13.4 總結：從窮竭法到自動微分#

學習動機#

這是全書的最後一節。前面十二章，我們走過了一條長路：

公元前 250 年的阿基米德窮竭法 → 1666 年的牛頓－萊布尼茲微積分 → 1821 年柯西的 \(\varepsilon\) 語言 → 1872 年魏爾斯特拉斯的嚴格定義 → 1901 年勒貝格的測度 → 1906 年黎曼－羅朗定理 → 1906–1933 年的泛函分析 → 今天的 SymPy 與自動微分。

這條線索上，有兩條主線貫穿始終：

1. 嚴格化：把模糊的直覺（ \(\varepsilon\) 愈小愈好）變成可以逐條檢查的邏輯結構；
2. 符號化：把「靠腦袋算」變成「靠規則算」，並且讓規則本身可以被檢查、可以被質疑。

本節要做四件事：

1. 畫一張時間線（mermaid），把兩千兩百五十年的關鍵節點串起來；
2. 整理「嚴格化」的三個階段：直覺 → \(\varepsilon\) - \(\delta\) → 測度與範數；
3. 整理「符號化」的三個階段：手算 → 符號替換 → 自動微分；
4. 給出延伸閱讀與 SymPy API 對照表，然後回到第 1 章的阿基米德，把整個故事畫上句點。

本節的態度：這不是「重點整理」，而是一次回頭看。我們要用 SymPy 把全書的代表性結果重新跑一遍，看看它們現在長什麼樣。

13.4.1 一張時間線：兩千兩百五十年的分析學#

timeline
    title 分析學的兩千兩百五十年：從窮竭法到自動微分
    section 古典時期
        公元前 250 年 : 阿基米德《方法》：窮竭法與可證的逼近 : 圓的面積用內接正多邊形逼近 : 「方法論」的確立
        1629 年 : 費馬：極值法與切線問題 : 增量的一次項 = 0
        1665–1684 年 : 牛頓與萊布尼茲各自發明微積分 : 萊布尼茲的微分記號 dy/dx : 可攜的運算法則
        1666 年 : 牛頓－萊布尼茲定理 : 微積分基本定理
        1715 年 : 泰勒定理 : 餘項估計
        1735 年 : 歐拉： Basel 問題 sum 1/n^2 = pi^2/6
        1752 年 : 歐拉的力學：Euler-Lagrange 方程 : 泛函的必要條件
    section 嚴格化時期
        1817 年 : 玻爾查諾：連續性的新表述
        1821 年 : 柯西《分析原理》：極限寫成不等式 : 從「趨近」到「對每個 eps 存在 delta」
        1834 年 : Hamilton：最小作用量原理
        1837 年 : 狄利克雷： Fourier 級數的收斂問題
        1845 年 : Jacobi：變分法的「最後乘法因子」與充分條件
        1872 年 : 魏爾斯特拉斯：eps-delta 定義的現代形式 : 嚴格化的完成
        1880s 年 : Weierstrass：必要的變分不等式
    section 測度與函數空間
        1901 年 : 勒貝格：測度與勒貝格積分 : 「可數可加」的長度取代「可分割」的長度
        1906 年 : 黎曼：黎曼－羅朗定理、範數、函數空間
        1920s 年 : Banach、Hilbert：賦範空間與 Banach 代數
        1933 年 : Banach：線性泛函的 Hahn-Banach 定理 : 對偶性
        1951 年 : Robbins-Monro：隨機逼近與 SGD 的收斂定理
        1986 年 : Rumelhart-Hinton-Williams：backpropagation
    section 計算機時代
        1960s 年 : Wilkinson：條件數與誤差分析
        1965 年 : Kahan：補償求和
        1980s 年 : 符號計算系統的興起
        今日 : SymPy：極限、積分、級數、微分方程、變分法、最佳化 : 自動微分與梯度下降

看這張圖的三個重點：

1. 嚴格化不是一步到位的。從 1666 年（微積分基本定理）到 1872 年（魏爾斯特拉斯的定義），花了兩百零六年。而且「嚴格化」不是只有一條線：極限（第 2 章）、微積分基本定理（第 4 章）、級數收斂（第 6 章）、多重積分換序（第 7 章）、傅立葉級數（第 11 章）各自有各自的嚴格化時間表。
2. 符號化與嚴格化是交錯的。柯西（1821）在給出 \(\varepsilon\) 語言的同時也推導了具體公式；Weierstrass（1872）在定義極限的同時也發展了函數逼近論。沒有人只做其中一件事。
3. 最後三十年（1951–今日）的主題是「可計算性」：Robbins–Monro 讓「學習」有了收斂定理，Wilkinson 讓「誤差」有了量化語言，Kahan 讓「求和」變得可靠，backpropagation 讓「梯度」變得可行，SymPy 讓「符號運算」變成一行命令。這一切都在回答同一個問題：怎麼讓數學可以被機器執行？

