解析解稀缺、数值逼近成为常态
现代科学（尤其是过去半个多世纪）在很大程度上就是"解析解稀缺、数值逼近成为常态"的科学。这背后有一个深刻的历史转折，值得展开讲讲。
一个关键的历史事实：解析解是例外，不是常态
牛顿力学时代，科学家追求的是闭式解（closed-form solution）——比如开普勒行星轨道公式、简谐振动方程。但这类"能用笔和纸精确解出来"的问题，其实只占自然界问题的极小一部分。
一个标志性的例子是三体问题：庞加莱在19世纪末证明了三体问题一般不存在解析解。这几乎是一个转折点的象征——一旦从"两个天体"跳到"三个天体"，人类就必须依赖数值积分（如龙格-库塔法）才能预测轨道。
现代科学各领域的"数值化"程度
| 领域 | 依赖的数值方法 | 说明 |
|---|---|---|
| 气象/气候预测 | 有限差分/有限元 + 数据同化（含卡尔曼滤波、粒子滤波） | 纳维-斯托克斯方程无解析解，全球气候模型本质是把地球切成几十公里的网格逐格数值求解 |
| 量子化学/材料科学 | 密度泛函理论（DFT）数值优化 | 薛定谔方程对多电子系统无解析解，必须数值逼近 |
| 结构工程 | 有限元法（FEM） | 桥梁、飞机机翼的应力分析全靠网格离散化 |
| 金融衍生品定价 | 蒙特卡洛模拟、有限差分 | 复杂期权的 Black-Scholes 方程变体往往无解析解 |
| 流行病学 | 状态空间模型 + 粒子滤波/MCMC | COVID传播模型（如 Imperial College 的模型） |
| 基因组学/生物统计 | 贝叶斯层级模型 + MCMC | 复杂遗传关联分析几乎全靠采样方法 |
| 宇宙学 | N体模拟（数值积分）+ 贝叶斯推断 | 星系形成模拟、宇宙学参数估计（如普朗克卫星数据分析用MCMC） |
| 强化学习/机器人控制 | 动态规划的数值近似、粒子滤波（SLAM定位） | 机器人同步定位与地图构建经典方法就是粒子滤波 |
更深层的原因：现实世界几乎处处"非线性、高维、无解析解"
科学史上有个说法很精辟——"线性系统都是幸福的家庭，各有各的解析解；非线性系统都是不幸的家庭，各有各的数值方法"（借用托尔斯泰的句式）。
现实世界的绝大多数系统本质上是：
- 非线性（解析积分几乎不可能）
- 高维（变量一多，解析方法组合爆炸）
- 含随机性/噪声（观测误差、系统扰动，必须用概率框架处理）
这三者叠加，直接把"解析解"这条路堵死，逼着科学从17-19世纪的"公式科学"转向20世纪后半叶至今的"计算科学"（Computational Science）。
一个可以建立直觉的时间线
- 17-19世纪：微积分+解析几何，追求闭式解（牛顿、拉格朗日、拉普拉斯）
- 20世纪中期：计算机出现后，数值方法（有限元、蒙特卡洛）开始爆发（曼哈顿计划中冯·诺依曼用蒙特卡洛模拟中子输运，是标志性起点）
- 20世纪后期：贝叶斯统计+MCMC复兴（1990年代 Gibbs sampling 的普及，让复杂层级模型第一次变得"可算"）
- 21世纪至今：深度学习（可导数值优化）与贝叶斯/粒子方法进一步融合
所以可以说，"数值逼近"不是现代科学的一个工具，而是现代科学能够处理复杂系统的前提条件——没有它，气候模型、基因组学、现代金融、深度学习都不可能存在。