工程里最常用的是近似
学微积分时，人们容易以为目标是求“精确解”。但工程现场常常不是这样。你更常问：在当前工作点附近，系统大概怎么变？误差有多大？这个近似够不够用？
近似，大白话说，就是用一个更容易算的东西替代原问题，同时知道自己错在哪里。微积分的近似不是拍脑袋，因为导数能告诉你局部变化，二阶导数还能告诉你变化率本身怎样变化。
最简单的近似是一阶近似：函数在某点附近，约等于“当前值 + 斜率 × 输入变化”。这就是把曲线局部当直线。很多传感器校准、控制算法、性能估算，第一步都是这件事。
微积分给工程师的一个核心能力是：用简单模型先顶上，但心里有误差账。
泰勒展开是在加细节
泰勒展开，大白话说，就是用一个多项式在某点附近模仿复杂函数。先用函数值定位起点，再用一阶导数匹配斜率，再用二阶导数匹配弯曲程度，继续往后则匹配更高阶的变化。
比如你要在 0 附近计算 sin x。当 x 很小时，sin x 很接近 x。这不是巧合，而是因为它们在 0 点的值相同，斜率也相同。再往后加上 -x^3/6，近似会更好，因为它开始修正弯曲。
这像给一张低清地图逐步加图层。第一层只有方向，第二层开始画弯曲，第三层继续修细节。你不一定需要所有图层；需要多少，取决于你允许多大误差。
误差不是失败，是规格
误差项，大白话说，就是被近似丢下的那部分。好的近似不会假装误差不存在，而会估计它的规模。比如只用一阶近似时，函数的弯曲越厉害，离工作点越远，误差通常越大。
这点很像缓存、采样和压缩。你愿意牺牲一点精度，换来计算更快、模型更清楚、控制更及时。问题不是“有没有误差”，而是“误差是否小到不影响决策”。
如果你做过数值计算，会更熟悉这个取舍。计算机不可能把每个连续过程精确算完，它会离散化：把时间切成步长，把空间切成网格。步长越小通常越准，但成本越高；步长太大，系统可能发散。微积分给的是误差随步长变化的语言。
线性化为什么这么有用
线性化，大白话说，就是把一个非线性系统在某个工作点附近替换成线性系统。线性系统好算、好分析、好控制。很多复杂机器之所以能稳定运行，不是因为它们天生简单，而是因为我们让它们工作在一个可线性化的范围内。
这也是导数的现实价值。导数不仅告诉你“此刻变多快”，还给了你一个局部替代模型。你可以用它预测小扰动的影响、设计反馈控制、判断参数敏感度。
当然，近似有边界。离工作点太远，一阶模型会失真；系统有突变、碰撞、阈值、混沌行为时，局部信息可能很快失效。成熟的工程判断，不是迷信近似，而是知道近似在哪个范围内能用。
到这里，微积分已经变成一种实用手艺：局部看斜率，整体看累计，系统看更新规则，工程看可控误差。最后一章，我们把这些拼成一套看世界的方法。