在上一篇文章 《最美的公式：你也能懂的麦克斯韦方程组（积分篇）》 里， 长尾科技 带着大家从零开始一步一步认识了 麦克斯韦方程组 的 积分 形式，这篇文章我们就来看看它的 微分 形式。 在 积分篇 里，我们一直在跟电场、磁场的 通量 打交道。我们任意画一个曲面，这个曲面可以是闭合的，也可以不是，然后我们让电场线、磁感线穿过这些曲面，它们就两两结合形成了 四个积分 形式的方程组。从这里我们能感觉到： 麦克斯韦方程组的积分形式是从宏观角度来描述问题，这些曲面都是宏观可见的东西 。那么 微分 形式呢？微分形式似乎应该从 微观 角度去看问题，那么我们要怎样把 曲面 、 通量 这些宏观上的东西弄到微观里来呢？
一个很简单的想法就是： 我让宏观上的东西缩小缩小，直到缩小成一个点，这样不就进入微观了么 ？积分形式的麦克斯韦方程组需要选定一个 曲面 ，但是它并没有限定这个 曲面的大小 ，我可以把这个曲面选得很大，也可以选得 很小 。 当你把这个曲面选得很小很小的时候，麦克斯韦方程组的积分形式就自然变成了微分形式 。所以，微分形式的基本思想还是很简单的，它真正麻烦的地方是在于 如何寻找一种方便的计算方式 ，这些我后面会细说。 因为微分形式和积分形式的这种 承接 关系，我建议大家尽量先看看 积分篇 的内容。在积分篇里，我是 从零开始 讲电磁学，讲麦克斯韦方程组，所以阅读起来不会有什么门槛。但是到了微分篇，上篇文章已经详细说了一些东西（诸如 电场 、 通量 、 环流 等概念）这里就不会再细说了。长尾君不会从天而降地抛出一个东西，如果在这篇文章里遇到了什么难以理解的东西，可以看看是不是在积分篇里已经说过了~ 好，下面进入正题。在积分篇里我跟大家讲过，麦克斯韦方程组总共有 四个 方程，分别描述了 静电 （高斯电场定律）、 静磁 （高斯磁场定律）、 磁生电 （法拉第定律）、 电生磁 （安培-麦克斯韦定律）。这四个方程各有 积分 和 微分 两种形式，积分形式我们上篇已经说过了， 微分 形式我们还是按照顺序，也从 静电 开始。
01微分形式的静电
在 积分篇 里，我们是这样描述 静电 的：我在空间里 任意 画一个 闭合曲面 ，那么 通过闭合曲面的电场线的数量（电通量）就跟这个曲面包含的电荷量成正比 。用公式表述就是这样： 这就是 积分 形式的 高斯电场定律 ：左边表示 通过闭合曲面S的电通量 （ E 是电场强度，我们把面积为S的闭合曲面分割成许多小块，每一个小块用da表示，那么通过每一个小块面积的电通量就可以写成 E·da 。套上一个 积分符号 就表示把所有小块的 电通量 累加起来，这样就得到了 通过整个闭合曲面S的电通量 ），右边那个带了 enc 下标的 Q 就表示 闭合曲面包含的电荷量 ，ε0是个常数。这些内容我在积分篇里都详细说过了，这里不再多言。 下面是重点： 因为这个闭合曲面S是可以任何选取的，它可以大可以小，可以是球面也可以是各种乱七八糟的闭合曲面。那么我们就不妨来学习一下孙悟空，变小变小再变小，我让这个闭合曲面也一直缩小缩小，缩小到无穷小，那么这时候高斯电场定律会变成什么样呢？ 这里会涉及一丢丢 极限 的概念，我们这样考虑： 一个闭合曲面缩小到无穷小，其实就是它的表面积或者体积无限趋向于0 。也就是说，我假设有一个球的体积为ΔV，然后让这个ΔV无限趋近于0，那这样就可以表示这个球 缩小到无穷小 了。用数学符号可以记成这样： Lim就是英文单词 极限 （ limit ）的缩写， ΔV通过一个箭头指向0 可以很形象的表示它 无限趋近于0 。