第1卷 第1章 数列和数学模型

从“下一项是什么”开始怀疑

看到1, 2, 3, 4, ...，大多数人会回答5。这个回答自然、简洁，也可能符合出题者意图，但它不是由前四项逻辑推出的唯一结论。第1卷第1章把“数列智力题”变成数学建模问题：眼前只有有限观测，数列却是定义在无限索引上的对象；我们必须补充生成规则、允许的模型族或选择标准，才有资格讨论预测。

作者官网将本章列为《数学女孩》第1章“数列和数学模型”，中文版目录的核心小节是“数列智力题没有正确答案”。这里的“没有正确答案”不是说数学任意，而是说题目给出的信息不足。一个候选规则可以正确复现已知数据，却仍可能在未知位置失败。

本章把这件事进一步写成可验收命题：数列智力题没有唯一答案，因为有限前缀与无限延拓之间缺少定义；真正的数学探索要区分模式、规则与猜想。先预测一个续项，再主动寻找第二个同样符合数据的规则，才会看到隐藏前提。

是数据；是模型的一部分。二者分开，是本章最重要的阅读动作。

数列是函数，不是省略号的暗示

形式上，数列可以看成从正整数到某个值域的函数：

$$a:\mathbb{N}_{>0}\to X,\qquad n\mapsto a_n.$$

定义域、索引起点和值域都属于定义。0,1,2,...若从n=0开始和从n=1开始，公式会不同；整数数列、实数数列和符号序列允许的操作也不同。省略号只表示“还有后续”，并没有声明后续按什么规则产生。

适合随机访问；强调状态演化；常常解释数列为什么出现。

例如平方数可写成显式式，也可递推：

$$a_n=n^2,\qquad a_1=1,\quad a_{n+1}=a_n+2n+1.$$

两种表示给出同一数列，但证明等价仍需要代数或归纳法。只写a_{n+1}=a_n+2n+1却不写初值，会得到无穷多个平移后的数列；只列前十项，也没有定义第十一项之后。

有限前缀为何永远不够

假设一个候选公式f(n)复现了前m项。对任意非零常数c，定义：

$$b_n=f(n)+c\prod_{k=1}^{m}(n-k).$$

当n=1,2,...,m时，乘积含因子n-n=0，所以b_n=f(n)；当n>m时，附加项通常不再为0。因此只要有一个延拓，就能构造无穷多个共享同一有限前缀的延拓。这个论证不是为了偏爱古怪公式，而是精确指出“前几项决定下一项”缺少前提。

以1,2,3,4为例，f(n)=n给出第五项5；取m=4,c=1，另一个模型给出：

$$b_5=5+(5-1)(5-2)(5-3)(5-4)=29.$$

两个模型都完全符合前四项。若题目额外规定“次数不超过1的多项式”，5才由约束唯一确定；若规定周期、递推阶数、整数系数或来自某个计数问题，答案也会随模型族改变。

构造不同延拓的三种方法

第一种是上面的“零点扰动”：找一个在所有已知索引上为0、在未知索引上不为0的函数，加到已有模型上。乘积(n-1)...(n-m)是通用工具。它证明不唯一性，不声称新公式自然。把扰动系数换成任意c，立即得到无穷多个延拓，因此反例不是偶然找到的第二个答案。

第二种是分段规则。对1,2,3,4，可规定前四项为n，从第五项起改为10(n-4)；也可规定索引不超过某阈值时遵循观测表，之后进入周期。分段模型常被批评“人为”，但这恰好暴露题目从未禁止分段。若想排除它，必须明确要求一个全局多项式、固定阶递推或其他模型族。

第三种是改变生成对象。1,2,4,8可以解释为2的幂，也可以是某类树、子集或路径的计数在前四个规模上碰巧一致。计数对象不同，后续值就可能分岔。建模时不仅要比公式长度，还要检查对象和现实机制是否对应。一个解释能回答“为什么是这些数”，通常比纯插值更有迁移价值。

这三种方法分别攻击公式唯一性、规则形式和机制解释。遇到新的数列题，可以依次问：能否加一个已知点全为0的扰动；能否构造合法分段；能否换一个生成对象。只要任一问题答案为“能”，就不能把续项写成无条件定理。

反例也要尊重题目已声明的约束。若明确规定“整系数一次多项式”，高次零点扰动不在模型族中；若规定“最短无前缀查表程序”，分段硬编码可能被复杂度惩罚；若数据来自物理量，还要满足单位、连续性和守恒。好的反例不偷换条件，而是精确指出缺了哪条条件。

