? 如果小明送的货物太多，他会变累，送货速度会下降（这时候增长不再是线性的）。

? 如果汽车速度超过一定值，空气阻力变大，车速不会无限提高（车速 vs. 油门关系变得非线性）。

AI 里，线性函数只能描述简单的关系，但现实世界很复杂，所以我们通常需要非线性函数（比如 ReLU、Sigmoid），让 AI 具备更强的学习能力！

结论：线性函数的关键作用

它表示“等比例变化”，非常适合简单的数学建模。

它容易计算，但无法处理复杂的模式（比如 AI 需要的非线性关系）。

在机器学习里，很多算法的第一步就是尝试“线性拟合”，看看数据是否符合简单的线性规律。

思考：你在现实生活中，还能找到哪些“线性关系”的例子？

故事比喻：小镇爬山比赛（非线性函数）

在一个小镇上，每年都会举办爬山比赛，从山脚一直爬到山顶。参赛选手发现了一件奇怪的事情：

? 刚开始，地势平缓，大家走得很轻松，每前进一步，爬升高度稳定增加（几乎是线性的）。

? 爬到一半，山开始变陡，爬升高度变得越来越快（非线性增长）。

? 快到山顶时，山路变得曲折难走，即使拼尽全力，每一步的爬升高度却变小了（增长趋缓）。

这个爬山的过程就像数学里的“非线性函数”——变化不是固定的，而是随着不同阶段而加快或减慢，甚至拐弯。

非线性函数的核心特点：变化不均匀，可能加速、减速甚至拐弯

在数学里，线性函数的关系是固定的等比例变化（比如快递员送货的例子），但现实世界大多数现象都是非线性的，也就是输入和输出的关系是变化的，不是固定的比例。

1. 爬山 vs. 线性 vs. 非线性

? 如果山是“线性的”：爬 1 米，就升高 1 米，整个爬升过程都是一样的（就像直线 y = ax + b）。

? 但现实中的山是“非线性的”：有的地方陡、有的地方缓，有时走一步升 5 米，有时走一步才升 0.5 米。

比喻：非线性函数就是这样的，它不像直线那样“老老实实”地增长，而是可能有高峰、有谷底，甚至会拐弯。

2. 另一种比喻：考试 vs. 复习效率（努力 ≠ 分数）

小明要准备一场重要的数学考试，他发现：

? 开始复习时，每学 1 小时，他能掌握 10% 知识（效率很高）。

? 但学到一半时，知识变难了，每学 1 小时，他只能掌握 5%（效率下降）。

? 到了最后冲刺阶段，他已经很累了，学 1 小时只能掌握 1%（几乎没进步）。