三種現象背後的同一條方程
在上一篇你練習了把一句話化成導數——也就是從文字題走到微分方程。現在該來收成了。所有建模裡最常出現的一句話是這樣的：*某個量的變化率，正比於這個量本身。* 寫下來，就只是 y' = k y，其中 k 是常數。一條短短的方程，卻同時主宰著利滾利的存款、分裂的細菌、衰變的原子與冷卻的流體。學會它一次，你就學會了它們全部。
比例關係為何如此自然？想像一群細菌。每個細胞各按各的時程分裂，對其他細胞視而不見。把細胞數翻倍，每分鐘分裂的細胞數也翻倍——於是成長率隨著族群大小一同縮放。同樣的邏輯反過來就是衰變：每個放射性原子在這一秒裂解的機率是固定的，與鄰居無關，所以每秒衰變的數目正比於還剩下多少。只要一個族群的成員各自獨立行動，你幾乎不費吹灰之力就得到 y' = k y。
這既是一個可分離方程，也是一個一階線性方程，所以你早已握有兩種解法。分離後得到 (1/y) dy = k dx，積分便交出那個著名的答案 y(t) = y0 e^(kt)，其中 y0 是初始量。一切都繫於 k 的正負號：若 k > 0，指數攀升（成長）；若 k < 0，它衰減趨向零（衰變）。光是這一個正負號，就分隔了族群爆炸與放射性樣本的漸漸消逝。
讀懂那個常數：倍增時間與半衰期
常數 k 的單位是 1/時間，有點抽象。科學家偏愛一個你能切身感受的數字。對成長而言，那就是倍增時間——量翻一倍需要多久。令 e^(k T) = 2，便得 T = ln(2)/k，這是個固定的時間間隔，無論你從哪裡起算：一群每 20 分鐘翻倍的培養菌，無論手上是一百個細胞還是十億個，都同樣每 20 分鐘翻一倍。對衰變來說，鏡像的數字是半衰期：解 e^(k T) = 1/2（此時 k 為負）得到 T = ln(2)/|k|，也就是樣本減半所需的時間。
這正是碳定年法的引擎。生物活著時不斷吸收碳十四；一旦死亡，吸收停止，碳十四便以約 5,730 年的半衰期衰變。量出還剩多少，把公式 y(t) = y0 e^(kt) 反推回去，你就讀出了年齡。放射性衰變是 y' = k y 在現實世界中最乾淨的例子，因為「獨立性」這個假設並非近似——量子力學真的讓每個原子各自衰變，既無記憶，也不受鄰居影響。
當終點不是零：牛頓冷卻
純粹的成長與衰變，目標不是無窮就是零。但櫃台上一杯熱咖啡兩者都不是——它冷卻趨向室溫，然後就停住。我們需要一個目標為非零數值的模型。牛頓冷卻定律恰好提供，還帶著一個小巧而美麗的轉折：冷卻率正比的，不是溫度本身，而是物體與環境之間的*差*。設 T 為物體溫度、M 為環境溫度，則 T' = -k (T - M)，其中 k > 0。
看看這個「差」做了什麼。當咖啡遠比房間熱時，T - M 很大，於是冷卻得快。隨著 T 沉向 M，差越縮越小，冷卻便慢成龜步——這正好符合你的經驗：滾燙的一杯起初散熱飛快，接著卻在微溫附近賴上老半天。當 T 抵達 M，右邊為零，T' = 0，溫度就此停住。這個靜止值 T = M 是一個平衡解：把物體放在那裡，它便再也不動。
這裡有個可愛的捷徑。令 u = T - M，也就是高出室溫的*超額*溫度。由於 M 是常數，u' = T'，方程便化為 u' = -k u——這正是你早已駕馭的衰變方程！於是 u(t) = u0 e^(-kt)，翻譯回去得 T(t) = M + (T0 - M) e^(-kt)。物體與房間之間的差，只是指數衰減趨向零；溫度本身則指數衰減趨向 M。冷卻，無非就是把終點從 0 上移到 M 的衰變罷了。
decay : y' = k y -> y(t) = y0 e^(kt) target 0
cooling : T' = -k (T - M) -> T(t) = M + (T0 - M) e^(-kt) target M
substitution u = T - M turns the second line into the first:
u' = -k u -> u(t) = u0 e^(-kt)暫態與穩態：時間常數
冷卻解 T(t) = M + (T0 - M) e^(-kt) 有兩個值得各自命名的部分，因為它們在各種一階線性模型裡反覆出現。常數 M 是穩態——系統最終安頓之處。逐漸消失的那一項 (T0 - M) e^(-kt) 則是暫態——對初始條件的記憶，注定要消逝。這個拆分正是暫態加穩態的核心觀念：每個這樣的系統都以指數方式遺忘自己的起點，最後只剩下它的歸宿。
暫態會持續多久？工程師用時間常數 tau = 1/k 來回答。它是差值縮小到起始大小的 1/e——約 37%——所需的時間。經過一個 tau，你已走完到室溫的 63%；約 3 個 tau 後，你已在 5% 之內；5 個 tau 後，差距低於 1%，在任何實務意義上系統都已抵達。時間常數是那個告訴你「有多快」的單一數字，正如半衰期之於衰變——事實上 tau 與半衰期是同一個觀念換了身衣服，兩者由 半衰期 = tau · ln(2) 相連。
這些模型在哪裡彎折、又在哪裡崩壞
每個稱職的建模者都隨身帶著一份模型的侷限清單，而這三個模型各有其著名的侷限。無界的指數成長最不誠實：y' = k y 說一群細菌一週填滿海洋，不久後填滿整個宇宙。現實中沒有任何族群會這樣，因為食物、空間與廢物終究會反推回來。修正之道是讓 k 依賴於 y——而這恰恰通往下一篇的邏輯斯方程，在那裡成長會彎折下來、趨向一個承載量。
牛頓冷卻誠實，卻只是近似。它假設物體有單一均勻的溫度，且 k 為常數——兩者都不全然為真。一塊真正的烤肉內熱外冷，並不會像單一集總數值那樣冷卻；而在溫差很大時，輻射（其大小正比於絕對溫度的四次方，而非一次方）會接手主導，簡單的線性律便會低估熱損。牛頓定律對溫差不大、對流溫和的情形極為出色，但一出這個範圍它就悄悄失準。知道一個模型在*哪裡*可信，與模型本身一樣寶貴。
這裡還有一個源自你「分離變數」訓練的、較安靜的微妙之處。解 y' = k y 時做分離會除以 y，這會悄悄丟掉常數解 y = 0——一個如假包換的遺失解。對成長與衰變而言這鮮少咬人，因為 y = 0 只是「本來就什麼都沒有」，而指數族本就趨近它。但這個習慣很重要：同樣隨手的除法，在前方的邏輯斯模型裡會讓你付出真實平衡解的代價。誠實的指數答案，是 y = y0 e^(kt) *連同*平衡解 y = 0，即使後者通常不言自明。