逼近的藝術：從芝諾的飛矢談極限與連續
瞬間速度為什麼不會「除以零」？用極限與連續，把「無限接近」變成精確可算的數學工具
飛矢明明在動，數學卻說它「停」在每個瞬間
公元前五世紀，古希臘哲學家芝諾（Zeno）丟出一個讓人頭痛的悖論：一支飛行中的箭，在任何一個「瞬間」，它都靜止在某個確定位置，既然每個瞬間都靜止，那由無數靜止瞬間組成的整段飛行，怎麼可能是「運動」？
這個問題困擾了人類兩千多年。直到十七世紀，牛頓（Newton）與萊布尼茲（Leibniz）發展出微積分，再到十九世紀柯西（Cauchy）與魏爾斯特拉斯（Weierstrass）把「逼近」這件事說清楚，我們才終於有能力回答：箭在某一瞬間的速度，不是靠「那一個瞬間」算出來的，而是靠「越來越靠近那一瞬間」的一連串值「逼近」出來的。
這個「逼近」的想法，就是極限（limit）。它是整個微積分的地基。今天我們就從這支飛矢出發，看看數學家如何把「無限接近」這件直覺上模糊的事，變成精確可算的工具。
速度的兩難：為什麼需要極限
先把芝諾的箭具體化。假設一顆球從高處落下，下落距離隨時間 $t$（秒）變化的函數是 $s(t) = 5t^2$（公尺）。我們想問：在第 $t = 2$ 秒這一瞬間，球的速度是多少？
「速度 = 距離 ÷ 時間」這個小學公式，需要一段時間間隔才能用。但「瞬間」沒有間隔，分母會是零，這就是兩難所在。
數學家的巧思是：先別急著讓間隔變成零，而是讓它「越來越小」，看看平均速度會趨向哪個數。從 $t=2$ 到 $t=2+h$ 這段時間，平均速度是：
$$ \bar{v}(h) = \frac{s(2+h) - s(2)}{h} = \frac{5(2+h)^2 - 5 \cdot 2^2}{h} = \frac{5(4 + 4h + h^2) - 20}{h} = \frac{20h + 5h^2}{h} = 20 + 5h $$
注意這裡我們沒有把 $h$ 設成 $0$（那會除以零），而是約分後得到 $20 + 5h$。現在讓 $h$ 越來越小：$h = 0.1$ 時是 $20.5$，$h = 0.01$ 時是 $20.05$，$h = 0.001$ 時是 $20.005$。這串數字明明白白地「逼近」$20$。
我們就說，當 $h$ 趨近 $0$ 時，平均速度的極限是 $20$，並寫成：
$$ \lim_{h \to 0} (20 + 5h) = 20 $$
這個 $20$ 公尺/秒，就是球在第 2 秒的瞬間速度。極限漂亮地化解了「除以零」的困境：我們從不真正抵達 $h=0$，只是無限靠近，並讀出它逼近的目標值。
極限到底在說什麼
把上面的精神抽象出來。對一個函數 $f(x)$，記號
$$ \lim_{x \to a} f(x) = L $$
讀作「當 $x$ 趨近 $a$ 時，$f(x)$ 的極限是 $L$」。它的意思是：只要 $x$ 夠靠近 $a$（但不等於 $a$），$f(x)$ 就會要多靠近 $L$ 有多靠近。
這裡有兩個容易被忽略的重點：
第一，極限和 $f(a)$ 本身無關。我們關心的是 $x$ 在 $a$ 附近的行為，而不是 $x$ 剛好等於 $a$ 時的值。事實上 $f(a)$ 甚至可以沒有定義，極限照樣可能存在——前面算瞬間速度時，$h=0$ 處正是沒定義的，但極限存在。
第二，左右兩側都要趨向同一個值，極限才存在。從左邊靠近（$x \to a^-$）和從右邊靠近（$x \to a^+$）必須得到相同的目標：
$$ \lim_{x \to a} f(x) = L \quad \Longleftrightarrow \quad \lim_{x \to a^-} f(x) = \lim_{x \to a^+} f(x) = L $$
舉個反例：符號函數（sign function）
$$ \operatorname{sgn}(x) = \begin{cases} -1, & x < 0 \\ 0, & x = 0 \\ 1, & x > 0 \end{cases} $$
當 $x \to 0$ 時，左極限是 $-1$，右極限是 $+1$，兩者不相等，所以 $\lim_{x \to 0} \operatorname{sgn}(x)$ 不存在。圖形上，這就是一個「跳上去」的斷崖。
嚴謹的語言：$\varepsilon$–$\delta$ 定義
「要多靠近有多靠近」聽起來還是有點含糊。十九世紀的柯西與魏爾斯特拉斯給了它一個一勞永逸的精確定義，也就是著名的 $\varepsilon$–$\delta$（epsilon-delta）定義：
