微积分基本定理

下面我把微积分基本定理（Fundamental Theorem of Calculus, FTC）当成一条完整的“思想链”来讲，而不是直接丢给你两个公式。

你最近一直在从“微分是什么 → 导数 → 方向导数 → 积分 → 换元 → 泰勒公式”这条线往前推进，所以这里尤其值得建立一个核心认识：

微分研究“变化率”，积分研究“累积量”；微积分基本定理告诉我们：这两件看似相反的事情，实际上互为逆运算。

---

一、先不要看公式：微积分到底解决了什么问题？

在微积分诞生之前，人类其实长期面对两类问题。

问题 A：知道“变化得多快”，怎么求“变化了多少”？

例如汽车速度不断变化：

• 10 秒时速度是多少？
• 20 秒时速度是多少？
• 那么从 0 秒到 20 秒一共走了多远？

如果速度恒定，很简单：

\[路程=速度\times时间 \]

但是如果速度不断变化：

\[v=v(t) \]

那么就不能简单地用一个速度乘时间。

我们需要把时间切成无数个极小区间。

在一个极小时间 \(\Delta t\) 内，速度几乎不变，因此：

\[\Delta s\approx v(t)\Delta t \]

把所有小段加起来：

\[s\approx\sum v(t_i)\Delta t \]

当小区间无限细：

\[s=\int_a^b v(t)\,dt \]

所以：

积分解决的是“把无数个微小变化累积起来”。

---

问题 B：知道“总量”，怎么求“瞬时变化率”？

反过来。

假设我们定义：

\[S(t)=\text{汽车从某个起点到时间 }t\text{ 所走的路程} \]

那么问题来了：

在时间 \(t\) 的瞬间，汽车到底跑多快？

按照导数定义：

\[S'(t)=\lim_{\Delta t\to0} \frac{S(t+\Delta t)-S(t)}{\Delta t} \]

而：

\[S(t+\Delta t)-S(t) \]

就是这段时间增加的路程。

如果 \(\Delta t\) 很小，这段路程大约是：

\[v(t)\Delta t \]

因此：

\[\frac{S(t+\Delta t)-S(t)}{\Delta t} \approx v(t) \]

极限以后：

\[S'(t)=v(t) \]

也就是：

导数可以把“累积量”重新拆成“瞬时变化率”。

这已经非常接近微积分基本定理了。

---

二、历史背景：为什么牛顿和莱布尼茨会发现它？

这里需要特别注意一个历史事实：

微积分不是牛顿一个人突然发明的。

它是在几个世纪数学发展的基础上形成的。

---

1. 古希腊：积分思想其实比微积分早得多

古希腊数学家面对一个非常原始的问题：

怎么求一个曲线下面的面积？

例如：

genui{"learning_viz":{"type_id":"INTEGRAL","content":"\int_0^2 x^2,dx","locale_override":"zh-CN"}}

对于矩形、三角形、圆形，人们可以通过几何方法求面积。

但是如果边界是一条复杂曲线呢？

例如：

\[y=x^2 \]

从 \(x=0\) 到 \(x=2\) 的面积是多少？

这类问题逐渐推动了穷竭法（method of exhaustion）。

核心思想其实非常接近现代积分：

把一个复杂对象拆成越来越多的简单对象，再取极限。

---

三、17世纪：关键转折出现

到了17世纪，人类开始越来越系统地研究：

① 曲线的切线

也就是：

某一点到底变化得有多快？

这最终发展成导数。

② 曲线下面的面积

也就是：

一个变化的量累积起来有多少？

这最终发展成积分。

问题是：

切线问题和面积问题到底有没有关系？

这就是微积分真正的核心谜题。

---

四、牛顿与莱布尼茨真正发现了什么？

17世纪后期：

• Isaac Newton
• Gottfried Wilhelm Leibniz

分别建立了系统的微积分理论。

他们的重要发现不是简单地“发明了积分符号”。

真正重要的是：

求变化率和求累积量之间存在一种逆关系。

换句话说：

\[\boxed{\text{微分}\leftrightarrow\text{积分}} \]

