微分 — 「瞬間の変化」をつかまえる

車のスピードメーターは「いまこの瞬間の速さ」を表示します。でも速さ＝距離÷時間で、瞬間の時間は0秒…0では割れないはず。このパラドックスを解決する道具が微分です。ズーム・割線・導関数の3つのアニメで、「瞬間の変化率」を目で見て納得します。

1. 微分は「瞬間の変化率」

平均の変化率なら簡単です。2時間で120km進んだら平均60km/h。これは「2点のあいだ」の変化率で、割り算1回で求まります。

でもスピードメーターが指すのは1点（いまこの瞬間）の速さ。素直に計算しようとすると「進んだ距離0 ÷ 経過時間0」になってしまい、手が止まります。

微分のアイデアはこうです — 瞬間を直接計算するのではなく、測る間隔をどんどん縮めていったときの「行き先」として瞬間の変化率を定義する。グラフのことばで言えば、曲線に1点で触れる接線の傾きを求めることに当たります。

その前にまず、「なめらかな曲線は拡大すると直線に見える」という微分の大前提を体感しましょう。

2. ズームすれば直線 — なめらかさの正体

地球は丸いのに、足元の地面は平らに見えます。巨大な円も、うんと拡大すれば直線と区別がつかないからです。実は x² や sin x のようななめらかな曲線はすべて同じ性質を持っています。1点をどんどん拡大してみましょう。

ズーム実験 — どんな曲線もまっすぐになる？

関数

注目する位置 x₀

ズーム倍率

左＝全体、右＝オレンジの点のまわりの拡大図。x² も sin x も、倍率を上げるとやがて「まっすぐ」と判定されます。ところが |x| を選んで x₀ = 0（角の上）に合わせると、何倍にしてもV字のまま。角から少しずらす（x₀ = 0.5 など）と、そこはなめらかなので直線になります。

POINT — 微分可能＝ズームすると直線に見える拡大したときに見えてくるその直線こそ接線であり、その傾きが微分係数 f'(x₀)。「なめらか（微分可能）」とは、グラフの見た目の話ではなく「どの点も拡大すれば直線とみなせる」という性質のこと。

注意 — 尖った点では微分できない |x| の角（x = 0）では、左から見ると傾き −1、右から見ると +1 で、接線の傾きが1つに決まらない。つまりその点では微分できない。ちなみに深層学習で定番の ReLU も角を持つ関数で、実装では「角では傾き0（または1）とする」という約束で乗り切っている。

3. 割線から接線へ — 「瞬間」は極限でつかまえる

傾きを計算するには2点が必要です。そこで、注目する点 P のそばにもう1点 Q を取り、2点を結ぶ直線（割線）の傾きをまず計算します。P と Q の横の間隔を h とすると、割線の傾きは (f(x₀+h) − f(x₀)) / h。あとは h をどんどん小さくして、Q を P に滑り寄せていくだけです。

割線が接線に変わる瞬間 — f(x) = x²

点Pの位置 x₀

2点の間隔 h

オレンジ＝2点を通る割線、緑の点線＝本当の接線。h のスライダーを 2 から 0.001 まで縮めると、Q が P に吸い寄せられ、割線の傾きの数値が f'(x₀) にぴったり収束していきます。x₀ を動かして別の点でも試してみてください。

f'(x) = lim_h→0 ( f(x+h) − f(x) ) / h 割線の傾きの「行き先」が微分係数。f(x) = x² なら ((x+h)² − x²)/h = 2x + h となり、h→0 で f'(x) = 2x

4. 導関数 — 「傾き」もまた関数になる

微分係数 f'(x₀) は点ごとに決まる1つの数です。それなら、すべての点で傾きを測って記録すれば、新しい関数 f'(x) ができるはず。これが導関数です。下のデモでは、点が曲線の上を走りながら接線の傾きを測り、下の段にその記録をリアルタイムで描いていきます。

導関数のライブ描画 — 接線の傾きを記録していく

関数

速さ

上段＝f(x)とオレンジの接線、下段＝傾きの記録（導関数 f'(x)）。山頂・谷底（接線が水平になる場所）で、下の f'(x) がちょうど 0 を横切ることに注目。x² の記録は直線 2x に、sin x の記録は cos x の形になります。e^x は微分しても自分自身と同じ形！

一歩先へ — 傾き0でも山頂とは限らない x³ を選んで x = 0 を見ると、傾きは0なのに山頂でも谷底でもなく「登り坂の踊り場」（停留点）。つまり「極値なら f' = 0」は言えるが、逆は言えない。機械学習の損失関数にも、傾き0なのに最小ではない場所（鞍点）が無数にあり、最適化アルゴリズムはそこで足止めを食うことがある。

5. まとめ — 機械学習は微分で「降りる方向」を知る

微分＝瞬間の変化率＝接線の傾き。割線の傾き (f(x+h)−f(x))/h の h→0 の極限として定義される。
なめらか＝ズームすると直線。尖った点（|x| の角など）では微分できない。
導関数 f'(x) は「各点の傾きの記録」。山頂・谷底では f'(x) = 0 — 最大・最小の候補を探す手がかりになる。

POINT — 損失を減らす方向を教えるコンパス機械学習では、モデルの「間違いの大きさ」を損失関数で測り、それを微分して「どちらに動けば損失が減るか」を知る。傾きが正なら左へ、負なら右へ — この小さな一歩を何万回も繰り返すのが学習の正体。実際に動く様子は機械学習の「勾配降下法」で。