有了这个极限的概念，我们就可以很自然的表示 通过这个无穷小曲面的电通量 了（直接在电通量的前面加个极限符号），这时候 高斯电场定律 就成了这样： 这样，我们就把 高斯电场定律 从 宏观 拉到了 微观 ：方程的 左边 表示曲面缩小到无穷小时的 电通量 ，方程的 右边 表示无穷小曲面包含的 电荷量 。但是，当曲面缩小到无穷小的时候，我们再使用 电荷量Q 就不合适了，所以我们改用 电荷密度（符号为ρ） 。 电荷密度 ，从名字里我们就能猜出它表示的是 单位体积内包含电荷量的大小 ，所以它的表达式应该是用 电荷量 除以 体积 ，即： ρ=Q/V 。 所以，如果我们把微观的高斯电场定律左右两边都 同时除以体积ΔV ，那么右边的 电荷量Q 除以 体积Δ 就变成了 电荷密度ρ ，左边我们也再除以一个ΔV，那么公式就变成了下面这样： 公式的右边除以一个体积ΔV，就成了 电荷密度ρ 除以 真空介电常数ε0 ，那左边呢？左边原来是 通过无穷小曲面的电通量 ，这玩意除以一个 体积ΔV 之后表示什么呢？这一长串的东西，我们给它取了个新名字： 散度 。 也就是说， 电场E在一个点（被无穷小曲面围着的这个点）上的散度被定义为电场通过这个无穷小曲面的电通量除以体积 。 散度 的英文单词是 divergence ，所以我们通常就用 div(E) 表示 电场E 的 散度 ，即： 所以， 高斯电场定律 的 微分形式 就可以表示成这样： 它告诉我们： 电场在某点的散度跟该点的电荷密度成正比 。 然后呢？然后微分篇的第一个方程就这样说完了？这只不过把 高斯电场定律 积分形式的 曲面缩小到了无穷小 ，然后 两边同时除了一个体积 ，右边凑出了一个电荷密度，左边巴拉巴拉凑出一大堆东西你告诉我这个新东西叫 散度 就完事了？不带这么玩的！那这个 散度 到底有什么物理意义？我要如何去计算具体的散度（你用无穷小通量去定义散度倒是好定义，但是这样计算可就麻烦了）？还有，很多人多多少少知道一些麦克斯韦方程组的样子，虽然不是很懂，那个 倒三角符号 ▽倒还是记得的，你这公式里为什么没有▽符号呢？
02初入江湖的▽
没错，我们用 无穷小曲面的通量和体积的比值 来定义 散度 ，这样定义是为了突出它跟 通量 之间的联系，也方便大家从积分的思维自然的转化到微分的思维中来。但是，这种定义 在具体计算的时候是没什么用的 ，我们不会通过去计算无穷小曲面的通量和体积的比值来计算一个点的散度，因为这样实在是 太麻烦了 。 我们有种更简单的方式来计算电场在某个点的散度 ，而这种方法，就会使用到我们熟悉的 倒三角▽ 符号。 在这种新的表示方法里， 电场E 的 散度 可以被写成这样： ▽·E ，所以我们就可以用这个东西替换掉方程左边 div(E) ，那么 麦克斯韦方程组 的 第一个 方程——描述 静电 的 高斯电场定律 的 微分形式 就可以写成这样： 这样写的话，是不是就感觉熟悉多了？也就是说，同样是为了表示散度，我们用 ▽·E 代替了代替了原来 无穷小曲面通量和体积比值 那么一大串的东西。而且这样还非常好计算，使用这种新的方式，你只要给出一个电场，我分分钟就可以把电场的散度写出来。这种倒三角▽符号，绝对是 符号简化史 上的奇迹。 所以，我接下来的工作，或者说理解麦克斯韦方程组的 微分形式 的 核心 内容，就是要来告诉大家 这个倒三角▽符号到底是什么意思，▽·（后面加了一个点）又是什么意思？为什么▽·E可以表示电场E的散度就？为什么▽·E跟我们前面散度的定义div（E）是等价的 ？也就是说： 为什么上面的式子是相等的 ， 而且都可以用来表示电场E的散度 ？ 这就是我在开篇说的： 微分形式的基本思想还是很简单的，它真正麻烦的地方在于如何寻找一种方便计算的方式 ，这种方便的计算方式自然就是▽。那么我们接下来就先把电磁相关的物理内容 搁置一旁 ，先一起来看一看这个 传奇符号▽ 的前世今生，理解了它，你就理解了 麦克斯韦方程组 的 微分形式 的 精髓 。