13.4.2 主線一：嚴格化的三個階段#

階段一：直覺（公元前 250 – 1820 年）#

在柯西之前，「極限」是一個口語的、手勢的概念。阿基米德說「圓的面積大於內接正多邊形的面積，而夾在兩個多邊形之間」；牛頓說「當增量趨於零時」，萊布尼茲說「 \(\mathrm{d}y/\mathrm{d}x\) 愈小愈近」。

這個階段的特徵：

• 用的是幾何圖像（切線、瞬時變化率、面積的逼近）；
• 論證的對象是個別的具體問題（這個函數的積分、那條曲線的切線）；
• 沒有量詞，因此無法判定論證是否完整。

阿基米德的方法論（見第 1.1 章）：他不是「算出」 \(\pi\) ，而是「證明 \(\pi\) 被夾在某兩個有理數之間」。這已經是嚴格化的雛形——它有明確的量詞結構（對每個 \(\varepsilon\) 存在 \(n\) ）。但它是一個一個問題地做的，沒有被抽象成一般的定理。

階段二： \(\varepsilon\) - \(\delta\) （1821 – 1872 年）#

柯西（1821） 把「趨近於」翻譯成不等式；魏爾斯特拉斯（1872） 給出現代形式：

這個階段的特徵：

• 出現了量詞（ \(\forall\varepsilon\,\exists\delta\) ），因此可以判定論證是否完整；
• 「趨近」被定義為一個關係而非一個過程；
• 但它處理的是單個變數、一個極限點的情況。

還剩下什麼問題？ \(\delta\) 的存在性依賴「實數系的完整性」。柯西和魏爾斯特拉斯的時代，人們對「實數是什麼」還沒有共識——極限的嚴格性被卡在基礎理論上。

階段三：測度與範數（1901 年以後）#

勒貝格（1901） 的做法是：不要在每個點上纠缠，而是換一個測量長度的方式。他把「長度」從「可分割性」改成「可數可加性」，然後積分、極限、級數、換序定理全部一次性地變得乾淨：

黎曼（1906） 與 Riesz–羅朗（1906） 則給出了另一個方向：把「函數」本身放進一個有結構的空間。

範數帶來的好處：

• 「連續」變成「 \(\|f(x) - f(y)\| \le M|x-y|\) 」；
• 「可微」變成「存在有界線性算子 \(L\) 使 \(f(x+h) - f(x) = L(h) + o(\|h\|)\) 」；
• 「收斂」變成「 \(\|f_n - f\| \to 0\) 」，於是有了 Cauchy–Schwarz、Hölder、Minkowski 這些不等式工具箱。

這個階段的特徵：

• 從「逐點」走向「整體」；
• 從「一個極限」走向「一類極限的交換」；
• 從「實數上的函數」走向「賦範空間上的算子」（Banach 1920s、Hilbert 1920s）。

三個階段的關係：

它們不是互相取代的。今天我們仍然用 \(\varepsilon\) - \(\delta\) 講單點連續性（因為它最直觀），仍然用範數講泛函分析（因為它最有力），也仍然需要測度來處理「幾乎處處」的問題。

SymPy 在這條線上的位置：SymPy 不做嚴格化。它給你的是「在啟發式規則下的精確代數結果」。它假設了嚴格化已經完成（用戶的責任），然後在已經嚴格化的地基上蓋房子。 這正是第 1.3 節「先猜再驗證」態度的完整表述。

嚴格化的四個「歷史教訓」#

13.4.3 主線二：符號化的三個階段#

階段一：手算（公元前 250 – 1640 年代）#

阿基米德算圓面積用幾何逼近：96 邊形、192 邊形……每一步都要畫圖、量長度。費馬的極值法要手算「增量的一次項」。

這個階段的特徵：

• 每一步都是一次性的、不可重複的；
• 符號（ \(x\) 、 \(y\) ）是「待代入的數」，不是「可以操作的物件」；
• 符號表的規模隨步數線性膨脹——牛頓算 \(\sqrt{2}\) 要寫下 20 個數。

階段二：符號替換（第 3 章：萊布尼茲的 \(\mathrm{d}y/\mathrm{d}x\) ）#

萊布尼茲在 1675 年前後做了一件極其關鍵的事：把微分寫成一個分式的形式， \(\frac{\mathrm{d}y}{\mathrm{d}x}\) ，於是

變成了「分子分母分別對應」的形式規則，可以逐步套用。

這就是「符號替換」的原型：

• \(\frac{\mathrm{d}y}{\mathrm{d}x}\) 是一個可以被整除的記號；
• 乘積法則 \(\mathrm{d}(uv) = u\,\mathrm{d}v + v\,\mathrm{d}u\) 來自「把 \(\mathrm{d}\) 當作乘數分配」；
• 鏈鎖法則 \(\mathrm{d}f(g(x)) = f'(g(x))\,\mathrm{d}g(x)\) 來自「 \(\mathrm{d}\) 可以複合」。

