Day 16 说混沌是「对初值敏感」。敏感到什么程度可以拿尺子量：两条初始极接近的轨道，误差不是线性拉开，而是每隔一段固定时间翻一倍。
翻倍是复利，而复利把「提高精度」的回报压得极扁：几十年来卫星与数据同化把气象初值精度提高上千倍，预报窗口只多出十来个翻倍周期——几天，不是几个月。不是算力不够，是方程给可预测性设了天花板。
最大 Lyapunov 指数 $\lambda$ 度量相邻轨道的分离速率：
$\delta_0$ 是初始偏差，$\delta(t)$ 是 $t$ 时刻的偏差；取 $\ln$ 把「指数翻倍」压成「匀速增长」，$\lambda$ 就是那个斜率。$\lambda>0$ 即混沌，$1/\lambda$ 是误差放大 $e$ 倍所需时间。于是预测视界为（$\Delta$ 是可容忍误差）：
关键在于 $\delta_0$ 被关在对数里：精度提高 10 倍，只换来 $\ln 10/\lambda$ 这一小段固定时长。
混沌不是「无法预测」，而是可预测性有确定的汇率，$\lambda$ 把汇率写成了一个数。更出人意料的是影子引理：舍入误差每步都把你推离真轨道，算出的显然是条假轨道；但在双曲性条件下，存在另一条真实轨道全程紧贴着它。模拟因此不是虚构，只是你不知道它对应哪个初值——混沌夺走「这一条」的确定性，却归还了「是某一条」的资格。
天气预报因此放弃单条轨道，改用集合预报：撒一团扰动初值同时积分，输出概率分布。地球大气的 Lyapunov 时间约 2 天，理论预报上限约两周——这不是工程指标，是物理常数。AI 侧同理：SGD 轨迹的 Lyapunov 指数为正，这是「同代码同数据、换个种子结果就不同」的根源；循环网络的梯度爆炸与消失，正是 Lyapunov 谱在反向传播里的显影。
1834 年，工程师 John Scott Russell 骑马沿运河追了两英里，追的是一个「孤立的水丘」：船骤然停下，船首推出的那堆水没有摊平散去，而是保持形状匀速前进。线性波理论说这不可能——不同波长快慢不同，波包必因色散而散架。
孤立子的秘密是给色散找了个对手：非线性让高处跑得比低处快，波形不断变陡；色散则不断把陡峭抹平。两种破坏力量精确抵消——它不是「没被破坏」，而是被两种破坏方式同时锁住。
描述浅水波的 KdV 方程：
第二项是非线性：传播速度正比于 $u$，波峰追赶波谷 → 变陡。第三项的三阶导是色散：对尖锐结构惩罚最重 → 抹平。两者相消得到单孤立子解：
$\mathrm{sech}^2$ 是两侧指数衰减的钟形；括号里只出现 $x-ct$，说明形状不变、只是平移。$c$ 一个参数同时锁定速度、高度与宽度：越高的孤立子跑得越快，而且更窄——线性世界绝无这种绑定。
两个孤立子迎面相撞，穿过彼此后各自完好无损，只留下一点相移——像两个粒子擦肩而过，名字里 “-on” 的后缀（electron、photon）正为此而取。原因极深：KdV 拥有无穷多个守恒量，是完全可积系统，可经反散射变换映射成线性问题求解。某些非线性方程其实是伪装的线性系统，只是那套坐标要去散射数据里找。
光纤通信的孤立子脉冲——石英的克尔非线性与色散互相抵消，脉冲可传数千公里而几乎不变形。木星大红斑、海洋内波也带孤立子结构。数值上它是检验求解器的黄金标准：让两个孤立子对撞一次，若波形变矮了，那是你的格式在偷偷耗散能量，不是物理。
一个有利突变在种群里扩散、一场传染病在地图上推进、一片火烧过草原——共同结构是两件事同时发生：局部自我增殖（反应），并向邻近区域随机渗透（扩散）。
直觉以为结果是「到处慢慢变浓」。实际不是：两者结合会自动组织出一条清晰的边界匀速推进，前方是 0，后方是 1，中间是形状不变的陡坡在平移。最奇妙的是——方程里根本没写速度，速度是解自己选出来的。
$u$ 是密度（0 到 1），$D$ 是扩散系数，$r$ 是内禀增长率。$u(1-u)$ 是逻辑斯蒂项：$u$ 很小时近似 $ru$（指数增长），接近 1 时趋于 0（饱和刹车）。代入行波 $u(x,t)=U(x-ct)$，可证其存在的最小速度为
量纲上几乎是必然：$\sqrt{D/r}$ 是长度，$1/r$ 是时间，相除即得 $\sqrt{rD}$；系数 2 来自波前的线性化分析。
推导揭示一件违反直觉的事：$c^{*}$ 只由波前最稀薄处的线性行为决定。那里 $u\approx 0$，$u(1-u)\approx ru$，饱和项对速度毫无贡献——是最前沿那层几乎测不到的先头部队在拉着整条阵线走，这类波因此叫 pulled front。
只要把反应项换成带 Allee 效应的形式（太稀反而活不下去），速度立刻改由整个波形共同决定，成为 pushed front：可以更快，也可以变负。形式上只动了一点，机制上却换了主人。
新石器农业沿欧洲扩散的考古速度约 1 km/年，与 Ammerman–Cavalli-Sforza 用 $c^{*}$ 做的估计吻合——把 PDE 直接对上考古年代数据的经典案例；入侵物种与病毒变异株同一框架。心脏电兴奋波是可激发介质中的行波，波前失稳卷成螺旋即室颤的数学图像。计算机侧，社交网络的信息级联是它在图上的离散亲戚，采纳阈值模型恰好对应 pushed front。
把连续方程搬进计算机，必须先把时空切成格子。切完就撞上一条硬约束：信息以速度 $c$ 传播，一步内跑了 $c\,\Delta t$；而差分格式一步只能向相邻格点取值，视野最远 $\Delta x$。
若 $c\,\Delta t>\Delta x$，真解需要的信息来自你根本没看的格点，此时算法再精巧也救不回来。这就是 CFL 条件——不是数值技巧，而是因果律在网格上的投影：你不能算得比信息传得还快。
$\nu$ 是 Courant 数：一步内信息跨过了几格。账单很直接：$\Delta x$ 减半，显式格式的时间步也必须减半，于是一维总计算量涨 4 倍，三维加时间涨 16 倍。这是所有显式求解器要交的税，也是气候模式提升分辨率如此昂贵的原因。
Lax 等价定理把这件事升华成一句话：对适定的线性问题，相容 + 稳定 ⟺ 收敛。「相容」是格式在 $\Delta\to 0$ 时确实趋于原方程（Taylor 展开即可验证）；「稳定」是误差不被逐步放大（Fourier 分析算增长因子）；「收敛」才是你真正想要的，却几乎无法直接验证。两个容易检查的条件，白送你那个难以检查的结论——把关于极限的困难命题换成可机械检验的条件，这是数值分析的立身之本。
天气、CFD、地震波、芯片热仿真的成本都被 CFL 定价；隐式格式绕开它的方式是每步解一个大型线性方程组。近年 Fourier Neural Operator、PINN 换了思路：不再对每组参数重跑求解器，而是学习解算子本身，GraphCast 已把一次全球预报从超算数小时压到单卡数秒。但它们不自动满足守恒律，也没有 CFL 这样的因果约束把关，长时程外推的误差累积仍是开放问题——这正是保结构数值方法与深度学习交汇之处。