一個打破直覺的實驗
你剛學會如何穿過一組點建出唯一的插值多項式——用 拉格朗日形式 或透過 牛頓差商——也看過那條 誤差公式，它告訴你誤差最多能有多大。於是下一步很自然：要把一個函數釘得很準，就多撒一些點。點越多、次數越高、誤差越小。這就是 多項式插值 那套樂觀的說法。麻煩在於，在等距點上、對某些看起來人畜無害的函數，這套說法根本就是錯的。
經典的測試案例是龍格（Carl Runge）在 1901 年提出的函數 f(x) = 1 / (1 + 25 x^2)，定義在區間 [-1, 1] 上。它平滑、溫和，中間就一個工整的鐘形——毫無戲劇性。把它在等距節點上插值，再看著你逐步加點時會發生什麼事。次數 5 時，貼合粗糙但還算合理。次數 10 時，多項式開始在 x = -1 與 x = +1 附近搖晃。次數 20 時，那些端點處的搖晃已長成高聳的尖刺：多項式在最外側節點之間的區域裡，先把真值超射數十倍，再俯衝到零以下。加點讓它更糟。糟得多。
為什麼誤差公式會放任它
回想上一篇的誤差公式。在某點 x，次數為 n 的插值多項式與真值 f 的差為 f(x) - p_n(x) = f^{(n+1)}(c) / (n+1)! 乘上節點多項式 omega(x)，其中 omega(x) = (x - x_0)(x - x_1)...(x - x_n) 是對所有節點取的連乘積，而 c 是區間裡某個藏起來的點。要讓誤差隨 n 增大而消失，這三塊的乘積就必須縮小。分母裡的階乘 (n+1)! 幫了大忙。但另外兩個因子可以激烈反撲。
第一個問題：導數。對龍格函數而言，高階導數 f^{(n+1)} 爆炸性增長——大約像 25 的（導數階數）次方那麼大，這要歸功於分母裡的 25 把函數的極點（在複數平面上的 x = +/- i/5）推到非常靠近實數區間。這種增長可以跑贏階乘。第二個問題：節點多項式 omega(x)。在等距節點上，omega(x) 在中央附近很小，卻在兩端附近暴漲——它在最外側節點之間的峰值會隨 n 指數增長。把一個暴漲的導數乘上一個暴漲的 omega，再除以一個在這場賽跑裡落敗的階乘，端點區域的誤差就會無界地增長。
所以 龍格現象 不是一個數值算術上的臭蟲——它是關於那個「精確」插值多項式的一個真實事實。即使用完美的實數算術，它照樣會發生。（在真實機器上它還會挨第二記、各自獨立的傷：天真插值背後那個等距范德蒙系統病態得離譜，所以光是算出係數就會掉很多位數——但就算把條件數修好，發散依舊成立。）這個教訓可推而廣之：等距、高次的多項式插值很脆弱，你只該在低次時才動用它。
f(x) - p_n(x) = [ f^{(n+1)}(c) / (n+1)! ] * omega(x)
omega(x) = (x - x_0)(x - x_1) ... (x - x_n)
equispaced nodes : omega peaks BLOW UP near the ends (bad)
Chebyshev nodes : omega is EQUI-OSCILLATING, tiny everywhere (good)解藥一：別再用等距節點
omega(x) 在端點區域的峰值就是元兇，而它們直接來自「等距節點」這個選擇。那就換節點。這個絕妙的點子——也就是本級第 5 篇的主題——是把節點更密地堆向兩端，正好堆在麻煩所在之處。最佳的堆法由 切比雪夫節點 給出：把半圓上的等距點投影下來到區間上，使它們在 +/- 1 附近聚集，例如 x_k = cos(k pi / n)。用這些節點，omega(x) 在端點不再暴漲；取而代之的是它「等振盪」，在整個區間上保持又小又均勻。
回報極為戲劇化。把一模一樣的龍格函數在切比雪夫節點上插值，誤差如今隨加點而平滑縮小，一路快速收斂直到兩端。在等距節點上飆向災難的那個次數 20 多項式，在切比雪夫節點上把鐘形貼得漂漂亮亮。函數沒有變；變的只是你在哪裡取樣。這是整個學科裡最低調卻最深刻的事實之一：你「在哪裡看」和你「看多少」一樣重要。
解藥二：把次數壓低，再把小段縫起來
另一條逃生路線乾脆完全拒絕玩高次的遊戲。不要在整個區間上用一個高聳的多項式，而是鋪下許多低次的小段——在每個小子區間上用一條不同的三次多項式——再把它們平滑地縫起來。那就是 三次樣條，也就是下一篇的主題。因為沒有任何單一小段是高次的，驅動龍格現象的那種 omega 暴漲根本沒機會啟動。樣條在等距資料上能可靠收斂，這正是為什麼真正畫過你那些點的，是樣條、而不是高次多項式，是你繪圖軟體實際在用的東西。
這裡有個該誠實面對的真實取捨。對一個平滑函數，全域切比雪夫插值是「譜收斂」的——比任何固定冪次的 1/n 都快，誤差像某個小於 1 的 c 的 c^n——當函數真的平滑時，這快得令人屏息。三次樣條只以 O(h^4) 收斂（h 是間距）——是多項式收斂，而非譜收斂。但樣條對你毫無要求：等距資料沒問題，你要解的矩陣良態且為三對角，而且它永遠不會暴漲。函數平滑、又能自由選節點，就拿切比雪夫；資料雜亂或網格固定，就拿樣條。
更深的寓意：插值不等於最佳逼近
龍格現象教了我們一個令人謙卑的區別。插值只堅持曲線必須打中你選的那些點；它對點與點之間的行為一字不提。最佳逼近 問的卻是那個真正有用的問題：在所有次數為 n 的多項式中，哪一個能讓「整個」區間上的最壞誤差最小？那就是 極小化極大逼近，它的答案絕不會像等距插值那樣發散。根據魏爾施特拉斯定理，總存在某個多項式序列均勻收斂到任意連續函數——失敗從來不是因為多項式本身軟弱，而只是因為選它們的方式很糟。
那個漂亮的妙語、也就是本級最後一篇會講精確的，是：切比雪夫節點插值幾乎和真正的極小化極大最佳逼近一樣好——只差一個緩慢增長的因子（勒貝格常數，對切比雪夫節點只像 log n 那樣增長，對等距節點卻是指數增長）。於是實用的食譜乾淨地浮現：如果你能選擇在哪裡取樣，就選切比雪夫節點，幾乎免費就拿到近乎最佳的精度；如果交到你手上的是固定的等距資料，就用樣條、並把次數壓低。
要提防一個常見的誤讀：「高次多項式很糟」。並非如此。在「對的」節點上的高次多項式好得很——上面那個次數 20 的切比雪夫貼合就是證明。元兇是高次時的等距網格，而不是次數本身。同一件工具，不同的人手。也別忘了整個學科那條普世的誠實：任何貼合都是近似，在真實機器上它還會帶著捨入誤差，而一條打中你所有取樣點的曲線，在點與點之間仍可能錯得離譜——所以永遠要在你「沒有」餵進去的點上測試一個候選插值多項式。