$\lim_{x \to a} f(x) = L$ 的意思是：對任意給定的 $\varepsilon > 0$，都存在一個 $\delta > 0$，使得只要 $0 < |x - a| < \delta$，就有 $|f(x) - L| < \varepsilon$。
用白話翻譯這場「挑戰與回應」的攻防：$\varepsilon$ 是對手提出的容許誤差（「我要 $f(x)$ 落在 $L$ 的 $\varepsilon$ 範圍內」），$\delta$ 是你的回應（「只要 $x$ 落在 $a$ 的 $\delta$ 範圍內就保證做到」）。不論對手把 $\varepsilon$ 縮多小，你永遠找得到對應的 $\delta$，極限才成立。
這個定義的偉大之處，在於它完全不提「無限小」「趨近」這些直覺但模糊的詞，只用不等式就把整件事釘死。它讓微積分從「能算但說不清」變成一門嚴謹的學科。
連續：函數沒有斷裂的地方
有了極限，我們就能定義連續（continuity）。直覺上，連續函數就是「畫圖時筆不用離開紙面」。精確地說，函數 $f$ 在點 $a$ 連續，需要同時滿足三個條件：
- $f(a)$ 有定義（這個點存在）；
- $\lim_{x \to a} f(x)$ 存在（左右極限相等）；
- 兩者相等：$\displaystyle\lim_{x \to a} f(x) = f(a)$。
第三條是關鍵：函數在 $a$「逼近的目標」恰好就是它在 $a$「實際的值」。三個條件少一個，就會出現不同類型的「不連續點」：
- 可去不連續（removable）：極限存在但 $f(a)$ 缺席或對不上，像 $g(x) = \frac{x^2 - 1}{x - 1}$ 在 $x = 1$ 處有個「破洞」。約分後 $g(x) = x + 1$（$x \neq 1$），極限是 $2$，但 $g(1)$ 本身沒定義——補上一點 $g(1)=2$ 就連續了。
- 跳躍不連續（jump）：左右極限都存在但不相等，像前面的 $\operatorname{sgn}(x)$。
- 無窮不連續（infinite）：函數在該點衝向無窮大，像 $\frac{1}{x}$ 在 $x = 0$ 處。
看一個例子
考慮這個分段函數，問它在 $x = 2$ 是否連續：
$$ f(x) = \begin{cases} \dfrac{x^2 - 4}{x - 2}, & x \neq 2 \\[2mm] 3, & x = 2 \end{cases} $$
第一步，算極限。 當 $x \neq 2$ 時，分子可因式分解：
$$ \frac{x^2 - 4}{x - 2} = \frac{(x-2)(x+2)}{x - 2} = x + 2 $$
所以
$$ \lim_{x \to 2} f(x) = \lim_{x \to 2} (x + 2) = 4 $$
第二步，看函數值。 定義告訴我們 $f(2) = 3$。
第三步，比對。 極限是 $4$，函數值是 $3$，兩者不相等，所以 $f$ 在 $x=2$ 不連續。這是一個可去不連續點——只要把定義改成 $f(2) = 4$，函數就連續了。
這個例子提醒我們一件重要的事：極限值由「周圍」決定，函數值由「定義」決定，兩者各走各的，連續與否取決於它們是否一致。
動手試試
試著判斷下面函數在 $x = 0$ 的連續性：
$$ h(x) = \begin{cases} x \sin\dfrac{1}{x}, & x \neq 0 \\[2mm] 0, & x = 0 \end{cases} $$
提示：$\sin\frac{1}{x}$ 在 $0$ 附近瘋狂震盪、沒有極限，但它被夾在 $-1$ 與 $1$ 之間，所以 $-|x| \le x\sin\frac{1}{x} \le |x|$。當 $x \to 0$ 時，上下界都趨向 $0$，用夾擠定理（Squeeze Theorem）可得 $\lim_{x\to 0} h(x) = 0 = h(0)$。所以 $h$ 在 $0$ 處連續。震盪的函數也可以連續，這常顛覆初學者的直覺。
連續函數的威力：兩個關鍵定理
連續性不只是「沒斷裂」這麼樸素，它保證了一些非常強的結論。最常用的兩個是：
