把奇蹟說白
在第二篇指南裡，我們費了好大勁才換得一個弱解：一個伽遼金構造加上一個能量估計，交給我們一個 u，它住在對的博赫納空間裡，且只在弱的、對試驗函數積分的意義下，滿足拋物型方程 u_t = -A u + f。那個解保證存在，卻幾乎不帶任何平滑度——在空間上只有寫出弱形式所需的那麼幾個導數，在時間上也只是平方可積。你若以為它會一直這麼粗糙下去，情有可原。事實並非如此。這一階令人震驚的事實是：當時間一越過零，那個粗糙的弱解就變得無限可微——在空間與時間上，一路到底。
把它說得生動些。讓熱方程 u_t = u_xx 從一個初始溫度出發，這溫度是一條佈滿尖角的鋸齒，或一個帶乾淨跳躍的階梯函數，甚至——再極端些——一個集中的尖峰，一個純熱的點。這些連一個誠實的導數都沒有。然而在任意時刻 t > 0，無論多麼微小，溫度分布 u(x, t) 都是一條完美平滑的曲線：每一階導數都存在，處處皆然。那些尖角並不是在好幾秒裡被慢慢磨平的；它們在 t = 0+ 那一刻就消失了，就在你看的那一瞬。這正是這性質被稱為瞬時平滑的原因——不是最終、不是漸進，而是即刻。
為何如此：每個模態都衰減，越細的越快
這機制在熱方程那一階的傅立葉圖像裡已經可見，值得放慢來看。在一個區間上，算子 A = -d^2/dx^2 連同邊界條件，有本徵函數 sin(n x) 與本徵值 lambda_n，後者像 n^2 那樣增長。把初始數據用這些模態展開；每一個模態獨立演化，它的振幅被乘上 e^(-lambda_n t)。所以一開始的係數 c_n，到時刻 t 變成 c_n e^(-lambda_n t)。關鍵就在指數裡的 n^2：最扭曲的那些模態——也就是編碼尖角與尖峰的那些——被 e^(-n^2 t) 阻尼，這個因子幾乎瞬間就把它們碾成虛無。
現在回想平滑在傅立葉意義下是什麼：一個函數是平滑的，恰恰當它的係數 c_n 比 n 的任意冪都衰減得更快。在 t = 0 時，數據的係數可能幾乎不衰減——這就是「粗糙」的意思。但對任意 t > 0，新的係數是 c_n e^(-n^2 t)，而那個超指數因子 e^(-n^2 t) 會壓倒任何起始大小：c_n 乘上 e^(-n^2 t)，同時比每一個 1/n^k 都收縮得更快。於是時刻 t 的解，擁有的是一個不只 k 次可微、而是 C-無窮函數的傅立葉尾巴。平滑不是用手添上去的；它是高頻模態被自己頻率的平方所懲罰，所必然導致的後果。
initial data: u(x,0) = sum c_n sin(n x) c_n may barely decay (rough)
at time t: u(x,t) = sum c_n e^(-n^2 t) sin(n x)
\_______/
kills high n super-fast:
|c_n e^(-n^2 t)| < (1/n^k) for EVERY k, once t > 0 => u(.,t) is C-infinity
rough in --> [ e^(-n^2 t) ] --> smooth out不靠基底的同一個故事：熱核
在整條直線上沒有一張整齊的本徵函數清單，但平滑反而更加透明。解是熱核與數據的卷積：u(x, t) 是 (1 / sqrt(4 pi t)) e^(-(x-y)^2 / (4 t)) 乘上 u(y, 0) 對所有 y 的積分。這個核是一座高斯鐘形，對任意 t > 0，它本身在 x 上無限平滑、無限可微。卷積會繼承較平滑那一方的平滑度：即使數據 u(y, 0) 鋸齒嶙峋、是個 delta 尖峰、或僅僅有界，把它對一個 C-無窮的高斯抹開，產生的就是一個 C-無窮的結果。你想對 u(x, t) 求幾次導都行，只要在積分號底下對那個核求導就好。
兩個誠實的提醒應放在此處。第一，熱核是一個基本解——對 delta 的回應，因此在 t = 0 時是一個分布、而非函數——所以「時刻零的那個核」是那個尖峰本身，不是一座平滑的鐘；平滑是正時間長出來的東西。第二，這個卷積圖像，正是熱方程具有無限傳播速度的原因：高斯處處為正，所以放在一點的熱，會立刻在每一個別處——無論多麼微弱——登記有案。平滑與無限速度，是同一座高斯的兩張臉。波動方程，帶著它的有限速度，沒有這樣的核、也沒有這樣的平滑——這個對比不是巧合。