第 3.2 節強調的「可攜性」——同一套規則可以用在任何函數上，不需要重新發明——正是「符號化」的定義。

這個階段的瓶頸：符號表的膨脹。求 \(\frac{\mathrm{d}^{20}}{\mathrm{d}x^{20}}\tan x\) 的手算會產生一個幾乎不可讀的式子。

階段三：自動微分（第 13 章）#

自動微分把「符號替換」系統化成一個演算法：

把表達式視為一棵運算樹；對每個節點，沿樹遞迴，把「值」與「微分形式」一起傳下去。

\(sp.diff\) 就是這個演算法的符號化實作（第 13.3.3 節），而 PyTorch 的 grad 是它的張量化實作。

三個階段的對照：

自動化帶來的最大變化不是速度，而是「可檢查性」。自動微分的規則是有限且明確的，因此：

• 它可以被實現（不只是描述）；
• 它可以被測試（用符號解、數值差分交叉驗證——第 13.3.4 節）；
• 它可以被優化（反向模式就是最優化後的版本）。

而「符號化」這條線的終點，是機器學習：當梯度可以被自動算出來，「學習」就變成了一個最佳化問題，而最佳化問題的理論（第 13.1 節的變分法、梯度下降、Robbins–Monro）在 1951 年就已經準備好了。

SymPy 在這條線上的位置：它是符號化階段二的頂點與階段三的起點——它把萊布尼茲的手寫規則自動化了，但輸出的是符號表達式（可讀、可證明），而 PyTorch 輸出的是張量（快、但不可讀）。

13.4.4 全書的代表性結果：一次重新巡禮#

現在讓我們用 SymPy 把全書的代表性結果重新跑一遍。這不是複習，而是「用今天的工具回看昨天的問題」。

import sympy as sp

x = sp.Symbol('x', real=True)
n = sp.Symbol('n', integer=True, nonnegative=True)

print("=== 全書定理的計算機輔助抽查 ===")

# (1) e 的兩個定義相等（第 1、6 章）
e_def1 = sp.limit((1 + 1/n)**n, n, sp.oo)
e_def2 = sp.summation(1/sp.factorial(n), (n, 0, sp.oo))
print("1. e 的兩種定義一致：", sp.simplify(e_def1 - e_def2) == 0, " ->", e_def1)

# (2) ζ(2) = pi^2/6（第 6 章）
print("2. 巴塞爾問題 sum 1/n^2 =", sp.summation(1/n**2, (n, 1, sp.oo)))

# (3) 微積分基本定理（第 4 章）
f = sp.exp(-x**2)
F = sp.integrate(f, x)
print("3. FTC：d/dx int f 與 f 的差 =", sp.simplify(sp.diff(F, x) - f))

# (4) 泰勒餘項（第 5 章）
print("4. e^x 的 3 階展開 =", sp.series(sp.exp(x), x, 0, 4))

# (5) Cauchy-Schwarz 等號條件（第 13.3 節 Lagrange 乘數）
u, v = sp.symbols('u v', real=True)
print("5. CS 等號條件 grad(xy - lam(x^2+y^2-1)) =",
      [sp.diff(u*v - u**2 - v**2, u), sp.diff(u*v - u**2 - v**2, v)])

# (6) 變分法：EL 方程（第 13.1 節）
ys, yp, ypp = sp.symbols('ys yp ypp', real=True)
Fg = yp**2 + ys**2
Fy = sp.diff(Fg, ys)
Fyp = sp.diff(Fg, yp)
dFyp_dx = sp.diff(Fyp, x) + sp.diff(Fyp, ys)*yp + sp.diff(Fyp, yp)*ypp
print("6. F = y'^2 + y^2 的 EL 方程左邊 =", sp.simplify(Fy - dFyp_dx))
ysol = sp.sinh(x) / sp.sinh(1)
print("   代回 y = sinh(x)/sinh(1) ->",
      sp.simplify((Fy - dFyp_dx).subs({ys: ysol, yp: sp.diff(ysol, x),
                                       ypp: sp.diff(ysol, x, 2)})))