03从导数说起
要理解▽，我们还是得先 再来 看一看这个 衡量事物变化快慢 的概念： 导数 。说“再”是因为我们在积分篇里已经讲过了： 法拉第 发现了 电磁感应 ，发现 变化的磁场能产生电场，而且磁场变化得越快，产生的电场越大 。这里我们就需要这样一个量来描述 磁场变化的快慢 ，只不过当时我们没有展开说。 我还是借用上篇 身高 的例子来看看我们是如何 描述变化的快慢 的。一个人在十二三岁的时候一年可以长10厘米，我们说他这时候长得 快 ；到了十七八岁的时候可能一年就只能长1厘米，我们就说他长得 慢 。也就是说，我们衡量一个量（这里就是 身高 ，假设身高用 y 表示）变化快慢的方法是： 给定一个变化的时间dt（比如一年，或者更小），看看这个量的变化Δy是多少，如果这个量的变化很大我们就说它变化得很快，反之则变化得慢 。 在这里，我稍微解释一下 Δy 和 dy 的区别：如下图所示，我们假设函数在x轴上有一个增量Δx，这个用Δx或者dx表示都一样，两者相等。但是，这个在x轴上的变化带来的y轴上的变化就不一样了： Δy 表示的是y轴 实际的变化量 ，是我用 前后两个不同的x对应的y值直接相减得到的真实结果 ；而 dy 则不是， dy 是我们在M点做了一条 切线 ，然后我用这条 直线来代替曲线 ，当x轴上变化了Δx的时候这条 直线上对应y上的变化 。

从这个图里我们可以看到： Δy 的值是要比 dy 大一点点的，但是随着Δx或者dx的减小，它们的之间的差值会 急速减小 ，比Δx减小的快得多，这个 差值 也是我们常说的 高阶无穷小 。 Δy 叫做函数从一点到另一点的 增量 ，而 dy 则被叫做函数的 微分 ，或者叫它的 线性主部 。 “以直（dy）代曲(Δy)” 是现代微积分的一个核心思想，从这个图里可见一斑。
在微积分刚创立的时候， 莱布尼茨 把 dx 看作一个接近0但又不等于0的 无穷小量 ，这种“ 朴素 ”的思维很符合直觉，而且用这种思想来计算也没什么错，但是它的基础是非常不牢固的。正是这种幽灵般的 无穷小量dx （ 时而可以看作是0，时而可以当除数约分 ）导致了 第二次数学危机 ，数学家们经过一个多世纪的抢救才给微积分找到了一个坚实的地基： 极限理论 。

这段内容不是太理解 没关系 ，只要知道我们可以用 dy/dx 表示函数在M点的 导数 （在这里就是切线的 斜率 ），可以用它来表示图像在这里 变化的快慢 就行了。
再回到人的身高随年龄变化的这个例子里来。人在各个年龄t都会对应一个身高y，这每个（t,y）就对应了图上的一个点，把这些点全都连起来大致就能得到这样一个图： 在 导数dy/dt大的地方，图形里的斜率很大，通俗的说就是曲线很陡峭；而导数很小的地方，对应的曲线就很平缓 。 在这个例子里，身高y是随着年龄t变化而变化，也就是说 给定任何一个t的值，都有一个y的值跟它对应 ，我们就可以说身高y是一个关于年龄t的 函数 （ function ），记做 y=f(t) 。这个 f 自然就是函数的英文单词 function 的缩写，函数就是这样一种 对应（映射） 关系。在这里，身高y的值只跟年龄t 一个变量 相关，我们就说这是一个 一元函数 。但是，如果我们的问题稍微复杂一些，我的某个量不止跟一个量有关，而是跟多个量有关呢？