從巧計到定理：正則性的階梯
傅立葉模態與顯式的核很美，但它們倚賴常係數與友善的幾何。對一個一般的拋物型方程 u_t + A u = f，其中 A 是長在彆扭定義域上的變係數橢圓型算子，兩樣工具都派不上用場。我們需要一個不靠分離變數法也能存活的陳述——而主力是內部正則性估計，它是你在上一階遇過的橢圓正則性的拋物表親。它說：遠離初始時刻、也遠離邊界處，u 在空間與時間上的平滑度，受數據 f 的平滑度所控制，並帶定量的界。
證明內部的引擎是自舉（bootstrapping），它值得被當成一道你逐級攀爬的階梯來看。從你已擁有的弱解出發，假設它在空間上有一個導數。把它代進一個能量估計或一個橢圓估計，你會發現它其實有兩個。那多出的兩個導數回饋進方程 u_t = -A u + f，方程現在能控制更多，於是你又榨出第三個。方程的每一次轉動，都把你已有的正則性轉換成多一點點，而因為拋物結構把一個時間導數耦合到兩個空間導數，增益會複利累積。永遠迭代下去，解就攀過了每一個有限的可微階——這恰恰就是 C-無窮的意思。
- 從第二篇指南的弱解出發——一個落在 L^2 裡的弱空間導數，能量估計所保證的最低限度。
- 對 A 施用橢圓估計：若 A u 落在 L^2 裡，那麼 u 其實有兩個落在 L^2 裡的空間導數——上升一級。
- 把方程讀成 A u = f - u_t 以界住時間導數，再對時間求導、重複橢圓那一步，以再贏得更多空間正則性。
- 迭代：每一回合都拿你已有的正則性換來多一點，而當 f 與係數皆平滑時，這階梯永無止境——對每一個 t > 0，解在內部都是 C-無窮的。
代價：平滑是一條單行道
每一份這麼大的禮物都有帳單，而這裡的帳單既殘酷又精確。平滑會摧毀資訊。再看一次那些模態：e^(-n^2 t) 不只是阻尼那些細小的扭動，它是抹除它們，把天差地別的粗糙初始狀態，映成一瞬之後看起來幾乎一模一樣的解，因為它們所有用來區分彼此的高頻細節，都被碾到了同一個趨近於零之處。要把方程在時間上往回跑，你就得撤銷這件事，把每個模態乘上 e^(+n^2 t)——這個因子隨 n 增長而災難性地爆炸，把數據裡最微小的捨入誤差，放大成無界的胡言。
這正是逆向熱方程為何是不適定（ill-posed）的原因：解不對數據連續依賴，所以一個任意微小的測量誤差，能在重建出的過去裡造成任意巨大的改變。它與向前的那個奇蹟是同一枚硬幣——那個向前買來瞬時平滑的超指數衰減，正是那個禁止往回跑的超指數增長。你無法從現在一個平滑的溫度，忠實地復原出產生它的那個鋸齒分布。擴散裡時間的箭頭不是哲學的裝飾；它是關於譜的一個硬邦邦的分析事實，也正是讓熱方程成為熵的模型的那同一個不可逆性。
這指向何方：解析性與半群
在 C-無窮之上還有一級，而拋物型方程連這級也能爬。對好的 A，解不只在時間上無限可微，更是在 t > 0 時對 t 解析——它與自己的泰勒級數一致，而那級數甚至對平面中一個扇形裡的複數時間都收斂。這並非閒來的好奇：它是解算子配得上解析半群這名號的結構性原因。那個把初始數據送到時刻 t 之解的映射，寫作 e^(-tA)，之所以會平滑，恰恰是因為它能被解析延拓到實時間軸之外，而那解析性，正是我們一個模態一個模態看到的 e^(-n^2 t) 衰減的抽象投影。
所以這篇指南是具體與抽象之間的樞紐。我們已用三種不同方式——靠模態、靠核、靠自舉的階梯——看到拋物型演化取走粗糙數據、瞬間回贈某種完美平滑之物，而我們也在那個不適定的逆向問題裡付清了誠實的代價。下一篇指南會給它一個永久的家：它把解映射 e^(-tA) 包裝成一個半群、認出 A 是它的生成元，並證明扇形（sectorial）正是讓半群成為解析、因而會平滑的那個條件。你方才理解的這個奇蹟，從此之後，就只是算子 A 的一個性質而已。