# (7) 誤差理論：naive vs Kahan vs Neumaier（第 13.2 節）
def kahan(vals):
    s = c = 0.0
    for v in vals:
        y = v - c
        t = s + y
        c = (t - s) - y
        s = t
    return s

def neumaier(vals):
    s = c = 0.0
    for v in vals:
        t = s + v
        if abs(s) >= abs(v):
            c += (s - t) + v
        else:
            c += (v - t) + s
        s = t
    return s + c

vals = [1.0, 1e16, 1.0, -1e16]
print("7. naive =", sum(vals), "| kahan =", kahan(vals), "| neumaier =", neumaier(vals))

# (8) 自動微分 vs 符號微分（第 13.3 節）
g = x**3 * sp.exp(-x) + sp.sin(x)
print("8. d/dx g =", sp.diff(g, x))
print("   在 x = 1.3 的值 =", float(sp.diff(g, x).subs(x, sp.Rational(13, 10))))

實際輸出：

=== 全書定理的計算機輔助抽查 ===
1. e 的兩種定義一致： True  -> E
2. 巴塞爾問題 sum 1/n^2 = pi**2/6
3. FTC：d/dx int f 與 f 的差 = 0
4. e^x 的 3 階展開 = 1 + x + x**2/2 + x**3/6 + O(x**4)
5. CS 等號條件 grad(xy - lam(x^2+y^2-1)) = [-2*u + v, u - 2*v]
6. F = y'^2 + y^2 的 EL 方程左邊 = -2*ypp + 2*ys
   代回 y = sinh(x)/sinh(1) -> 0
7. naive = 0.0 | kahan = 0.0 | neumaier = 2.0
8. d/dx g = -x**3*exp(-x) + 3*x**2*exp(-x) + cos(x)
   在 x = 1.3 的值 = 1.0504826700113057

八個結果的解讀：

1. ** \(e\) 的兩種定義完全一致** ——這是第 1 章（ \(\lim(1+\frac1n)^n\) ）與第 6 章（ \(\sum\frac{1}{n!}\) ）的對話。SymPy 用不同的機制算出同一個物件 E ，這是對 CAS 一致性的基本信任測試。
2. 巴塞爾問題 \(\zeta(2) = \frac{\pi^2}{6}\) ：歐拉 1735 年的結果，至今仍是最漂亮的等式之一。
3. 微積分基本定理： \(\frac{\mathrm{d}}{\mathrm{d}x}\int f = f\) ，差為精確的 \(0\) ——這是第 4 章的核心，符號運算給出的是等式，不是近似。
4. 泰勒展開帶餘項：第 5 章的 \(\mathcal{O}(x^4)\) 記號被 SymPy 原生支援。
5. CS 等號條件 \(\nabla(xy - \lambda(x^2+y^2-1)) = (-2u + v,\ u - 2v) = 0\) 給出 \(u = v\) ——第 13.3 節的 Lagrange 乘數法。
6. EL 方程 \(2y - 2y'' = 0\) ，代回 \(y = \frac{\sinh x}{\sinh 1}\) 得 \(0\) ——第 13.1 節的符號驗證。
7. 三種求和的對比：naive 與 Kahan 都給 \(0\) （錯），Neumaier 給 \(2\) （對）——第 13.2 節最精彩的一行。
8. 符號微分給出封閉形式，精確代入 \(\frac{13}{10}\) 給出 \(1.0504826700113057\) ——整條鏈路上沒有任何浮點近似。

把第 1 章到第 13 章的主要工具各用一行跑一遍：

import sympy as sp

x, y, z = sp.symbols('x y z', real=True)
n = sp.Symbol('n', integer=True, positive=True)
theta = sp.Symbol('theta', real=True)

print("第 1 章  極限      ：", sp.limit(sp.sin(x) / x, x, 0),
      "| e 的定義 =", sp.limit((1 + 1/n)**n, n, sp.oo))
print("第 3 章  導數      ：", sp.diff(sp.sin(x), x), "|", sp.diff(x**3, x))
print("第 4 章  積分      ：", sp.integrate(x**2, (x, 0, 3)),
      "| int_0^inf e^-x dx =", sp.integrate(sp.exp(-x), (x, 0, sp.oo)))
print("第 5 章  Taylor   ：", sp.series(sp.exp(x), x, 0, 5))
print("第 6 章  級數      ：", sp.summation(1/n**2, (n, 1, sp.oo)))
print("第 7 章  多變量    ：", sp.diff(x**2*y, x), "|", sp.diff(x**2*y, y),
      "| Hessian =", sp.hessian(x**2*y - 3*x, (x, y)).tolist())
print("第 8 章  向量分析  ：grad(x^2+y^2+z^2) =",
      [sp.simplify(c) for c in sp.Matrix([x**2+y**2+z**2]).jacobian([x, y, z])])
print("第 9 章  ODE       ：",
      sp.dsolve(sp.Eq(sp.diff(sp.Function('u')(x), x), -sp.Function('u')(x))))
print("第 10 章 複變數    ：Res(sin(z)/z^2, 0) =", sp.residue(sp.sin(z)/z**2, z, 0),
      "| Res(1/(z^2+1), i) =", sp.residue(1/(z**2+1), z, sp.I))
print("第 11 章 傅立葉    ：int_0^{2pi} cos^2 x dx =",
      sp.integrate(sp.cos(x)**2, (x, 0, 2*sp.pi)))
print("第 12 章 測度/範數 ：int_0^pi |sin x| dx =", sp.integrate(sp.Abs(sp.sin(x)), (x, 0, sp.pi)))
print("第 13.1 變分法      ：EL 方程與解（見 13.1.2 節）")
print("第 13.2 誤差        ：evalf 精度 =", sp.N(sp.pi, 30))
print("第 13.3 自動微分    ：sp.diff =", sp.diff(x**3*sp.exp(x), x))

