兩個看似相同、其實不同的問題
在浮點數那一級，你學到每個數值答案都是近似值，而且光是「存下一個數」這個動作本身就已經四捨五入了——大多數十進位小數，連 0.1 都沒有精確的二進位形式。所以在任何計算開始之前，你的輸入就已經帶著一點點錯誤抵達了。很自然的擔憂是：我的演算法會不會把這些小小的輸入誤差，變成一個很大的錯誤答案？但底下還藏著一個更狡猾、更根本的問題，而這整級的內容，就是要把這兩者分清楚。
問題一是關於你的方法：演算法有沒有自己添加誤差？ 這就是穩定性，我們會在後面的篇章談它。問題二則是關於問題本身，在你還沒挑任何演算法之前：假設真實答案被完美地算出來，但輸入稍微抖動了一下，真實答案會移動多少？ 這就是條件性。這一級最誠實的核心主張是：這兩者是真正不同的。一個完美的演算法，救不了一個「真實答案本身就對輸入超級敏感」的問題。
關鍵在於，條件性是問題的性質——也就是從輸入到輸出的那個數學映射——而不是任何程式碼的性質。把問題想成一個黑盒子：餵進資料 x，吐出精確答案 f(x)。條件性只問：當 x 被推一下時，f 會怎麼反應。這個黑盒子既不知道、也不在乎你最終會用哪種語言、函式庫或方法。所以你可以、也應該在寫下任何一行演算法之前，就判斷它的條件性。
一幅畫面：平緩的斜坡與刀鋒般的山脊
把輸入想像成地圖上的一個點，把輸出想像成你的海拔高度。一個良態問題就像平緩的草原：朝任何方向走幾公尺，你的海拔幾乎不變——輸入誤差小，輸出誤差就小。而病態問題則像一道刀鋒般的山脊：同樣那一小步橫移，就讓你跌下懸崖。同樣大小的腳步，後果卻天差地別。差別完全在於地形的形狀，那是問題；而不在於你走得多小心，那是演算法。
這裡有個你可以親手驗算的小例子。在 x = 1 附近計算 sin(x) 是良態的：把 x 推動 0.1%，答案幾乎不動，因為 sin 在那裡斜率平緩。現在對比一下「兩個幾乎相等的數相減」，比方說 a - b，其中 a = 1.00001、b = 1.00000。真實的差是 0.00001。如果 a 在它的第六位上有不確定性——相對誤差約十萬分之一，再典型不過——這份不確定性幾乎全部落到答案上，而這個答案一開始才只有五位有效數字。一個在輸入裡看不見的抖動，變成了整個答案。這種放大正是病態運算的標誌，也是災難性抵消的種子。
替敏感度安上一個數字
我們不想揮揮手就說「蠻敏感的」。我們想要一個數字。一個問題的條件數正是那個增益旋鈕：在輸入端餵入大小為 epsilon 的相對抖動，輸出就大約抖動（條件數）乘以 epsilon。條件數為 1 表示問題原封不動地把誤差傳過去——那是平緩的草原。條件數為 10^6 表示它把誤差放大一百萬倍——那是刀鋒山脊。下一篇會專門講這個數字，以及它如何直接換算成「損失的位數」，所以這裡我們只先認識它。
對於一個光滑的純量函數 f，相對條件數有一個乾淨的封閉形式，你只用一個導數就能算出來。下面這兩個小算例把抽象的概念變得具體：開平方在各處都很溫馴，而指數函數的引數越大就越敏感。
relative condition number of y = f(x): kappa = | x * f'(x) / f(x) |
f(x) = sqrt(x): f'(x) = 1/(2 sqrt(x))
kappa = | x * (1/(2 sqrt(x))) / sqrt(x) | = 1/2 (well-conditioned, always)
f(x) = e^x: f'(x) = e^x
kappa = | x * e^x / e^x | = |x| (fine near 0, touchy for large x)注意條件數可能取決於你在哪裡問這個問題。指數函數在 0 附近溫和，在遠處則越來越敏感。所以「這個問題病態嗎？」往往其實是「它在這個輸入上病態嗎？」。條件性是局部的：它描述的是你正站的這個點上，地形的斜率。
