為什麼斜率變平標記出最佳點
想像你沿著一座光滑的小山行走，這座山畫成函數 f 的圖像。在山峰的最頂端，你此刻既不在爬升也不在下降——腳下的地面是平的。在谷底也一樣：有那麼一瞬間是平的。既然導數 f'(x) 度量的是斜率，那麼光滑曲線的山峰與山谷就藏在斜率為零的地方。這一個觀察，就是幾乎每一個現實世界中「尋找最優值」問題背後的引擎。
值得檢查的地方是臨界點：那些使 f'(x) = 0 的 x 值（斜率為平），或使 f'(x) 不存在的地方（尖角或豎直切線，那裡根本沒有唯一的斜率）。一個光滑函數的高點或低點只可能發生在這些位置之一——所以你不必搜遍整條曲線，只需檢查一份很短的候選名單。
甄別候選點：一階與二階導數檢驗
找到一個臨界點只告訴你那裡斜率為平；它還沒說你是在山峰上、在山谷裡，還是只在一個一閃而過的平台上。一階導數檢驗靠觀察你走過該點時 f' 的正負號來甄別它們。如果 f' 從正（上升）翻成負（下降），你剛翻過一個山峰——一個極大值。如果它從負翻成正，你剛穿過谷底——一個極小值。如果符號沒翻，那它兩者都不是。
通常更快的是二階導數檢驗，它用二階導數 f'' 來讀出平點處曲線的凹凸性。在一個滿足 f'(x) = 0 的臨界點處：若 f''(x) > 0，曲線像碗一樣向上凹，所以你在極小值；若 f''(x) < 0，它像穹頂一樣向下凹，所以你在極大值。若 f''(x) = 0，這個檢驗失效——曲線可能在做某種微妙的事，此時退回去用一階導數檢驗。
這多走的一步就是檢查端點。如果你只關心一個閉區間上的 x，比如 [0, 10]，那麼最優值可能根本不在某個平坦的內部點上——它也許被擠在邊緣處，曲線還在往上爬就到頭了。所以在閉區間上穩妥的做法是：在每個臨界點以及兩個端點上都算出 f 的值，然後直接比較這些高度。f 值最大的是全局極大值，最小的是全局極小值。
最優化工作流程，配一道盒子例題
真正的最優化問題以文字而非公式出現——「讓盒子裝得最多」、「用最少的圍欄」。這裡的本事是把文字翻譯成一個單變量的函數，然後搖動微積分的曲柄。這是經典的開口盒子問題：你有一張 12 乘 12 的正方形硬紙板，從每個角剪掉一個邊長為 x 的相等的正方形，再把四邊翻起來做成一個開口的盒子。什麼樣的 x 給出最大體積？
- 建立模型。剪掉邊長為 x 的角後，底面是 (12 - 2x) 乘 (12 - 2x)，高是 x，所以體積 V(x) = x (12 - 2x)^2。變量在物理上限定為 0 < x < 6（剪得太多就沒有底了）。
- 求導。展開得 V(x) = 144x - 48x^2 + 4x^3，所以 V'(x) = 144 - 96x + 12x^2 = 12(x^2 - 8x + 12) = 12(x - 2)(x - 6)。
- 找臨界點。令 V'(x) = 0：得到 x = 2 或 x = 6。但 x = 6 是被禁止的邊界（沒有盒子），所以在我們的範圍內唯一的候選是 x = 2。
- 確認它是極大值。V''(x) = -96 + 24x，而 V''(2) = -96 + 48 = -48 < 0——向下凹，所以 x = 2 是極大值。兩個端點 x->0 和 x->6 都給出體積 0，所以 x = 2 在全局上勝出。
- 用文字作答。剪掉邊長為 2 的正方形，得到一個 8 乘 8 乘 2 的盒子，體積 V(2) = 2 * 8^2 = 128 立方單位——這是你能從那張紙摺出的最大盒子。
V(x) = x (12 - 2x)^2 = 144x - 48x^2 + 4x^3 V'(x) = 12(x - 2)(x - 6) -> zero at x = 2, x = 6 V''(x) = -96 + 24x -> V''(2) = -48 < 0 (a max) V(2) = 2 * 8 * 8 = 128
讓你避免出錯的習慣
同樣的工作流程也能很好地處理「最少圍欄」問題：如果一位農夫想靠著一堵牆、用最少的圍欄圍出固定的面積 A，你就把周長寫成某一條邊的函數，令它的導數為零，最省料的形狀就出來了。反覆出現的竅門是用約束條件（固定面積、固定紙板）去消掉第二個變量，於是你剩下的就是優化一個單變量的函數——這正是你已經會的微積分。
再給兩個誠實的提醒。第一，f' 不存在的臨界點（尖角）仍然可能是極值，所以要把這些候選也算進去，而不只是 f'=0 的那些。第二，在一個開區間上、或一個延伸到無窮的區間上，可能根本不存在全局極大值——曲線也許會永遠升上去。最優化之所以強大，恰恰因為它是機械化的，但人的判斷在於設定正確的函數和正確的區域。