實際輸出：

第 1 章  極限      ： 1 | e 的定義 = E
第 3 章  導數      ： cos(x) | 3*x**2
第 4 章  積分      ： 9 | int_0^inf e^-x dx = 1
第 5 章  Taylor   ： 1 + x + x**2/2 + x**3/6 + x**4/24 + O(x**5)
第 6 章  級數      ： pi**2/6
第 7 章  多變量    ： 2*x*y | x**2 | Hessian = [[2*y, 2*x], [2*x, 0]]
第 8 章  向量分析  ：grad(x^2+y^2+z^2) = [2*x, 2*y, 2*z]
第 9 章  ODE       ： Eq(u(x), C1*exp(-x))
第 10 章 複變數    ：Res(sin(z)/z^2, 0) = 1 | Res(1/(z^2+1), i) = -I/2
第 11 章 傅立葉    ：int_0^{2pi} cos^2 x dx = pi
第 12 章 測度/範數 ：int_0^pi |sin x| dx = 2
第 13.1 變分法      ：EL 方程與解（見 13.1.2 節）
第 13.2 誤差        ：evalf 精度 = 3.14159265358979323846264338328
第 13.3 自動微分    ：sp.diff = x**3*exp(x) + 3*x**2*exp(x)

注意第 9 章的 Eq(u(x), C1*exp(-x)) ：dsolve 回傳的是方程物件，不是解——這是 SymPy 的風格：它把「解」表達成一個可以繼續操作的物件，而不是一個字串。

13.4.5 回到阿基米德：把故事畫上句點#

現在讓我們回到全書的起點。第 1 章講的是阿基米德的窮竭法——用內接正多邊形逼近圓，並且證明圓的面積被夾在兩個有理數之間。

兩千兩百五十年後，我們用 SymPy 重新做一次這件事：

import numpy as np
import sympy as sp

# ============================================================
# 阿基米德方法（第 1 章）：用內接正多邊形逼近圓
# ============================================================
def area_polygon(n):
    """單位圓內接正 n 邊形的面積（半徑 = 1）。"""
    return 0.5 * n * np.sin(2 * np.pi / n)


print("=== 阿基米德方法：內接正多邊形逼近單位圓 ===")
print(f"{'邊數':>8} {'面積':>20} {'誤差':>14} {'誤差倍數':>10}")
prev = None
n = 6
for i in range(9):
    A = area_polygon(n)
    err = np.pi - A
    ratio = (prev / err) if prev else float('nan')
    print(f"{n:>8} {A:>20.15f} {err:>14.6e} {ratio:>10.2f}")
    prev = err
    n *= 2

print()
print("SymPy 給出的精確答案：int_0^1 sqrt(1-x^2) dx =",
      sp.integrate(sp.sqrt(1 - sp.Symbol('x')**2), (sp.Symbol('x'), 0, 1)))
print("即 pi/4 =", sp.N(sp.pi/4, 20))
print("圓面積 pi =", sp.N(sp.pi, 20))

# ============================================================
# 阿基米德著名的 pi 上下界：223/71 < pi < 22/7
# ============================================================
lo = sp.Rational(223, 71)
hi = sp.Rational(22, 7)
print()
print("阿基米德給出的界：223/71 < pi < 22/7")
print("  223/71 =", sp.N(lo, 20), "  22/7 =", sp.N(hi, 20))
print("  pi     =", sp.N(sp.pi, 20))
print("  上下界確實夾住 pi ：", bool(lo < sp.pi < hi))
print("  下界比 pi 小 :", sp.N(sp.pi - lo, 20))
print("  上界比 pi 大 :", sp.N(hi - sp.pi, 20))