同一数列的四种表示

列表最接近观测，却最难定义无限对象；显式式可直接定位，却可能隐藏结构；递推式呈现局部关系，却需要初值并可能累积计算；生成过程提供机制解释，却必须证明无遗漏、无重复、会终止。决定“唯一答案”究竟在什么范围内讨论。

斐波那契数列可以从兔子问题、铺砖计数、递推或封闭表达式进入。它们不是四个随意故事，而是四种语义彼此一致的证明任务。后续第4章会用生成函数把递推转成代数对象；本章先建立纪律：看到一列数时，要问“它是怎样定义的”，而不是只问“看起来像什么”。

模型是带边界的承诺

一个完整数学模型至少回答六件事：观测对象是什么；索引和值域是什么；候选规则允许哪些形式；参数怎样由数据确定；对未见索引作何预测；什么结果会判它失败。缺少最后两项的规则只能描述历史，不能承担预测。缺少模型族则无法解释为什么选择这一条规则而不是无穷多个替代品。

还要区分“定义数列”和“从数据估计模型”。定义题给出规则，任务是推导性质；估计题只给样本，任务是提出带不确定性的候选。把估计结果写成定义，会掩盖归纳跳跃；把定义当作样本猜测，又会无视可直接使用的前提。阅读时在题目旁标注definition或observation，能避免两类推理混在一起。

模型选择可使用简洁性，但必须说明度量。多项式次数、参数个数、程序长度、计算成本和背景解释都可作为复杂度；它们未必给出同一排名。次数最低的公式可能不符合物理机制，程序最短的生成器可能难以证明，递推最直观却不适合随机访问。所谓“自然”，应拆成可讨论的标准。

验证数据必须与拟合数据分开。若用前十项选出模型，再用同样十项证明模型正确，证据发生了循环。应保留新项，或主动寻找候选分歧最大的索引。若所有可获得数据都参与建模，就诚实报告“当前相容”，不要报告“已经证明”。数学证明可以从定义推出无限结论，经验拟合则始终依赖观测边界。

最后记录失败模式。模型可能数值不符、违反值域、无法计算大索引、对微小扰动极不稳定，或虽拟合却没有机制解释。不同失败对应不同修订：改参数、改模型族、补充隐藏变量或承认不可识别。保留失败路径，才能让下一次猜想建立在真实证据上。

因数和：不规则外表下的生成规则

令σ(n)为正整数n的所有正因数之和：

$$\sigma(n)=\sum_{d\mid n}d.$$

前六项是1,3,4,7,6,12。只看数值很难猜出统一差分，但生成过程十分简洁：列举整除n的正整数并求和。例如σ(6)=1+2+3+6=12。这个例子说明“规律”不一定是相邻项做同一种算术操作，也可能来自每个索引背后的数学结构。

因数和还能连接质因数分解。若n=p^e，则：

$$\sigma(p^e)=1+p+p^2+\cdots+p^e=\frac{p^{e+1}-1}{p-1}.$$

对互质m,n有σ(mn)=σ(m)σ(n)。这些性质不是从前几项外观猜出，而是从“因数”定义证明。后续第2卷会系统学习互质、素因数分解、群环域；这里先体会数学模型能把表面噪声变成可解释结构。

从观察到可证伪的猜想

把猜规律变为建模。若模型A与B在前20项都相同、第21项不同，那么重复检查前10项不会增加证据；应寻找或计算第21项。若真实机制无法产生更多观测，就必须承认不确定性。

模型评价至少包括：是否复现全部已知项；是否满足题目背景和量纲；是否用过多自由参数；能否生成新预测；计算是否可行；能否解释为什么。一个高次插值多项式可以完美拟合历史，却可能没有机制意义；一个递推模型稍复杂，却能对应组合构造和证明，因此更值得保留。

本章回顾：有限观察，无限可能

1. 数列是定义在索引集合上的函数，省略号不提供生成规则。
2. 有限前缀只约束有限项，可以用零点乘积构造无穷多个不同延拓。
3. 列表、显式式、递推式和生成过程各有信息优势，也各有缺失条件。
4. 数列和数学模型的关系在于：数据支持候选，背景限制模型族，未来观察负责证伪。
5. 数列智力题没有唯一答案时，应补充规则类别和选择标准，而不是争论哪个视觉模式更自然。
6. 观察、猜想、区分实验与修订构成可复查的数学探索闭环。

术语表