这就是为什么今天叫：

微积分基本定理

因为它把微积分原本看起来分裂的两个世界连接起来了。

---

五、先建立最重要的直觉

我们先定义一个函数：

\[F(x) \]

它表示某个累积量。

现在定义：

\[A(x)=\int_a^x f(t)\,dt \]

什么意思？

从固定起点 \(a\) 开始，一直把 \(f(t)\) 累积到 \(x\)。

所以：

\[A(x) \]

本质上是：

从 \(a\) 到 \(x\) 的累积量。

那么如果 \(x\) 向右移动一点：

\[x\rightarrow x+\Delta x \]

累积量增加：

\[A(x+\Delta x)-A(x) \]

增加的部分是什么？

就是这一小条：

\[\int_x^{x+\Delta x}f(t)\,dt \]

当 \(\Delta x\) 非常小时：

\[\int_x^{x+\Delta x}f(t)\,dt \approx f(x)\Delta x \]

所以：

\[A(x+\Delta x)-A(x) \approx f(x)\Delta x \]

两边除以 \(\Delta x\)：

\[\frac{A(x+\Delta x)-A(x)}{\Delta x} \approx f(x) \]

让：

\[\Delta x\rightarrow0 \]

得到：

\[A'(x)=f(x) \]

也就是：

\[\boxed{ \frac{d}{dx}\int_a^x f(t)\,dt=f(x) } \]

这就是微积分基本定理第一部分。

---

六、为什么这个公式如此神奇？

把它翻译成人话：

\[\frac{d}{dx}\int_a^x f(t)\,dt=f(x) \]

左边：

先把 \(f\) 从 \(a\) 累积到 \(x\)，然后求这个累积量的变化率。

右边：

直接得到 \(f(x)\)。

也就是说：

“累积”之后再求变化率，会把原来的变化率找回来。

可以把它理解成：

\[\boxed{ \text{累积}\rightarrow\text{变化率} } \]

被导数“还原”了。

---

七、用汽车彻底理解第一基本定理

假设汽车速度：

\[v(t) \]

从 \(0\) 秒到 \(t\) 秒的总路程：

\[S(t)=\int_0^t v(\tau)\,d\tau \]

为什么？

因为每一个极小时间段：

\[dS=v(t)\,dt \]

全部累积：

\[S(t)=\int_0^t v(\tau)d\tau \]

现在求：

\[S'(t) \]

根据基本定理：

\[S'(t)=v(t) \]

于是：

\[\boxed{\text{路程的导数}=\text{速度}} \]

这就是物理学里：

\[v=\frac{ds}{dt} \]

背后的数学结构。

再往下一层：

\[a=\frac{dv}{dt} \]

因此：

\[\boxed{ s \xrightarrow{\text{求导}} v \xrightarrow{\text{求导}} a } \]

反过来：

\[\boxed{ a \xrightarrow{\text{积分}} v \xrightarrow{\text{积分}} s } \]

这就是微积分在物理中的核心结构之一。

---

八、第二基本定理：为什么积分突然可以这么容易算？

第一部分告诉我们：

\[\frac{d}{dx}\int_a^x f(t)\,dt=f(x) \]

现在假设我们找到一个函数：

\[F'(x)=f(x) \]

也就是说：

\(F\) 是 \(f\) 的一个原函数。

那么：

\[\int_a^b f(x)\,dx \]

到底是多少？

答案：

\[\boxed{ \int_a^b f(x)\,dx=F(b)-F(a) } \]

这就是微积分基本定理第二部分，也常被称为牛顿—莱布尼茨公式。

---

九、第二基本定理到底是怎么来的？

这是整个微积分中非常值得你自己推一遍的地方。

假设：

\[F'(x)=f(x) \]

根据第一基本定理，定义：

\[G(x)=\int_a^x f(t)\,dt \]

那么：

\[G'(x)=f(x) \]

但是：

\[F'(x)=f(x) \]

所以：

\[F'(x)=G'(x) \]