實際輸出：

=== 阿基米德方法：內接正多邊形逼近單位圓 ===
      邊數                   面積             誤差       誤差倍數
       6    2.598076211353316   5.435164e-01        nan
      12    3.000000000000000   1.415927e-01       3.84
      24    3.105828541230249   3.576411e-02       3.96
      48    3.132628613281238   8.964040e-03       3.99
      96    3.139350203046867   2.242451e-03       4.00
     192    3.141031950890509   5.607027e-04       4.00
     384    3.141452472285462   1.401813e-04       4.00
     768    3.141557607911857   3.504568e-05       4.00
    1536    3.141583892148318   8.761441e-06       4.00

SymPy 給出的精確答案：int_0^1 sqrt(1-x^2) dx = pi/4
即 pi/4 = 0.78539816339744830962
圓面積 pi = 3.1415926535897932385

阿基米德給出的界：223/71 < pi < 22/7
  223/71 = 3.1408450704225352113   22/7 = 3.1428571428571428571
  pi     = 3.1415926535897932385
  上下界確實夾住 pi ： True
  下界比 pi 小 : 0.00074758316725802719504
  上界比 pi 大 : 0.0012644892673496186802

「誤差倍數」那一欄是本節最重要的一行：每一邊加倍，誤差就乘以約 4 。這不是偶然，而是阿基米德《方法》第九卷命題 3 的內容——他證明了：

這正是「 \(O(n^{-2})\) 收斂率」的古老版本，是全書第一次出現的「誤差分析」（第 13.2 節的主題）。

而 SymPy 給出的答案是 \(\frac{\pi}{4}\) ** ——一個封閉形式，誤差為零**。

這就是整本書的縮影：

但兩者共享同一個精神：

不給出無法保證的答案。 阿基米德給的是「夾住 \(\pi\) 的兩個有理數」——他的答案自帶誤差界。SymPy 給的是 \(\frac{\pi}{4}\) ——一個可以再往下精確化的精確物件；當它算不出來時，它回傳未求值的 Integral 物件或 AccumBounds(-1, 1)，而不是編一個數字。

阿基米德的《方法》第一句話是「給出機械方法用於計算的前提，以便計算某些數學命題的平均值」。這正是今天 SymPy 的自我描述。 兩千兩百五十年後，希臘人給出方法論，電腦給出執行力。

最後，讓我們回到《方法》第七卷的一句話（大意的現代翻譯）：

「我習慣於先把結論的證明給出來，因為方法本身才是真正有價值的那部分。」

這句話是整本書的綱領。SymPy 給你的不是答案，而是方法。

13.4.6 延伸閱讀#

歷史與哲學#

• Tom M. Apostol, Calculus: A Complete Course —— 從阿基米德寫到 20 世紀，附大量原始文獻翻譯。「Calculus: A Complete Course」的序言本身就是最好的分析學史入門。
• Duncan Grattan-Guinness, The Foundations of Analysis —— 從 Bolzano 到 Hilbert 對實數 foundations 的處理。想要一份嚴謹的分析學編年史，這是首選。
• ** Judith Grabiner, A History of the Calculus of Variations** —— 變分法的完整歷史（Euler、Lagrange、Jacobi、Weierstrass、Lebesgue、Hilbert）。13.1 節的骨架來自這裡。
• Jean Dieudonné, History of Algebraic and Differential Topology —— 為什麼 19 世紀的數學家要「嚴格化」。
• David M. Bressoud, Proofs and Confirmations —— 關於「計算機輔助證明」最好的科普書，討論了「被檢查過的證明」是否仍然是證明。
• Reviel Netz, The Archaeology of Early Mathematics —— 巴比倫、埃及、希臘的實際計算方法，讀完會對「抽象的數學」有完全不同的理解。

嚴格化與測度論#

• Terence Tao, Analysis I, II —— 從 \(\mathbb{Q}\) 到 Lebesgue 測度的現代嚴格敘述。Tao 的《分析導論》是「嚴格化」這條線的教科書級答案。
• Elie Cartan, Differential Calculus —— 變分法與微分方程的漂亮幾何處理。
• I. M. Gelfand, S. V. Fomin, Calculus of Variations —— 變分法的標準參考書。
• Jost, Postmodern Analysis —— 無窮維的視角。
• Rudin, Real and Complex Analysis / Measure Theory —— 硬核路線的標準參考。

數值分析#

• John L. Higham, Accuracy and Stability of Numerical Algorithms（第 2 版）—— Wilkinson 傳統的現代續篇。條件數、後向穩定性、IEEE 754 標準，本書的主要參考。
• Trefethen & Bau, Numerical Linear Algebra —— 數值線性代數，GMRES、Lanczos、奇異值分解的科普級處理。
• David Kincaid & Ward Cheney, Numerical Analysis: Mathematics of Scientific Computing —— 數值分析的教科書，誤差分析部分特別好。
• N. J. Higham, Handbook of Floating-Point Arithmetic —— 浮點運算的權威參考。
• B. W. Silverman, Numerical Methods for Scientists and Engineers —— 面向應用。

