综合比分析更难

# 综合比分析更难 来源：https://surfingcomplexity.blog/2026/07/03/synthesis-is-harder-than-analysis/ 多年来，数学家、逻辑学家和计算机科学家发展出了各种**演算**。如果你有计算机科学背景，你很可能听说过λ演算，这是阿隆佐·丘奇提出的一种计算模型。如果你更熟悉数据库，那么你其实在不知不觉中已经接触过关系演算，因为SQL正是基于关系演算。如果你涉足形式化方法，那么你一定用过谓词演算，也就是人们更常说的**一阶逻辑**。最后，如果你喜欢阅读编程语言方向的学术论文，那你几乎肯定遇到过**相继式演算**。然而，当有人不加修饰地说“演算”这个词（比如，“我下学期要学演算”）时，他们指的是哪一门演算毫无歧义：总是那一门特定的演算。或者更准确地说，是两门紧密相关的演算：微分学和积分学。 从视觉上看，你可以把微分学理解为计算函数在某一点的斜率。例如，看下面这张图： [](https://surfingcomplexity.blog/wp-content/uploads/2026/07/image-6.png) 你可能会问：“当 x=6 时，这条曲线的变化有多快？” 换句话说，这个函数在 x=6 附近的一个很小的邻域内的斜率是多少？ [](https://surfingcomplexity.blog/wp-content/uploads/2026/07/image-7.png) 微分学让你能够计算函数在某一点的斜率 而积分学则关注的是函数图像在某个区间上的面积。例如，你可能会问：“这条曲线在 x=2 和 x=7 之间的面积是多少？” [](https://surfingcomplexity.blog/wp-content/uploads/2026/07/image-5.png) 积分学让你能够计算函数在给定区间上的面积 如果你学习微积分，你会先学微分学（有时称为“微积分1”或“Cal 1”），然后再学积分学（“Cal 2”）。学习微分学时，你会学到计算函数导数（某点斜率）的规则。事实证明，无论函数是什么类型，计算导数都非常直接。它只是一个算法，也就是说，如果你愿意，你完全可以编写一个程序让计算机自动计算导数。（顺便提一句，自动计算导数是训练大语言模型过程中的一个基本要素。如果你感兴趣，可以查查**自动微分**。） 然后你到了微积分2，你开始学习如何计算积分（曲线下的面积）。你很快会发现，与微积分1不同，计算任意函数的积分并没有统一的算法。相反，你学到的是针对不同类型函数的各种技巧。你还会了解到，对于某些函数，其积分根本没有**闭式解**！例如，正态分布中出现的高斯函数。当均值为零、方差为1时，它看起来是这样的： \[\frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}}\] [](https://surfingcomplexity.blog/wp-content/uploads/2026/07/gaussian.png) 著名的钟形曲线 如果在微积分1的期末考试中让学生计算这个函数的导数，那是一个完全合理的题目，答案如下： \[-\frac{x}{\sqrt{2\pi}} e^{-\frac{x^2}{2}}\] 但如果在微积分2的期末考试中让学生计算这个函数的积分，那就不公平了，因为用课堂上学到的技巧是无法完成的（至少我学到所需技巧是在微积分3）。因为该积分没有闭式解，你需要用无穷级数来表示解，例如： \[\frac{1}{\sqrt{2\pi}} \sum_{n=0}^{\infty} \frac{(-1)^n}{2^n n!(2n+1)} x^{2n+1} = \frac{1}{\sqrt{2\pi}} \left( x - \frac{x^3}{6} + \frac{x^5}{40} - \frac{x^7}{336} + \frac{x^9}{3456} - \cdots \right)\] （注：我问了AI高斯函数的积分，希望它没算错！） 微分学和积分学之间的关系并不显而易见（至少对我来说不是）。然而，事实证明这两门演算就像一枚硬币的两面，因为积分是反导数。也就是说，如果 \(f(x)\) 是 \(F(x)\) 的导数，那么 \(F(x)\) 就是 \(f(x)\) 的积分。这个结果被称为**微积分基本定理**。 微分与积分之间的这种联系引出了一个近乎哲学的问题：为什么计算导数比计算积分容易得多？2011年，有人在数学 Stack Exchange 上问过这个问题：**为什么积分比微分难那么多？**（https://math.stackexchange.com/questions/20578/why-is-integration-so-much-harder-than-differentiation） 得票最高的回答来自 Qiaochu Yuan（https://qchu.wordpress.com/），其核心思想如下（重点为我所加）： > 微分是一种“局部”操作：要计算一个函数在某一点的导数，你只需要知道它在该点邻域内的行为。但积分是一种“全局”操作：要计算一个函数在一个区间上的定积分，你必须知道它在整个区间上的行为（而要计算不定积分，你需要知道它在所有区间上的行为）。这需要概括大量信息。**一般来说，局部事物比全局事物容易得多。** 从某种意义上说，“局部事物比全局事物容易”是一句陈词滥调。人人都知道，比如局部优化比全局优化容易得多。但这同时也是非常深刻的一句话。它引出了本文的标题：**综合比分析更难**。 我之前在《缝隙中的恶魔》（https://surfingcomplexity.blog/2026/06/06/the-demon-of-the-gaps/）一文中写到过分析与综合的区别。在分析中，我们将一个大问题分解成多个彼此清晰分离的小问题。这些小问题更加局部化，因此更容易解决。这就是为什么我们提倡诸如**封装**和**关注点分离**这样的原则，以确保我们的小问题是局部的。 而综合的工作则涉及将多个事物整合（！）在一起。这朝着相反的方向推进：我们在创造一个更不局部的问题。而全局事物比局部事物难得多。我们所面临的挑战是，某些类型的问题本质上是综合问题。正如我在之前那篇文章中写到的，事件响应就是一个经常面对综合问题的领域：我们必须理解各个部分通常是如何组合在一起的，才能理解当前出了什么问题。 这就是为什么我认为这种综合工作对SRE（站点可靠性工程师）很重要。现在，因为综合比分析难，又因为SRE并不拥有超人的认知能力，这意味着他们对系统中任何给定组件的理解深度是有限的。但他们越了解不同组件之间的交互方式，就越能在解决棘手的事件中发挥作用。 不幸的是，在我们的行业里，我们尚未将建立综合专长视为一等一的事情。这可以理解，因为这种工作非常依赖环境，它取决于SRE所在组织中具体系统的杂乱细节。另一方面，我们可以提高**学习方法的能力**，更好地学习一个系统的运营细节。而这正是我希望看到更多的东西。