04多个变量的偏导数
比如山的高度，一座山在不同点的高度是不一样的，而在地面上确定一个点的位置需要 经度 和 纬度 两个信息。或者，你可以自己在地面上建立一个坐标系，然后地面上每一个点都可以用 （x,y） 来表示。因为每一个位置（x,y）都对应了那个地方山的高度z，那么z就成了一个关于x和y的函数，记做 z=f(x,y) 。因为山的高度z需要 两个变量 x和y才能确定，所以我们说 z=f(x,y) 是一个 二元函数 。 再例如，我房间的每一个点都有一个温度，所以房间的温度T是一个关于房间内空间点的函数，而房间里每一个点的位置需要长宽高三个变量（x,y,z）才能确定。所以，我房间里的温度T是一个关于x,y,z的 三元函数 ，记做 T=f(x,y,z) 。 我们再来回过头来看看 导数 ，在 一元函数y=f(t) 里，我们用 dy/dt 来表示这个函数的导数，导数越大的地方曲线变化得越快。因为一元函数的图像是一条曲线， 曲线上的一个点只有一个方向（要么往前，要么往后，反正都是沿着x轴方向） ，所以我们可以直接用 dy/dt表示函数变化得有多快 。但是，如果这个函数不是一元函数，而是二元、三元等 多元函数 呢？ 比如山的高度 z 是关于位置 x,y 的 二元函数z=f(x,y) ，这时候地面上的每一个点（x,y）都对应一个值，它的函数图像就是一个 曲面 （如山的表面），而不再是一条 曲线 。而曲面上的每一个点有 无数个 方向（前后左右360°都可以），x和y只是这无数方向中的 两个 ，那我们要如何把握这无数个方向上的高度变化快慢呢？ 当然，我们不可能把这无数个方向都一一找出来，也没这个必要。一个平面上有无数个点，但是我只用x和y这两个方向组成的（x,y）就可以表示所有的点。同样的，虽然在函数曲面上的一点有无数个方向，不同方向函数变化的快慢都不一样的，但是我们只要把握了其中的两个，就能把握很多信息。 那么我们要如何表示函数z沿着x轴方向变化的快慢呢？直接用dz/dx么？好像不太对，因为我们的z是一个关于x和y的二元函数，它的变量有两个，你这样直接dz/dx合适么？合法么？但是， 如果我在考虑x轴方向的时候，把y看作一个常数，也就是把y轴固定住，这样函数z就只跟x相关了 ，于是我们就把一个 二元函数（曲面） 变成了一个 一元函数（曲线） 。 如上图所示，当我们固定 y=1 的时候，这个曲面就被这个y=1的平面切成了两半，而 平面与曲面相交的地方就出现了一条曲线 。这条曲线其实就是当我固定y=1的时候，函数z的图像，只不过这时候z只跟x一个变量有关，所以它变成了一个一元函数。于是，我们就可以仿照 一元函数 的方法定义 导数 了，也就是说： 我们在z=f(x,y)上无法直接定义导数，但是如果我们把y固定起来了，这时候二元函数的曲面就变成了一元函数的曲线，那么我们就在曲线上定义导数了 。这种把y的值固定在某个地方，然后计算函数在x轴方向上的导数，叫作关于x的 偏导数 ，记做z/x。同样，如果我们把x的值固定，计算函数在y轴方向上的导数，那自然就是关于y的 偏导数 ，记做z/y。
05全微分
