网硕互联帮助中心第15课我们掌握了定积分数值计算、牛顿-莱布尼茨公式。
本课用积分算「面积、旋转体体积」。
为什么AI人必须学面积、体积？
普通人学积分：算图形面积。
AI学积分：看懂高维损失曲面的几何形态。
本课学习闭环
数值积分 → 几何积分 → AI高维空间几何认知
在开篇前，为了更好便于大家理解，定积分在大模型训练中的作用，我先用大白话讲透原理，看明白原理，再进行计算训练。
先记住核心：定积分本质 = 累积求和，几何应用只是定积分最直观的可视化例子。
一、定积分几何应用本身是什么
2. 平面图形旋转得到旋转体体积；
3. 曲线弧长、曲面面积。
底层逻辑：
把连续变化的图形切成无穷多微小碎片（微分），再全部累加（积分），算出整体总量。
二、映射到AI大模型训练，它在干什么？
损失期望（最核心用途）
模型真正优化目标不是单条样本损失，而是期望损失：
\\mathcal{L}=\\mathbb{E}{x\\sim p{data}}[L(x)]
连续分布下，数学定义就是定积分
\\mathbb{E}[L]=\\int p(x)\\cdot L(x)dx
几何视角理解：
横轴：所有可能输入数据x；纵轴：概率密度×损失。
定积分 = 这条曲线下方的总面积，也就是全局平均损失。
训练目标：不断调整神经网络参数，压缩这块“总面积”。
和采样的关系（重点！AI不会直接算积分）
绝大多数真实数据分布无法写出公式，没办法直接计算定积分。
所以大模型使用蒙特卡洛采样：拿一批样本（batch）的均值，近似代替积分结果。
通俗比喻：
定积分=测算整片湖泊总面积；
采样=随机丢若干浮标，用局部点位估算整片湖大小。
延伸几个场景
概率、熵、KL散度
连续随机变量的熵、分布之间KL散度，全部依靠定积分定义；衡量模型生成分布和真实数据分布差距。
生成模型（扩散模型）
扩散过程是连续时间微分方程，采样、对数似然计算，大量用到积分思想；
强化学习连续动作空间
连续动作回报期望，依靠积分描述。
微分：截取一瞬间、极小片段的变化；
定积分：把无穷多极小片段累积汇总得到整体结果。
大模型训练：
数据是连续空间、误差持续变化；
我们想要的不是单一个样本的误差，而是全部输入范围上整体误差总和——这就是定积分要解决的问题。
定积分几何应用教会我们：如何把无穷多微小片段累加得到整体总量。放到AI训练中，它就是用来计算全局期望损失的数学原型；受限于算力，我们无法精确求解积分，只能依靠批量采样做近似估算。
补充区分容易混淆的点
大模型前向传播、反向求导主要依靠导数（微分）；
定积分负责定义“我们最终要优化的目标函数（期望损失）”。
微分负责找下坡方向，积分定义终点目标。
正式计算训练开始（先理解以上，在看下文）
一、定积分求平面面积（二维核心、损失曲线底层）
核心原理
连续函数在区间 [a,b] 与x轴围成的面积：
S = \\int_{a}^{b} |f(x)| dx
规则
AI深度释义（关键）
二维函数面积 = 模型在参数区间内的总误差累积
曲线高：瞬时误差大
曲线低：瞬时误差小
积分面积大：整体误差大、模型差
积分面积小：整体误差小、模型收敛好
训练全程就是：不断压缩损失函数的积分面积。
经典例题1：单区间正面积
求 y=x^2 在 [0,2] 与x轴围成面积
解：
S=\\int_0^2 x^2 dx
=\\left.\\frac{1}{3}x3\\right|_02
=\\frac{8}{3} \\approx 2.67
理解：该参数区间内，模型整体误差累积量为 \\frac{8}{3}
经典例题2：正负交替面积（AI震荡训练场景）
求 y=\\sin x 在 [0,2\\pi] 与x轴围成真实几何面积
注意：
直接定积分 = 0（正负抵消）
真实面积必须分段
