一元函数看的是一条线，多元函数看的是一个面。

一旦变量变多，问题就不再只是“往左还是往右”，而是“往哪个方向走”。这时，导数的概念会自然升级成梯度和 Hessian。

梯度告诉你方向

对于多元函数

$$ f(x, y) $$

它在点 $(x_0, y_0)$ 的梯度定义为

$$ \nabla f(x_0, y_0) = \left(\frac{\partial f}{\partial x}(x_0, y_0),\ \frac{\partial f}{\partial y}(x_0, y_0)\right). $$

梯度的方向，是函数增长最快的方向；梯度的模长，则表示增长最快的速度有多大。

这点很有意思。它不像普通的“斜率”那样只给你一个数字，而是直接给出一个方向场。

多元函数的局部线性近似

如果 $f$ 在点 $a$ 可微，那么局部可以写成

$$ f(\mathbf{x}) \approx f(\mathbf{a}) + \nabla f(\mathbf{a}) \cdot (\mathbf{x}-\mathbf{a}). $$

这和一元情况下的切线公式本质一致，只是现在切线变成了切平面。

这说明一个很重要的事实：即使函数本身很复杂，它在足够小的邻域里仍然可以被线性对象近似。

极值问题为什么离不开 Hessian

如果你只看一阶导数，能知道哪里可能有驻点：

$$ \nabla f(\mathbf{x}) = 0. $$

但驻点不等于极值点。要判断局部到底是最大值、最小值还是鞍点，还得看二阶信息。

对于二元函数，Hessian 矩阵可以写成

$$ H_f = \begin{pmatrix} \frac{\partial^2 f}{\partial x^2} & \frac{\partial^2 f}{\partial x \partial y} \\ \frac{\partial^2 f}{\partial y \partial x} & \frac{\partial^2 f}{\partial y^2} \end{pmatrix}. $$

它描述的是函数在局部的曲率结构。

如果 Hessian 正定，点附近像山谷；如果负定，像山峰；如果不定，往往是鞍点。

一个经典二次型

考虑

$$ f(x, y) = x^2 + y^2. $$

它的梯度是

$$ \nabla f(x, y) = (2x, 2y), $$

在原点处为零。Hessian 为

$$ H_f = \begin{pmatrix} 2 & 0 \\ 0 & 2 \end{pmatrix}, $$

显然正定，所以原点是局部最小值。

这个例子很简单，但它几乎就是多元极值理论的最小模型。

拉格朗日乘子法

如果极值问题还带着约束，就要用拉格朗日乘子法。

设约束为

$$ g(x, y) = 0, $$

那么在极值点附近，通常有

$$ \nabla f = \lambda \nabla g. $$

这表示目标函数的梯度和约束曲面的法向量平行。

换句话说，真正的最优点，不是随便找出来的，而是目标函数和约束条件在几何上发生了平衡。

结尾

多元函数的核心，不只是“变量变多了”，而是几何结构开始变得主导。

梯度告诉你怎么走，Hessian 告诉你地形是什么，拉格朗日乘子告诉你在约束下怎样找平衡。

这套语言，是高等数学里最接近真实优化问题的一部分。