有了 偏导数 的概念，我们就有办法写出 dz 和 dx 、 dy 之间的关系了。在一元函数里，导数是dy、dt，我们自然就可以写出dy和dt之间的关系： 那么，到了二元函数 z=f(x,y) 的时候呢？我们想象有个人在山的一点要往另一点爬，我们让他先沿着x轴的方向爬（也就是固定住y的值），假设他沿x轴移动了dx。根据上面偏导数的定义， 如果我们把y 的值固定了，那么他在x轴方向上的导数是可以用偏导数 z/x来表示，那么在他沿着x轴移动的时候，他上升的高度就可以写成（ z/x）·dx 。同样，接下来他沿着y轴方向走的时候，他上升的高度就可以写成（z/y）·dy。我们把 这两个部分上升的高度加起来 ，不就得到了最终爬山的高度变化 dz 的了么？也就是说： 这个公式我们可以把它做作 全微分定理 ，它其实是对上面一元函数导数关系的一个自然推广。它告诉我们， 虽然在曲面的一个点上有无数个方向，但是只要我们掌握了其中x和y两个方向上的偏导数，我们就能把握它的函数变化dz 。还原到爬山的这个例子上来，这个公式是在告诉我们：如果我知道你沿着x轴和y轴分别走了多少，然后我知道你这座山在x轴和y轴方向的倾斜度（即偏导数）是多少，那我就知道你爬山的纯高度变化有多少（又是几近大废话~）。 我们费了这么多劲就为了推出这个公式，那么这个公式里肯定隐藏了什么重要的东西。不过，现在这种形式还不容易看清楚，我们还得稍微了解一点 矢量分析 的内容，把公式拆成 矢量点乘 的形式，那就明显了。
06再谈矢量点乘
关于矢量点乘的事情，我在积分篇的 第六节 就已经说过一次了，因为电场的 通量Φ 就是 电场E 和 面积a 的点乘： Φ=E·a 。因为 矢量 是 既有大小又有方向 的量，而我们小时候学习的乘法它只管大小不管方向，所以两个矢量之间就得重新定义一套乘法规则，而最常见的就是 点乘（符号为‘·’） 。 两个矢量 OA 、 OB 的 点乘 被定义为： OA · OB =|OA||OB|Cosθ（矢量的表示原本是在它头顶上加一个箭头，但是这里不方便这样表示，那就用 黑体 表示了）。它表示一个矢量 OA 在另一个矢量 OB 上的投影OC（OC=|OA| Cosθ）和另一个矢量的大小的乘积，可见两个矢量点乘之后的结果是一个 标量 （只有大小没有方向）。 这些内容我在上一篇都已经说了，这篇文章我们再来看看 矢量点乘 的几个性质。 性质1 ： 点乘满足交换律 ，也就是说 OA · OB = OB · OA 。这个很明显，因为根据定义，前者的结果是|OA||OB| Cosθ，后者的结果是|OB||OA| Cosθ，它们明显是相等的。 性质2：点乘满足分配律 ，也就是说 OA ·（ OB + OC ）= OA · OB + OA · OC 。这个稍微复杂一点，我这里就不作证明了，当做 习题 留给大家~ 性质3 ： 如果两个矢量相互垂直，那么它们点乘的结果为0 。这个也好理解，如果两个矢量垂直，那么一个矢量在另一个矢量上的投影不就是一个点了么？一个点的大小肯定就是0啊，0乘以任何数都是0。如果大家学习了三角函数，从 Cos90°=0 一样一眼看出来。 性质4 ： 如果两个矢量方向一样，那么它们点乘的结果就是他们大小相乘。 理解了性质3，理解4就非常容易了，从cos0°=1也能一眼便知。 此外要注意的是，点乘是 不满足结合律 的，也就是说 没有 （ OA · OB ）· OC = OA ·（ OB · OC ），为什么？因为两个矢量点乘之后的结果是一个 标量 ，你再让一个标量去 点乘 另一个矢量压根就没有意义，点乘是两个矢量之间的运算。 我们小学就开始学的 加法 、 乘法 满足 交换律、结合律、分配律 ，而矢量的 点乘 除了不能用 结合律 以外，其它的都满足。我这样写是为了告诉大家： 点乘虽然是一种新定义的运算，但是它和我们平常接触的加法、乘法还是很类似的 ，大家不用对这种陌生的运算产生未知的恐惧 。
