我們悄悄略過的那個問題
上一篇導讀裡，你用正交性把每一個傅立葉係數 b_n 一個一個乾淨地挑了出來，每次一道積分。那給了你一套配方：拿任何合理的初始輪廓 f(x)，寫下那些理應把它重建成傅立葉級數 f(x) = 各 b_n sin(n pi x / L) 之和的數 b_n。但請注意這裡的手法。算出一個無窮級數的係數，跟證明這級數加回 f，是兩回事。我們先假設了那個和存在、假設它等於 f，然後才去獵捕權重。
這道縫隙要緊，因為大自然交給我們的輪廓往往一點也不平滑。一根被撥動的弦，起始是一道尖銳的三角折角。一根一側壓著冰塊的棒，溫度是跳變的。這一級裡誠實的問題是：當我們把這樣一個崎嶇的 f(x) 餵進分離變數法這台機器、把模態疊加起來，結果真的會收斂到我們要求的資料嗎——又是在哪種意義下收斂？結果是有三種不同而誠實的答案，而它們在最糟的那些點上，是真的會彼此不一致的。
收斂的三種誠實意義
最溫和也最自然的意義是均方收斂：S_N 與 f 之間誤差平方的面積縮到零，也就是 (f - S_N)^2 在區間上的積分隨 N 增大而趨於 0。這正是正交性機器當初為之而建的那種意義，而它幾乎從不失手。只要 f 具有有限能量——f^2 的積分有限——傅立葉級數就在均方意義下收斂到它，句點。不要求平滑、不要求連續。這同時也恰恰是在說那些正弦模態構成一個完備集合：任何具有限能量的東西都逃不出它們的掌心。
第二種意義是逐點收斂：釘住單一位置 x，問那個數 S_N(x) 是否安定到 f(x)。這就挑剔多了。經典的保證是：若 f 是分段平滑的，則在每一個 f 連續的點，級數恰好收斂到 f(x)——而在一個跳躍處，它收斂到跳躍的中點，即左極限與右極限的平均。這條中點法則出奇地公道：級數在不連續處無法選邊站，於是它折衷取中。逐點收斂在精神上比均方更強，但即便對某些連續函數，它仍可能在孤立的刁鑽點上失手。
第三種、也是最強的意義是均勻收斂：S_N 在處處齊步地逼近 f，使得區間上任何地方的最壞誤差都縮到零。均勻收斂是黃金標準——它讓你能交換極限、逐項積分、相信你看到的圖。但它的入場費高昂：一串連續正弦的均勻收斂級數，加起來必須是個連續函數。所以一旦 f 有一個真正的跳躍，均勻收斂就不可能了——而這個不可能並非鑽牛角尖的技術細節。它正是通往吉布斯現象的那道門。
f piecewise smooth, finite energy:
mean-square integral of (f - S_N)^2 -> 0 (always holds)
pointwise S_N(x) -> f(x) where f continuous
S_N(x) -> (f(x-) + f(x+))/2 at a jump (midpoint rule)
uniform max error over interval -> 0 ONLY if f is continuous
at a jump: uniform convergence is IMPOSSIBLE -> Gibbs overshoot那道趕不走的過衝
這裡有一幅讓所有人都意外的圖——包括最早把它畫出來的物理學家。取最簡單不過的跳躍：一個方波，在區間的一半上取 +1、另一半取 -1。造出它的傅立葉正弦級數，把部分和 S_N 畫出來。在那些平坦的路段上，S_N 漂亮地貼著函數走。但就在跳躍處，它做了件頑固的事：它衝過了真值，過衝一個固定比例——約為跳躍高度的 9%——並在安定之前漣漪了一陣子。這就是吉布斯現象。
