值问题就有唯一解。√|y| 在 0 处斜率无穷，条件被打破，唯一性就没了。正是因为这条定理，"给定现在，未来唯一确定"（牛顿力学的决定论）才在数学上站得住。

9. 把微分方程离散成一般方程是有代价的：学习率为什么不能超过 2/λ

计算机只能做代数运算。欧拉法把 y' = λy 变成：

这是一个等比数列，公比 q = 1 + hλ。中学知识：等比数列收敛当且仅当 |q| < 1。于是：

对 λ < 0 的实数，这就是 h < 2/|λ|。一个一元一次不等式。

右图：y' = −10y，真实解平滑衰减。

• h = 0.05
  （1 + hλ = 0.5）：稳定，跟得上真实解
• h = 0.15
  （1 + hλ = −0.5）：还能收敛，但每步正负翻转，出现了原方程根本没有的振荡
• h = 0.21
  （1 + hλ = −1.1）：发散

现在把名字换一下。二次损失 L(w) = λw²/2 上的梯度下降：

和欧拉法是同一个式子。 所以学习率必须满足 lr < 2/λ_max，其中 λ_max 是损失函数海森矩阵的最大特征值（最陡方向的曲率）。训练时 loss 突然爆成 NaN，最常见的原因就是这个不等式被打破了。

左图的蓝色圆盘是欧拉法的稳定域 |1 + z| < 1，绿色区域是 RK4 的稳定域，它是 |1 + z + z²/2 + z³/6 + z⁴/24| < 1，又一个多项式不等式。高阶方法的稳定域更大，允许更大的步长。

还有一个出路：隐式欧拉y_{n+1} = y_n + h·f(y_{n+1})。对线性方程，它给出 y_{n+1} = y_n / (1 − hλ)，对任何 h > 0、任何 Re λ < 0 都稳定。代价是 y_{n+1} 出现在等号两边，对非线性方程，每走一步都要解一个一般方程，通常用牛顿法。

这样绕了一圈又回来了：解微分方程要反复解一般方程，而解一般方程（§2）本身又是在跑一个微分方程。

10. 代数的尽头：混沌

前面每一节，最后都能落回某个一般方程：平衡点、特征值、判别式、守恒量、稳定性不等式。三维以上的非线性系统，这条路会走到头。

洛伦兹 1963 年研究大气对流时写下了三个方程：

代数还能做的事：解出三个平衡点，算出每个点的雅可比特征值。

三个平衡点全都不稳定，轨迹哪个也停不下来。它在两个"翅膀"之间无休止地游荡，永不重复，也不跑向无穷。右图两条轨迹的初值只差 10⁻⁸，前 30 个时间单位几乎重合，之后完全分道扬镳（蝴蝶效应）。

这时"根"已经没法告诉你系统的长期行为了。庞加莱-本迪克松定理说二维自治系统不可能混沌，所以混沌至少要三维。一般方程能告诉你系统在哪里停不下来，却说不清它在停不下来时会做什么。天气预报只能准一两周，原因就在这里。

11. 总结：一张对照表

结语

回到开头那句话：一般方程只用了函数的零点，微分方程用了它的每一个值。

所以微分方程并没有把中学数学推翻重来，而是把它读得更完整：

• 根变成了终点，根处的斜率变成了稳定性
• 判别式变成了临界点，复数根变成了振动
• Ax = b
   变成了相图，韦达定理变成了分类地图
• 牛顿迭代变成了流，等比数列的收敛条件变成了学习率上限

反过来，每当真正动手解一个微分方程（找平衡点、算特征值、守恒量降维、数值离散），最后都会落回一个一般方程。两者一直在互相换位置。

写给做 AI 的读者：训练 = 沿梯度流 w' = −∇L 前进，收敛点 = ∇L = 0 的根，学习率上限 = 欧拉法的稳定域，loss 曲线上的振荡 = 1 − lr·λ < 0 的"负公比"，残差网络 x + f(x) = 欧拉步，扩散模型的采样 = 反向求解一个随机微分方程。这篇文章里的十张图，每一张在训练日志里都有对应。

🎬 复现

关注本公众号👉，评论回复“从一般方程到微分方程”，可免费获得可视化代码哦～