當問題是一整個線性系統時
大多數真實的計算問題並不是單一個純量函數，而是更大的東西，例如求解線性系統 A x = b——找出矩陣 A 映射到 b 的那個 x。我們仍想要一個數字，告訴我們 b（或 A）裡的誤差會被放大成 x 裡多少誤差。那個數字就是矩陣條件數，寫作 kappa(A)。它是線性系統版的增益旋鈕，每當你求解、擬合或求逆時，都會再次遇見它。
幾何畫面是最乾淨的切入點。想像 A 拿起由輸入構成的單位球，把它拉伸成一個橢球。如果這橢球漂亮地接近圓球，每個方向都被大致平等地對待，kappa(A) 就接近 1——良態。如果 A 把球在某個方向上壓得幾乎扁平，那個方向就幾乎被摧毀，當你反過來解出 x 時幾乎救不回來；此時 kappa(A) 巨大，系統病態。形式上，kappa(A) 是「最大拉伸與最小拉伸之比」（最大奇異值除以最小奇異值）。它永遠至少為 1：沒有任何矩陣能比完美良態更好。
一個著名的陷阱顯示，病態矩陣可以長得多麼無害。希爾伯特矩陣的元素是 1/(i+j-1)，又小又整齊，然而它 10×10 的版本，kappa(A) 約為 1.6 x 10^13。在雙精度下求解希爾伯特系統，尺寸超過約 12 就幾乎毫無希望——不是因為哪個求解器壞了，而是因為最小奇異值幾乎消失殆盡。順帶一提：這正是為什麼你幾乎從不顯式地算出 A^{-1} 來解 A x = b。反矩陣既較昂貴又較不忠實，比不上直接「分解再求解」；條件性問題是屬於問題本身的，但多此一舉去求逆，只會在它之上再招來額外的誤差。
為什麼這會改變你除錯的方式
這裡就是讓條件性變得實用、而非紙上談兵的回報。當一個答案看起來不對時，最先該做的診斷，不是「我迴圈裡的臭蟲在哪」。而是：問題本身病態嗎？ 如果是，那麼這個看似錯誤的答案，可能正是問題給出的誠實判決，而換演算法、加檢查、或打磨程式碼都救不了你。病態的解藥從來不是更好的演算法——而是重新表述問題（避開接近抵消、選一個適定性更好的量）或採用更高的精度。
- 把問題辨認成一個從輸入到輸出的映射 f(x)，與你之後要跑的任何程式碼分開。
- 估計它的條件數——純量 f 用導數公式，線性系統用 kappa(A)（函式庫會回報它，例如 LAPACK 的 RCOND）。
- 讀出天花板：條件數接近 10^k 時，大約會花掉你 ~16 位雙精度數字裡的 k 位，不管演算法多麼完美。
- 唯有在這道天花板已知之後，你才去問另一個獨立的問題——我的演算法夠穩定、足以達到它嗎？那是本級其餘篇章的主題。
這種分離正是整級的引擎。它被一條主法則所概括，你稍後會完整見到它：向前誤差（你的答案有多錯）至多等於條件數（問題有多難）乘以向後誤差（你的演算法有多好）。條件性是第一個因子——那個你光看問題就能讀出、在任何程式碼存在之前就成立的因子。乾淨的口號（第 5 篇會展開）是準確度 = 條件性 x 穩定性：穩定的演算法在病態問題上依然失敗，而良態問題也可能被一個不穩定的演算法毀掉。兩者你都需要。
一個警告與一個連結
兩個誠實的但書，能避免把條件性吹捧過頭。第一，條件數是一種一階、線性化的度量——它描述的是在你那個輸入點上、在擾動趨於極小的極限下，地形的斜率。對於大擾動，真實行為可能不同，所以把它當成極好的經驗法則，而非精確的保證。第二，相對條件數在真實輸出為零之處沒有定義（你無法除以一個大小為零的答案）；在這類點附近，只有絕對誤差的概念才說得通。
條件性也是適定性的數值表親。一個適定問題的解存在、唯一，並且連續地依賴於資料。條件性把最後這個條件磨利成一個數字：它說的是多麼連續。一個適定但嚴重病態的問題，技術上是連續的，實務上卻是一道刀鋒——那種依賴關係陡到有限精度的算術跟不上。許多惡名昭彰的例子就藏在眼皮底下：相減兩個幾乎相等的數、上面那個希爾伯特矩陣、用高次多項式擬合穿過許多點（凡德蒙條件性問題），以及從係數反推多項式的根。