最佳化與機器學習#

• J. Nocedal & S. Wright, Numerical Optimization —— 最佳化的標準教科書。梯度下降、牛頓法、線搜索、KKT 條件、投影法。
• D. P. Bertsekas, Nonlinear Programming —— 更深入、更嚴謹。
• **R. Fletcher, *Reeves, Curly：變分法與最優化的橋樑。
• Jimmy Lei Ba, Adam: A Method for Stochastic Optimization —— 自適應方法。
• Herbert Robbins & Sutton Monro, "A Stochastic Approximation Method" (1951) —— 只有 15 頁，但它是所有 SGD 論文的祖先。
• Rumelhart, Hinton & Williams, "Learning representations by back-propagating errors" (1986) —— 反向模式的原始論文。
• David Duvenaud, Designing Machine Learning Systems / Griewank & Walther, Evaluating Derivatives —— AD 的系統性處理。Griewank & Walther 是「AD 這門學科」的教科書。

SymPy 與計算機代數#

• SymPy 官方文件：https://docs.sympy.org/latest/ —— 必讀，尤其是 "Gotchas" 那一頁。
• SymPy 社群：https://community.sympy.org —— 提問與搜尋答案的地方。
• Ondřej Karlík, "The SymPy Book" —— 免費的互動式教材。
• Markus Kaltenbach, Computer Algebra and Symbolic Computation —— CAS 的原理。
• Joel S. Cohen, Computer Algebra and Symbolic Computation: A Practical Guide —— 偏應用。
• Michael B. W. SymPy 與 Sage 官方教學 —— 如果你想從 SymPy 走到 SageMath（符號 + 數值 + 繪圖 + 文檔一體化）。

13.4.7 SymPy API 對照表#

這張表把全書用過的 SymPy 工具按「用途」整理，並標上對應章節。

極限與連續（第 1、2 章）#

微分（第 3、7 章）#

積分（第 4 章）#

級數（第 5、6 章）#

方程（第 3、9、13 章）#

最佳化（第 13 章）#

複變數（第 10 章）#

數值與精度（第 13.2 章）#

自動微分與變分法（第 13.1、13.3 節）#

13.4.8 全書結語#

讓我們回到阿基米德《方法》的框架，做最後一次對照。

第 1 章的阿基米德面對的是這樣的問題：圓的面積是多少？他知道答案「等於半徑平方乘 \(\pi\) 」，但 \(\pi\) 本身沒有封閉形式，他不能只說「答案是 \(\pi\) 」——他必須證明 \(\pi\) 存在、證明它被某個可計算的過程逼近、並給出誤差的界。

SymPy 面對的是同一個問題： \(\int_0^1 \sqrt{1-x^2}\,\mathrm{d}x\) 是多少？它給出 \(\frac{\pi}{4}\) ——但這個答案不是「算」出來的，而是「認出來的」（模式匹配到圓面積公式）。如果沒有這個模式匹配，它會回傳未求值的 Integral 物件。

這正是分析學兩千五百年的真正收穫：

一個問題能不能被回答，取決於我們是否有辦法把「知道答案」變成「可以驗證答案」；而「可以驗證」比「知道」重要得多。

讓我們把全書的兩條主線再說一次：

嚴格化：直覺 → \(\varepsilon\) - \(\delta\) → 測度與範數。它把「看起來對」變成「可以逐條檢查」。

符號化：手算 → 符號替換 → 自動微分。它把「靠腦袋」變成「靠規則」，並且讓規則本身可以被機器執行。

兩條線在今天交會：符號化讓分析學可以自動化，嚴格化讓自動化產生的結果值得信賴。缺任何一條，現代分析學都不成立：

• 只有符號化而沒有嚴格化 → 你得到一台快速產生錯誤答案的機器（這正是 19 世紀末期計算機輔助證明受到質疑的原因）；
• 只有嚴格化而沒有符號化 → 你得到一部漂亮但無法規模化應用的理論（這正是 19 世紀末到 20 世紀初分析學的處境）。

而 SymPy 的位置是明確的：它是嚴格化假設之上的符號化工具。它不做嚴格化（那是你的責任），但它盡最大努力保持精確——用 Rational 而不是浮點、用未求值物件而不是假答案、用 AccumBounds 而不是胡說。