因此：

\[(F-G)'=0 \]

一个函数导数恒为 \(0\)，说明它是常数：

\[F(x)-G(x)=C \]

于是：

\[G(x)=F(x)-C \]

把 \(x=a\) 代进去：

\[G(a)=\int_a^a f(t)dt=0 \]

因此：

\[0=F(a)-C \]

所以：

\[C=F(a) \]

因此：

\[G(x)=F(x)-F(a) \]

令：

\[x=b \]

得到：

\[\boxed{ \int_a^b f(x)dx=F(b)-F(a) } \]

这就是第二基本定理。

---

十、这实际上解决了积分计算的巨大难题

想象一下，如果没有基本定理。

我们要计算：

\[\int_0^2 x^2dx \]

按照积分最原始的定义：

\[\int_0^2x^2dx = \lim_{n\to\infty} \sum_{i=1}^n x_i^2\Delta x \]

这会变成一个非常复杂的极限问题。

但是我们知道：

\[\frac{d}{dx}\frac{x^3}{3}=x^2 \]

所以：

\[F(x)=\frac{x^3}{3} \]

直接：

\[\int_0^2x^2dx = \left[\frac{x^3}{3}\right]_0^2 \]

于是：

\[=\frac{8}{3}-0 \]

所以：

\[\boxed{\frac83} \]

注意这里发生了一个巨大的数学跃迁：

积分原本是“无穷多个小量求和”。

基本定理告诉我们：

只要找到一个原函数，就可以把这个无穷求和问题转换成两个端点的函数值相减。

这就是它为什么重要。

---

十一、一个特别重要的思想：局部 ↔ 整体

你现在学习导数和积分时，可以把整个微积分压缩成这样一张图：

\[\boxed{ \text{局部变化率} \overset{\text{积分}}{\longrightarrow} \text{整体累积} } \]

反过来：

\[\boxed{ \text{整体累积} \overset{\text{求导}}{\longrightarrow} \text{局部变化率} } \]

也就是：

\[\boxed{ \text{微分}\leftrightarrow\text{积分} } \]

这实际上是微积分最核心的思想。

---

十二、例题1：求曲线下面积

求：

\[\int_1^3 2x\,dx \]

第一步：寻找原函数。

因为：

\[\frac{d}{dx}x^2=2x \]

所以：

\[F(x)=x^2 \]

第二步：使用基本定理：

\[\int_1^3 2x\,dx = F(3)-F(1) \]

所以：

\[=3^2-1^2 \]

\[=9-1 \]

\[\boxed{8} \]

几何上，它表示：

\[y=2x \]

在 \(x=1\) 到 \(x=3\) 之间的有符号面积。

---

十三、例题2：已知速度，求路程

汽车速度：

\[v(t)=3t^2+2 \]

求 \(t=1\) 到 \(t=4\) 的路程。

因为：

\[ds=v(t)dt \]

所以：

\[s=\int_1^4(3t^2+2)dt \]

找原函数：

\[F(t)=t^3+2t \]

因此：

\[s=F(4)-F(1) \]

\[=(64+8)-(1+2) \]

\[=72-3 \]

\[\boxed{69} \]

这就是基本定理的物理应用：

速度 → 积分 → 路程

---

十四、例题3：已知加速度，求速度

假设：

\[a(t)=6t \]

而：

\[v(0)=2 \]

求 \(v(t)\)。

因为：

\[a(t)=v'(t) \]

所以：

\[v(t)-v(0)=\int_0^t a(s)ds \]

于是：

\[v(t)=2+\int_0^t6s\,ds \]

计算：

\[v(t)=2+3t^2 \]

所以：

\[\boxed{v(t)=3t^2+2} \]

这里有一个非常重要的认识：

积分不仅仅是在算面积。

它实际上是在：

把变化率累积成原来的量。

---

十五、例题4：为什么 \(\int f(x)dx\) 后面要加 \(C\)？

求：

\[\int 2x\,dx \]

因为：

\[\frac{d}{dx}x^2=2x \]

所以：

\[\int2x\,dx=x^2+C \]