現在加上更多項——從 N = 10 到 N = 100 再到 N = 1000——看看會發生什麼。好消息是：那道過衝的尖刺變得更窄，越擠越靠近跳躍。叫人不安的消息是：尖刺的高度並不縮小。無論你取多少項，它都停滯在那同一個約 9% 的過衝上。這個凸起永遠不變平；它只是滑向懸崖邊緣、變得更瘦。跳躍附近的最大誤差拒絕趨於零——這正是為何均勻收斂在此被禁止，恰如連續性論證所警告的。
那麼級數錯了嗎？沒有——而把這件事調和起來，正是問題的核心。過衝活在一條越來越薄的 x 細片裡。在任何固定的、遠離跳躍的點上，那道尖刺早就滑過你了，S_N 恰好收斂到 f：逐點收斂成立。又因為那塊壞區域的寬度縮向零，誤差平方的面積也消失：均方收斂成立。吉布斯過衝對這兩種較溫和的意義都是隱形的。唯有最嚴格的、均勻的那種——它堅持要同時在處處控制住最壞的誤差——才被過衝擊敗。
為何過衝是內建的，而非瑕疵
把過衝怪到捨入誤差、項數太少、或寫錯程式上頭，很有誘惑力。但它都不是。吉布斯過衝是一個結構性的後果——後果來自試圖用一條條完美平滑、緩緩起伏的正弦波，去拼出一個不連續的形狀。每條正弦都無限平滑；它們的有限和也無限平滑。要用平滑的曲線去模仿一道垂直的懸崖，部分和就必須在跳躍處非常陡峭地向上猛衝——而任何衝得這麼猛的東西，都會在轉得過來之前先過衝，就像一輛太晚煞車而撞牆的車。兩側的振鈴，就是那條平滑曲線在恢復時的擺盪。
在那些速率裡，藏著一個更深的理由。一個平滑函數的係數縮得非常快——f 越平滑，它的 b_n 衰減得越快，這正是你在熱方程中見過的傅立葉模態衰減的另一面。但一個帶跳躍的函數，係數只像 1/n 那樣落下，慢得叫人難受。那條拖沓的 1/n 尾巴，是不連續性的數學指紋，也正是它讓足夠多的高頻能量徘徊不去，建起那道持久的過衝。平滑與快速收斂是同一枚硬幣的兩面；跳躍與吉布斯則是另一面。
當你真的去解一條偏微分方程時，這意味著什麼
退一步回到物理，因為收斂在這裡不是抽象的擔憂——它改變你對答案的信任方式。假設你用那個不連續的初始輪廓去解熱方程 u_t = k u_xx。完整的解讓每個模態各自帶著自己的 e^(-k lambda_n t) 阻尼。在 t = 0 時，你的級數恰恰是那筆跳變資料的、帶吉布斯病的重建，連過衝都一應俱全。但時間一旦往前邁動，那些指數就把高階模態壓垮——正是負責振鈴的那些模態——而擴散的平滑效應幾乎立刻抹去過衝。對熱方程而言，吉布斯是個 t = 0 的人造物；方程本身會把它治好。
波動方程 u_tt = c^2 u_xx 講的是相反的故事，而這份對比恰恰就是分類那一級的適定性課題。波動方程不平滑：它具有有限速度，並忠實地把轉角搬運下去。一根被撥動的弦起始是一道真正的折角，而那道折角作為運動的真實特徵傳播開來，並非一個待阻尼的誤差。所以一個振動弦的截斷傅立葉解，會在轉角附近永遠振鈴下去——吉布斯過衝不是一個你等一等就過去的人造物；它是你的有限和在誠實地掙扎，想要表示真解確實擁有的一個轉角。
所以實務上的讀法是這樣的。均方收斂是保證你那個分離出來的解是那個解的東西——它捕捉了全部能量，而這正是特徵函數展開為完備且正確的那層意義。逐點收斂告訴你在誠實的內部點上的值，而中點法則在跳躍處讓你保持清醒。至於缺席的均勻收斂——由吉布斯振鈴所宣告——則是你恆常的提醒：平滑的零件只能逼近一道銳利的邊緣，永遠無法用有限多項把它完美重現。知道哪一種意義適用，正是「一個你能信任的數」與「一個你早該預期的擺動」之間的分野。