微分容易積分難：一個微積分比喻，說穿了 AI 時代的真正稀缺能力

Lorin Hochstein 的新文章從一個數學系學生都懂的反差講起：微分有一套照做就會的規則，任何函式都能機械地求導——事實上自動微分正是訓練 LLM 的基礎環節；積分則相反，沒有通用演算法，只有一袋子技巧跟運氣。他把這組反差擴大成一個工程命題：分析（拆解）容易，綜合（整合）困難。

論證的核心是「在地性」：分析把大問題拆成邊界乾淨的小問題，小問題更在地、更好解，封裝與關注點分離這些原則全是在替我們製造在地性；綜合卻反向而行——把多個部件整合起來，問題變得更全域，而全域問題天生比在地問題難。局部最佳化容易、全域最佳化難，人人都知道，但很少人意識到它就是軟體工程日常的形狀。

麻煩在於有些問題天生就是綜合題。Hochstein 舉他的老本行事故處理為例：要看懂系統現在哪裡歪掉，前提是理解各部件平常如何咬合——恰恰是那種無法拆乾淨的全域理解。他直言業界從未把「累積綜合專長」當成一等公民看待，因為它高度情境化、綁定組織裡那套特定系統的髒細節，但正因如此，懂得跨元件互動的 SRE 才是難事故裡最值錢的人。

放在 AI 語境下讀格外有味道：他的上一篇文章標題就叫「我很怕即將到來的 LLM 代寫事故報告時代」。模型擅長的求導、拆解、逐項分析正快速貶值，integral 那一側——跨系統、跨情境把碎片捏成整體理解的能力——短期內還漲價。