为什么有 \(C\)？

因为：

\[\frac{d}{dx}(x^2+5)=2x \]

同样：

\[\frac{d}{dx}(x^2-100)=2x \]

甚至：

\[\frac{d}{dx}(x^2+C)=2x \]

因此一个导数对应无穷多个原函数。

但是注意：

定积分为什么不需要 \(C\)？

例如：

\[\int_1^3 2x\,dx \]

使用：

\[F(x)=x^2+C \]

得到：

\[(9+C)-(1+C) \]

\[=8 \]

常数自动消失。

所以：

不定积分是在寻找“所有原函数”。

而：

定积分是在求两个端点之间的累积量。

这是两个容易混淆、但非常重要的概念。

---

十六、例题5：积分上限本身是变量

考虑：

\[A(x)=\int_0^x t^2dt \]

不要急着计算积分。

直接问：

\(A(x)\) 的变化率是多少？

基本定理直接告诉我们：

\[A'(x)=x^2 \]

这非常漂亮。

例如：

\[A(2)=\int_0^2t^2dt \]

是面积。

而：

\[A'(2)=4 \]

表示：

当面积累积到 \(x=2\) 附近时，面积增加的瞬时速度是 \(4\)。

这就是“面积函数的导数”。

---

十七、这里还有一个非常容易忽略的细节：为什么里面用 \(t\)，外面用 \(x\)？

例如：

\[A(x)=\int_0^x t^2dt \]

为什么不用：

\[\int_0^x x^2dx \]

因为这里存在两个不同角色：

• \(x\)：积分上限，是外部变量
• \(t\)：积分过程中不断变化的内部变量

所以：

\[\int_0^x t^2dt \]

可以理解成：

从 \(0\) 累积到当前位置 \(x\)。

\(t\) 是“跑遍整个区间”的临时变量。

这和你之前问的 \(dy\)、\(dx\)、换元问题其实是同一个数学世界。

---

十八、例题6：积分上限不是简单的 \(x\)

考虑：

\[A(x)=\int_0^{x^2}t^3dt \]

这次积分上限是：

\[x^2 \]

那么：

\[A'(x)=? \]

先把：

\[u=x^2 \]

那么基本定理告诉我们：

\[\frac{d}{du}\int_0^u t^3dt=u^3 \]

但是：

\[u=x^2 \]

所以还要使用链式法则：

\[A'(x)=u^3\frac{du}{dx} \]

代回：

\[A'(x)=(x^2)^3(2x) \]

所以：

\[\boxed{A'(x)=2x^7} \]

这说明：

微积分基本定理和链式法则经常一起工作。

---

十九、例题7：神经网络里为什么也会遇到这种思想？

这和你正在学习的梯度下降非常相关。

假设损失函数：

\[J(\theta) \]

你要知道参数 \(\theta\) 改变一点以后，损失怎么变化。

这是微分：

\[dJ\approx J'(\theta)d\theta \]

而如果你知道损失变化率：

\[J'(\theta) \]

那么从参数 \(\theta_0\) 走到 \(\theta_1\)，总变化可以写成：

\[J(\theta_1)-J(\theta_0) = \int_{\theta_0}^{\theta_1}J'(\theta)d\theta \]

也就是说：

局部变化率沿着路径累积起来，就得到整体变化。

这和梯度下降的思想高度一致：

\[\text{梯度} \rightarrow \text{局部变化方向} \rightarrow \text{沿路径累积变化} \rightarrow \text{函数值变化} \]

当然，在神经网络实际训练中，通常直接使用链式法则和梯度，而不是每一步显式做积分。但背后的数学结构就是微积分。

---

二十、再看泰勒公式，你会发现它也是这条链上的东西

你最近正在学习泰勒公式。

泰勒展开：

\[f(x+h) = f(x) + f'(x)h + \frac{f''(x)}{2!}h^2 +\cdots \]

它本质上是在描述：

一个函数发生有限变化时，这个变化是由局部导数一层层累积构成的。

而微积分基本定理描述：

\[f(b)-f(a) = \int_a^b f'(x)dx \]

