梯度直指最陡的上坡
想象你站在雾蒙蒙的山坡上。就算看不见前方，只凭脚下的坡度，你也能判断哪个方向爬得最陡。那个方向就是梯度。在标量场（高度、温度）的一点上，它是指向值增长最快方向的箭头。不只方向，长度也有意义：越陡越长。只要抓住梯度，登山道设计、热流的方向、以及训练 AI 的梯度下降法，就被串成了一条线。
在高度场上拖动探针。无论放到哪儿，都跟着一支箭头。这支箭头就是那一处最陡的上升方向，也就是梯度。越靠近山顶坡度越缓，箭头越短；在陡坡上则变长。箭头同时说两件事：往哪儿爬最快（方向）、有多陡（长度）。若是平坦的原野，箭头几乎为0，因为无处可爬。
想想地图上的等高线，就是连起同样高度的线。梯度永远和这些等高线成精确的直角。为什么？沿等高线走，高度不变（上升为零），所以上升最快的方向只能笔直横穿那条线。拖动探针看看。金色箭头（梯度）和蓝线（等高线的切线）在任何地方都保持90度。等高线密集处坡陡，箭头也就长。
梯度归根结底也是向量，所以能拆成横向和纵向两部分。横向部分是你往东走时值上升得多快（∂f/∂x），纵向部分是你往北走时上升得多快（∂f/∂y）。这两个正是偏导数——只看一个方向、暂时固定另一个所测到的斜率。拖动探针，绿色（东）和橙色（北）两个分量合成黑色的梯度箭头。你在向量那一讲见过的"几个 î 加几个 ĵ"的拼装，在这里照样起作用。
若梯度是上坡，它的反方向（−∇f）就是下得最快的路。丢一颗球看看。它每一刻都朝当地最陡的下坡迈一步，最终停在谷底。把种子拖到各处，它会滚进离起点最近的那个谷。这就是梯度下降法。训练 AI 模型时，就在"误差"这片地形上沿着 −∇（误差）一步步下行，去找误差最小的谷。调整数十亿个数，靠的正是和山上滚球一模一样的原理。
恰好有一类位置，梯度变为0：峰顶、谷底，还有鞍点。在那儿，朝任何方向都不再有可上升（或下降）的方向，于是箭头消失。拖动探针，找出箭头缩到0的位置。这为什么重要？因为一切让某物取最大或最小的问题，都化为"找出 ∇f = 0 的点"。最便宜的设计、最坚固的结构、最小的误差——在最优点上，地形永远是平的。从下一讲起，我们从标量转向向量场本身如何逐点变化。