從描述到操控
回頭看本階段的四個模型。捕食者-獵物系統自行循環，SIR 流行病燒遍一個族群後停下，鐘擺擺盪，而藥物在身體的各個隔室中擴散。每一個例子裡，我們寫下一條常微分方程，然後*觀看*它如何演變。沒人在操控。這篇最後的指南翻轉了這個立場：我們不再問「這個系統會做什麼？」，而問「我該怎麼讓它做我想要的事？」。連接這兩個問題的橋樑只有一個想法——回饋（feedback）——它是從描述自然走向改造自然的門戶。
用一口氣把整幅圖說完。受控對象（plant）是你想管理的東西——溫度為 y(t) 的房間、速度為 y(t) 的汽車、血中的藥物濃度。它遵守某條你早已會寫的常微分方程。控制器（controller）觀察 y(t)，把它和目標值 r（設定點）比較，形成誤差 e(t) = r - y(t)，並以一個選來縮小該誤差的輸入 u(t) 去推動受控對象。迴路之所以閉合，是因為 u 取決於 y，而 y 又取決於 u。這種循環相依正是回饋這個詞所指稱的，而它恰恰是一個由常微分方程構成的耦合輸入-輸出系統。
最簡單的迴路：比例控制
取整道階梯上最熟悉的受控對象：一間正在冷卻的房間。依牛頓冷卻定律，溫度 y 滿足 y' = -k(y - y_out)，這是你很久以前就解過的一階線性方程——無人干預時它會漂向外界溫度 y_out。現在加上一台功率為輸入 u 的暖氣，於是 y' = -k(y - y_out) + u。最樸素的控制器說：你錯得多少，就按比例推多少。這就是比例控制，u = K_p * e = K_p (r - y)，只有一個叫增益的旋鈕 K_p。
把控制律代回受控對象，回饋的魔法就以代數的面貌現身。我們得到 y' = -k(y - y_out) + K_p(r - y) = -(k + K_p) y + (k*y_out + K_p*r)。這*仍然*是一條一階線性常微分方程，但它的衰減率如今是 k + K_p 而非 k——回饋讓房間反應更快——而它的穩態（令 y' = 0）落在 y_inf = (k*y_out + K_p*r) / (k + K_p)。把增益 K_p 調大，y_inf 便朝設定點 r 推進，因為 K_p*r 這一項佔了主導。這個迴路確實在操控房間。
PID：運轉現代世界的三個項
PID 控制器是工業界的主力——它掌管定速巡航、無人機穩定器、3D 印表機的加熱頭與化學反應器——而它不過是把對同一個誤差 e(t) 的三種讀法加在一起。比例（Proportional）項對*當下*的誤差做反應。積分（Integral）項 K_i * (e dt 的積分) 累積*過去*的誤差，於是即使一個微小而持續的偏差也會不斷堆積，直到逼使輸出抵達目標——正是這一項抹除了我們剛遇到的穩態誤差。微分（Derivative）項 K_d * e'，藉由對誤差變化的快慢做反應而預見*未來*，從而抑制超調、安撫趨近的過程。
u(t) = K_p * e(t) + K_i * integral(e dt) + K_d * e'(t)
| | |
PRESENT PAST FUTURE
react to error erase steady damp overshoot,
right now offset over anticipate the
time trend
e(t) = r - y(t) (r = setpoint, y = measured output)迷人的地方在這裡，也正是它何以該出現在一門常微分方程課程裡。把 PID 餵進一個二階受控對象，閉迴路就成了一條你早已會讀的二階線性常微分方程：m*y'' + c*y' + (k + K_p) y + (積分與微分的修正項) = K_p*r + ...。積分項實質上添了一個維度，把階數抬高一階；微分項則加進了*阻尼*係數。所以調校增益，字面上就是在移動一條微分方程的係數——而你在這整道階梯上學到的，正是那些係數的意義。K_d 越大代表阻尼越多；太少則響應會振鈴，太多則它會爬行。
極點、穩定性，以及回饋為何會反咬
要看一個調好的迴路會安定還是爆走，工程師會搬出拉普拉斯變換——正是先前拉普拉斯階段的那件工具。把迴路的常微分方程變換過去，就把微積分變成了代數，並將整個受控對象打包成一個轉移函數 G(s)，一個多項式之比。它*分母*的根是閉迴路系統的極點，而這些極點恰恰是迴路自身產生的自然響應 e^(s t) 的指數。實的負極點代表一個衰減模態；一對複根代表一個帶阻尼的振盪；右半平面的極點則代表一個增長的 e^(s t)——迴路不穩定。
於是「我的控制器穩定嗎？」這整個問題，便塌縮成「所有閉迴路極點都在複平面的左半邊嗎？」——正是這道階梯上每一條線性常微分方程用來判定穩定性的同一個左半平面條件。此時回饋的危險就露出了獠牙。當你為了更緊地追蹤設定點而調高增益，你就*移動了極點*。推得太過，一對複根越界進入右半平面：原本平靜的迴路便開始以漸增的振幅振盪。這是回饋誘發的不穩定，它與共振是表親——但請留意這個誠實的微妙處：你不需要零阻尼才會得到劇烈的響應，只需要極點漂到了錯誤的那一邊。
回饋其實一直藏在每個模型裡
一旦你戴上回饋這副透鏡，回頭一望，整個階段便重新排列。邏輯斯諦方程是披著生物學家外衣的負回饋：擁擠項 -y^2 是族群對自身增長的回推，正因如此它才在環境容納量處安定下來，而非爆炸。SIR 模型把染病人數回饋進新感染的速率裡；群體免疫就是那個迴路燒光了燃料。捕食者-獵物也是回饋，但內建了一個*延遲*——捕食者落後一個世代才對獵物數量做反應，而正是那份滯後，把簡單的調節變成了你所見的無盡循環，與控制工程師所學到的延遲導致振盪是同一課。
這是整道階梯安靜的回報。積分因子、特徵值法、拉普拉斯變換、相平面、平衡點的穩定性——它們從來不是各自獨立的把戲。它們是同一門手藝的不同切面：寫下一個量的*變化率*如何取決於它的*當前狀態*，再讀出後果。回饋不過是這樣的情形：你，這位工程師，得以*設計*那份相依關係的一部分。你在一條樸素的一階方程裡遇見的同一批 e^(s t) 模態、同一個左半平面穩定性判據、同一種穩態與暫態的切分，正是它們告訴你：你的定速巡航會穩住速度，還是永遠地猛衝又急煞。
而這確實只是初探。真正的控制理論還會走向狀態空間模型（把你的輸入-輸出系統改寫成一個一階向量系統 x' = Ax + Bu，由矩陣 A 的特徵值所支配）、走向在整條軌跡上*最小化*某個代價的最優控制，以及直面誠實模型所承認之雜亂的非線性、適應與強健控制。但種子就是你如今握有的一切：一條描述受控對象的常微分方程、一條閉合迴路的規則，以及決定其命運的極點。從此，微分方程不再是世界加諸於你之物——而是你能夠塑造之物。