S = \\int_0^\\pi \\sin x dx + \\int_\\pi^{2\\pi} -\\sin x dx
计算：
\\int_0^\\pi \\sin x dx = -\\cos\\pi+\\cos0=2
\\int_\\pi^{2\\pi} -\\sin x dx = 2
总面积：S=4
AI重磅对应
积分值为0 ≠ 无误差
对应模型：
正负梯度震荡、来回更新、参数原地打转
损失数值看似平稳，实际训练剧烈震荡
这就是为什么：不能只看loss数值，要看几何面积波动
二、两函数之间围成的面积（AI残差、差值误差核心）
公式
上函数 – 下函数
S=\\int_a^b \\big[ f(x)-g(x) \\big] dx,\\quad f(x)\\ge g(x)
AI终极解释
f(x)：真实标签分布
g(x)：模型预测分布
两曲线围成面积 = 模型预测与真实数据的整体偏差总量
残差网络ResNet底层几何逻辑
残差 = 真实值 – 预测值
残差积分面积越小 → 拟合越精准、泛化越强
实操例题
求 y=x 与 y=x^2 在 [0,1] 围成面积
AI理解：
该模型在当前参数域内，整体预测偏差仅 1/6，拟合效果优秀。
三、定积分求旋转体体积（三维几何体、AI高维空间雏形）
核心认知升级
面积是二维，体积是三维空间累积
大模型是几百上千万维空间，本质是：超高维几何体
先学会三维体积，才能看懂高维空间形变。
绕X轴旋转体积公式（圆盘法）
函数 y=f(x) 在 [a,b] 绕x轴旋转成立体：
V=\\pi \\int_a^b f^2(x) dx
每一个极小竖条，旋转成一个薄圆盘
圆盘面积 \\pi r^2，厚度 dx
积分 = 无数薄圆盘叠加成整体立体体积
AI独家映射
经典实操例题
y=\\sqrt{x}，区间 [0,4]，绕x轴旋转体积
V=\\pi\\int_0^4 (\\sqrt{x})^2 dx
=\\pi\\int_0^4 x dx
=\\pi\\cdot \\frac12x2\\bigg|_04
=\\pi\\cdot 8 = 8\\pi
四、绕Y轴旋转体积（壳层法，模型边界空间）
公式
V=2\\pi\\int_a^b x\\cdot f(x) dx
AI意义
表征模型边缘参数、边界权重的空间容积
对应大模型：稀疏参数、边缘特征、次要权重空间
五、本课最强AI底层打通（核心升华）
为什么MSE是平方？
体积公式自带 f^2(x)
平方损失不是人为定义，是三维几何误差的天然形态
为什么交叉熵比MSE收敛快？
MSE：基于旋转体体积累积（立体误差）
交叉熵：基于概率面积差（平面分布差）
平面几何修正速度 > 立体几何修正速度
过拟合的几何解释
训练集面积极小（拟合完美）
测试集面积极大（曲面过于扭曲、空间容积畸形）
大模型训练本质几何描述
不断压缩误差面积、规整误差体积，让高维损失几何体趋于平滑、对称、最小容积。
六、12–16课微积分完整AI体系总闭环
至此：大模型损失曲面的「代数+几何」全部吃透。
七、本课核心口诀（永久记忆）
6. 单函数面积：上减零、负取反
7. 双函数面积：上减下、差值积
8. 旋转体体积：平方积、乘派值
9. AI几何真理：面积是误差总量，体积是误差空间
八、课后自测题（精准通关）
10. 计算 y=4-x^2 在 [0,2] 与x轴围成面积
11. 求 y=x、y=x^2 在 [1,2] 之间围成的面积
12. 求 y=2x 在 [0,3] 绕x轴旋转体体积
13. 简答：为什么模型loss接近0但依然震荡？用本课几何知识解释
本篇为《AI大模型与数学》连续课程，用微积分底层逻辑看懂大模型训练原理。
如果内容对你有启发，欢迎点赞收藏。
持续更新全套40节微积分课程，点击关注不错过后续内容。
评论前必须登录！
注册