最後一句話，献给阿基米德：

公元前 250 年，希臘人給出了方法論——「給出機械方法用於計算的前提，以便計算某些數學命題的平均值」。這句話描述的是《方法》（Peri Methodon）。

今日，電腦給出了執行力。

而當我們用 sp.integrate(sp.sqrt(1 - x**2), (x, 0, 1)) 打出 pi/4 的那一刻，我們其實是在做阿基米德做過的事：承認自己無法直接觸摸那個對象，因此給出一個可以往下精確化的表達式，並且——如果它算不出來——老老實實地說「算不出來」。

這就是全書的句點。

習題#

習題 13.4.1（重建時間線）

(a) 為全書的每一章寫一句「這個章節解決了什麼問題」； (b) 找出三個在時間線上「嚴格化」與「符號化」交錯出現的時期，並說明為什麼它們會交錯； (c) 找出兩個「因為有了新的符號工具而使舊問題重新變得可解」的例子（提示： \(\sum\frac{1}{n^2}\) 與 \(\int e^{-x^2}\,\mathrm{d}x\) ）。

習題 13.4.2（嚴格化的三階段在一個例子上的對照）

考慮「 \(\lim_{x\to0}\frac{\sin x}{x} = 1\) 」這個命題：

(a) 用阿基米德式的方式說明它（幾何圖像：內接正多邊形的邊長趨近於半徑）； (b) 用柯西式的方式寫出 \(\varepsilon\) - \(\delta\) 證明的骨架（回扣第 1.3.6 節）； (c) 用測度論式的方式： \(\sin x\) 在 \([0,\pi/2]\) 上連續，所以 \(\frac{\sin x}{x}\) 有最大值 \(\frac{2}{\pi}\) ……說明「連續函數在緊集上取到最值」這個定理（Weierstrass 極值定理）如何把問題變得更結構化； (d) 說明：哪一個版本最容易被機器檢查？

習題 13.4.3（符號化的三階段在同一個問題上）

對 \(\frac{\mathrm{d}}{\mathrm{d}x}\tan x = 1 + \tan^2 x\) 這個恆等式：

(a) 用手算（費馬的增量法或萊布尼茲的微分形式）推導一次； (b) 用符號替換（萊布尼茲記號）寫出推導； (c) 用自動微分（SymPy 或你自己寫的 AD）驗證一次，並說明「自動微分」在這裡省掉了什麼； (d) 用 sp.diff(sp.tan(x), x) 與 \(\sec^2 x = 1 + \tan^2 x\) 對照，說明 SymPy 的選擇恆等式（sec(x)**2 vs 1 + tan(x)**2）是怎麼來的。

習題 13.4.4（阿基米德的界與現代誤差分析）

(a) 驗證阿基米德的方法能給出 \(223/71 < \pi < 22/7\) ：用內接／外接正多邊形（邊數由你選），並說明大約需要多少邊才能達到這個精度； (b) 比較 13.4.5 節的「誤差倍數 \(\approx 4\) 」與阿基米德《方法》第九卷的定理（誤差 \(\sim O(n^{-2})\) ），說明它們是同一件事； (c) 說明：為什麼阿基米德的方法不可能給出 \(\pi\) 的封閉形式？（提示：他是用有理數上下界逼近的， \(\pi\) 是無理數） (d) 討論：「給出可驗證的上下界」與「給出封閉形式」，哪一種在科學實踐中更常見？舉例。

習題 13.4.5（寫一封給未來的信）

用 SymPy 為本全書寫一份「給 2126 年的讀者的說明」，要求：

(a) 用一段程式碼展示 SymPy 五年後可能的樣子（就用今天的 API）； (b) 列出你認為今天SymPy 最欠缺的三個能力； (c) 針對每個能力，說明要解決它，需要哪一章的那種數學（例如：需要第 12 章的測度論才能做「符號積分的可積性判定」）。

習題 13.4.6（SymPy API 對照表擴充）

為本對照表補上三個你尚未在本書中使用過的 SymPy 功能，每個都：

(a) 說明它屬於哪一章的範疇； (b) 給出一個可執行的例子； (c) 說明它解決了前面哪個章節留下的一個「未解決的問題」。

習題 13.4.7（終極交叉驗證）

選一個你喜歡的定積分 \(I = \int_a^b f(x)\,\mathrm{d}x\) ，用四條獨立的路徑計算它，並把四個答案與誤差一起列表：

1. 符號：sp.integrate 的閉閉封閉形式；
2. 數值：sp.N 或 Romberg／Gauss 求積；
3. 級數：sp.series 逐項展開後求和；
4. 蒙特卡洛（如果會寫的話）或數值微分後用 Newton 迭代求原函數的端點值。

然後回答：哪一條路徑最可靠？哪一條最不可靠？為什麼？（提示：考慮病態積分 \(\int_0^1 \frac{\mathrm{d}x}{\sqrt{x}}\) 。）

全書 SymPy API 總覽#

全書完。