07坐标系下的点乘
一个矢量有大小又有方向，我们通常是用一个箭头来表示的，箭头的方向就代表了矢量的方向，而箭头的长短就代表了矢量的大小。 如果我们这时候建立一个坐标系，把这个箭头的一端移动到坐标原点，那么箭头的另一端就会固定在坐标系的某个点上，这样的话，我们就可以用一个坐标点来表示一个矢量了 。 如上图，A点的坐标是（4,3），那么这个矢量 OA 就可以记为（4,3）。然后，我们把矢量 OA 沿着x轴y轴做一个分解： 于是，我们的矢量 OA 就可以表示成： OA = OB + OC （矢量的 加法 就是把两个矢量首尾相连，所以 OB + BA = OA ，而 BA = OC ，所以有上面的结论）。这时候，如果我们在x轴上定义一个 单位向量x（1,0） ，那么OB的长度是x长度的四倍，而他们的方向又一样，所以矢量 OB =4 x 。同样，在y轴上定义一个 单位向量y(0,1) ，那么 OC =3 y 。那么，我们的OA就可以重新写成： OA = OB + OC= 4 x+ 3 y 。 这样的话，我任意一个矢量（x1,y1）都可以写成x1 x +y1 y 。于是我就成功的把那个括号给丢了，把坐标表示的矢量变成了我们熟悉的加法运算。这里我们要特别区分：x1,y1是坐标，是数，是标量，而黑体的 x , y 代表的是 单位矢量 。那么矢量的点 乘就 可以写成这样：（x1,y1）·（x2,y2）=（x1 x +y1 y ）·（x2 x +y2 y ）。因为 点乘 是满足 分配律 （见 性质2 ）的，所以我们可以把上面的结果直接完全展开成：x1x2 xx +x1y2 xy +y1x2 yx +y1y2 yy 。 然后下面是重点：因为矢量 x 和 y 是分别沿着x轴和y轴的，所以它们是 相互垂直 的，而根据 性质3 ， 两个矢量如果相互垂直，它们的点乘结果就是0 。也就是说， xy = yx =0，那么我们展开式的中间两项x1y2 xy +y1x2 yx 就直接等于0。而根据 性质4，xx = yy =1（因为x和y都是长度为 1 的单位矢量，自己跟自己点乘方向肯定一样）。 于是，我们就可以发现两个矢量 点乘 之后的结果只剩下第一项和第四项的系数部分了，也就是说：（x1,y1）·（x2,y2）=（x1 x +y1 y ）·（x2 x +y2 y ）= x1x2 +y1y2。
08梯度的诞生
对于很多高中生来说，这只是一个熟悉得不能再熟悉的结论，但是我还是从头到尾给大家扎扎实实的推导了一遍。 长尾科技 不喜欢那种凭空突然冒出一个结论的感觉，所以我也希望读者看我的文章，每个结论得出来都是踏踏实实的，都是严密的逻辑推导出来的。这个式子有什么用呢？我们看看它的后面一半（ 带箭头的x，y表示矢量，对应上面公式里的黑体x,y ）： 再对比一下我们上面推导出来的 全微分定理 ： 这个 全微分定理 的 右边 跟 矢量点乘 的 右边 是不是很像？都是两个量相乘然后把结果加起来。如果我们把dx看作x2，dy看作y2，两个偏导数看作x1和y1，那么我们就可以按照这个点乘的公式把这个 全微分定理 拆成两个 矢量点乘 的样子，即 dz 可以写成这样： 于是， dz 就被我们拆成了 两个矢量点乘 的样子，我们再来仔细看看这两个矢量： 右边 的这个矢量的两个分量分别是dx和dy，这分别是我 沿着x轴和y轴分别移动无穷小的距离 ，它们相加的结果用 dl 来表示: 而 左边 呢，左边这个矢量的两个分量分别是函数z=f(x,y)对x和y的两个偏导数，这个我们也用一个新的符号来表示它： 绕了这么久，我们现在终于看到这个 ▽符号 了，这个▽z的名字就叫：z的 梯度 。 