所以可以把两者放在一起理解：

微积分基本定理

告诉你：

\[\boxed{ \text{整体变化}= \text{局部变化率的累积} } \]

泰勒公式

进一步告诉你：

\[\boxed{ \text{局部变化率本身还可以继续用更高阶变化率描述} } \]

于是：

\[f \rightarrow f' \rightarrow f'' \rightarrow f''' \rightarrow\cdots \]

就形成了你最近一直在学习的“变化的变化”的体系。

---

二十一、微积分基本定理为什么是“基本”的？

因为它完成了一个极其深刻的统一：

原本看起来不同的问题	微积分统一起来
求曲线切线	导数
求瞬时速度	导数
求曲线面积	积分
求总路程	积分
求总变化量	积分
从总量得到变化率	导数
从变化率恢复总量	积分

最核心的一句话就是：

\[\boxed{ \text{微分与积分互为逆运算} } \]

但这里最好不要机械地记成：

“积分就是导数的逆运算。”

更准确的是：

在适当条件下，积分构造出的累积函数，其导数恢复原来的函数；而定积分可以通过任意原函数的端点差来计算。

这就是两个基本定理之间的关系。

---

二十二、把整个微积分压缩成一条“思想主线”

你可以把我们目前学过的东西串成：

\[\boxed{ \text{函数} \rightarrow \text{变化} \rightarrow \text{变化率} \rightarrow \text{导数} } \]

然后反方向：

\[\boxed{ \text{变化率} \rightarrow \text{微小变化} \rightarrow \text{累积} \rightarrow \text{积分} } \]

而基本定理把两条路接起来：

\[\boxed{ \text{导数} \overset{\text{积分}}{\longrightarrow} \text{原函数变化} } \]

以及：

\[\boxed{ \text{积分} \overset{\text{求导}}{\longrightarrow} \text{原函数的被积函数} } \]

最终形成：

\[\boxed{ \text{局部} \overset{\text{积分}}{\longrightarrow} \text{整体} \overset{\text{求导}}{\longrightarrow} \text{局部} } \]

---

二十三、你现在最应该真正掌握的，不是两个公式

建议把微积分基本定理浓缩成下面 4 层理解：

第一层：几何

积分：

曲线下面积/有符号面积。

导数：

曲线某一点的切线斜率。

第二层：物理

速度：

\[v=\frac{ds}{dt} \]

路程：

\[s=\int vdt \]

所以：

\[\boxed{ 速度\overset{\text{积分}}{\longrightarrow}路程 } \]

第三层：数学

\[\boxed{ \frac{d}{dx}\int_a^xf(t)dt=f(x) } \]

以及：

\[\boxed{ \int_a^bf(x)dx=F(b)-F(a),\quad F'(x)=f(x) } \]

第四层：最深层思想

\[\boxed{ \text{一个量的“局部变化率”，累积起来，就是这个量的整体变化。} } \]

而：

\[\boxed{ \text{一个量的整体累积，其瞬时变化率，就是产生它的局部量。} } \]

---

最后给你一个特别值得记住的例子

假设：

\[f(x)=x^2 \]

定义：

\[A(x)=\int_0^x t^2dt \]

那么：

\[A(x)=\frac{x^3}{3} \]

因此：

\[A'(x)=x^2 \]

这里同时看到了三件事：

\[\boxed{ x^2 \overset{\text{积分}}{\longrightarrow} \frac{x^3}{3} \overset{\text{求导}}{\longrightarrow} x^2 } \]

这就是微积分基本定理最纯粹的形态。

而且它和你之前学习的泰勒公式、链式法则、梯度、梯度下降、积分换元并不是孤立知识点——它们实际上都在研究同一个大问题：

一个量如何变化，以及无数个微小变化如何组成一个整体。

这条“局部变化 → 累积 → 整体变化 → 再还原局部变化”的主线，建议你把它作为后面学习多元微积分、梯度、Hessian、概率分布和神经网络反向传播的总框架。