介值定理（Intermediate Value Theorem, IVT）：若 $f$ 在閉區間 $[a,b]$ 上連續，且 $f(a)$ 與 $f(b)$ 異號，則存在某個 $c \in (a,b)$ 使得 $f(c) = 0$。
直覺很簡單：一條不離開紙面的曲線，若起點在 $x$ 軸下方、終點在上方，途中必然穿過 $x$ 軸。這正是「勘根定理」的理論基礎。例如要證明 $x^3 - x - 1 = 0$ 有實根，令 $f(x) = x^3 - x - 1$，算出 $f(1) = -1 < 0$、$f(2) = 5 > 0$，由 IVT 立刻知道 $(1,2)$ 之間必有一根，連方程式都不用解。
極值定理（Extreme Value Theorem）：閉區間上的連續函數，必定取得最大值與最小值。這保證了最佳化問題「有解可找」，是後續求極值的前提。
這兩個定理都死死依賴「連續」與「閉區間」兩個條件——少一個就可能失效，這也是為什麼數學家如此重視把連續性說清楚。
重點回顧
- 極限是逼近，不是抵達：$\lim_{x\to a} f(x) = L$ 描述 $x$ 靠近 $a$（但不等於 $a$）時 $f(x)$ 趨向的目標值，與 $f(a)$ 本身無關。
- 左右極限要一致：極限存在的充要條件是左極限等於右極限；跳躍的函數（如 $\operatorname{sgn}$）在跳點沒有極限。
- $\varepsilon$–$\delta$ 是嚴謹基石：對任意 $\varepsilon>0$ 都找得到 $\delta>0$，把「無限接近」這件直覺的事化為精確的不等式。
- 連續 = 極限值等於函數值：需同時滿足 $f(a)$ 有定義、極限存在、兩者相等三個條件，缺一不可。
- 連續帶來強保證：介值定理保證「穿越必有根」，極值定理保證閉區間上有最大最小值，是微積分後續理論的支柱。
深入探討（研究所視角）
把極限與連續放進更廣的數學脈絡，會發現它們其實是拓撲（topology）思想在實數上的一個特例。
從度量到拓撲。 $\varepsilon$–$\delta$ 定義裡的 $|x - a|$ 本質上是「距離」。在一般的度量空間（metric space）$(X, d)$ 中，連續性可改寫為：$f: X \to Y$ 在 $a$ 連續，當且僅當對任意 $\varepsilon>0$ 存在 $\delta>0$，使 $d_X(x,a) < \delta \Rightarrow d_Y(f(x), f(a)) < \varepsilon$。再往上抽象，可以完全擺脫距離，用「開集（open set）」刻畫：$f$ 連續 $\iff$ 每個開集的原像（preimage）都是開集。這個純拓撲定義揭示了連續性的真正本質——它保護的是「鄰近關係」，而非具體的距離數字。
逐點連續 vs. 一致連續。 前面談的都是「在某點連續」。但 $\delta$ 通常會隨點 $a$ 改變。若能找到一個 $\delta$ 同時對整個定義域所有點都管用，就稱為一致連續（uniform continuity）。例如 $f(x) = x^2$ 在 $\mathbb{R}$ 上連續卻非一致連續（$x$ 越大，函數越陡，需要越小的 $\delta$）；但海涅–康托爾定理（Heine–Cantor Theorem）保證：緊緻集（compact set，如閉區間）上的連續函數必定一致連續。一致連續是黎曼積分（Riemann integral）存在性、以及數值方法收斂性證明的關鍵橋樑。
序列與極限的等價刻畫。 還有一條更貼近計算與電腦科學的路徑：函數極限可用序列（sequence）重述。$\lim_{x\to a} f(x) = L$ 當且僅當對「每一個」收斂到 $a$ 的序列 $\{x_n\}$（$x_n \neq a$），都有 $f(x_n) \to L$。這是海涅判準（Heine's criterion），它把連續函數的分析問題轉為序列極限問題，也是數值分析中「離散逼近連續」的理論依據——當我們用電腦以有限步逼近一個積分或微分時，背後仰賴的正是這套等價性。
跨領域連結。 一致連續與緊緻性的思想，直接支撐了機器學習裡的利普希茨連續（Lipschitz continuity）概念：$|f(x) - f(y)| \le K|x - y|$。神經網路的穩定性、生成對抗網路（GAN）的訓練收斂、以及最佳化演算法的收斂率分析，都建立在對函數「變化速率有界」的控制上——而這正是連續性的量化版本。從芝諾的飛矢，到深度學習的損失地形，貫穿其間的，始終是那個古老而深刻的問題：當我們無限逼近，會發生什麼？