把左右两边的矢量都单独拎出来之后，我们就可以把原来的式子写成更简单的样子： 这一段信息量有点大，对于没接触过矢量分析的人来说可能会稍有不适。我们前面绕那么大弯子讲全微分dz，讲矢量的点乘，都是为了引出这个式子，然后从中提炼出 梯度▽z 的概念。不是很理解的朋友可以好好再看一看上面的文章，再想一下，长尾君基本上是从零开始一步一步写到这里来的，只要耐心看肯定能看懂~ 搞懂了这些事情的来龙去脉之后，我们就来重点看看我们引出来的 ▽z ，也就是z的 梯度 。
09梯度的性质
这个梯度我们要怎么去看呢？首先▽z是一个 矢量 ，是矢量就既有 大小 又有 方向 ，我们先来看看 梯度的方向 。 上面我们已经得到了dz=▽z·dl，把dz表示成了两个矢量的点乘，那我们再根据矢量点乘的定义把它们展开，就可以写成这样： 这个dz则表示山的高度的一个微小变化，那么， 沿着哪个方向走这个变化是最快的呢 ？也就是说我 选择哪个方向会使得dz的变化最大 ？ Cosθ 表示的是直角三角形里邻边和斜边的比值，而斜边总是比两个直角边大的，所以它的最大值只能取1（极限情况，θ=0°的时候），最小为0（θ=90°）。而根据上面的 dz=|▽z||dl|cosθ ，显然你要让 dz取得最大值 ，就必须让 cosθ取最大值1 ，也就是必须让▽z和d l 这两个矢量的夹角 θ=0° 。 两个矢量的夹角等于0是什么意思？那就是这两个矢量的 方向一样 啊。也就是说： 如果我们移动的方向（dl的方向）跟梯度▽z的方向一致的时候，dz的变化最大，我们高度变化最大 。这就告诉我们： 梯度▽z的方向就是高度变化最快的方向，就是山坡最陡的方向 。

假设你站在一个山坡上四处遥望，那个 最陡的地方就是梯度的方向，如果你去测量这个方向的斜率，那这就是梯度的大小 。所以，梯度这个名字还是非常形象的。
10▽算子
我们再仔细看一下 梯度▽z 的表示: 这是一个 矢量 ，但是它看起来 好像是▽和一个标量z“相乘” ，我们把这个z提到括号的外面来，这时候这个梯度▽z就可以写成这样： 所以，如果把▽单独拎出来，就得到了这样一个东西： 这个东西就值得我们玩味了，这是啥？▽z表示的是 二元函数z=f(x,y) 的 梯度 ，也就是说我们先有一个函数z，然后我们把这个▽往函数z前面一放，我们就得到 z的梯度 。从函数z得到z的梯度的具体过程就是 对这个函数z分别求x的偏导和y的偏导 。 也就是说，单独的▽是这么个东西： 我▽自己本身并不是什么具体的东西，我需要你给我一个函数，然后我对你这个函数进行一顿操作（求x和y的偏导），最后返回一个这个函数的梯度给你 。这就像是有一个特定功能的 模具 ：你给我一堆 面粉 ，我一顿处理之后返回你一个 饼 。但是显然的，它并不是面粉，也不是饼，它单独的存在没有什么意义，它一定要跟面粉结合才能产生有具体意义的东西。

这种东西叫 算子 ，▽就叫 ▽算子 。基于 ▽ 算子的巨大影响力，它又有一大堆其他的名字：从它的具体功能上来看，它被称为 矢量微分算子 ；因为它是 哈密顿 引入进来的，所以它又被称为 哈密顿算子 ；从 读音 上来说，它又被称为 nabla算子 或者 del算子 。这些大家了解一下，知道其他人在谈论这个的时候都是在指▽算子就行了。
11梯度、散度和旋度
下篇：《最美的公式：你也能懂的麦克斯韦方程组（微分篇》（下）