📍 真實場景
陳工程師，42 歲，風力發電葉片外形最佳化顧問
他手上有一套用了將近 20 年、經過大量風洞實驗驗證的 Fortran 流體模擬（CFD）程式，公司最近導入一套 AI 最佳化平台，想讓演算法自動微調葉片外形。
😖 卡住的地方：AI 最佳化平台需要「外形參數改一點點，模擬結果會跟著變多少」的梯度資料，但那套 Fortran 程式從來沒被設計成會吐出梯度；重寫成 Python 至少要半年，而且沒人敢保證重寫後結果跟原本一樣準。
💡 這一課會告訴你第三條路：不重寫、不用手推數學，直接讓編譯器在幾十年前的老程式上生出正確的梯度，讓老程式碼變成 AI 系統可以呼叫的一塊積木。
🧭 這到底是什麼（白話版）
這篇文章要處理一個很實際的問題：很多重要的物理模擬程式，像是氣候預測、飛機機翼設計、核能反應爐安全分析用的程式，都是幾十年前用 Fortran 寫的，而且經過大量實驗反覆驗證過，準到可以讓人放心拿來做工程決策。問題是，現在的 AI 最佳化工具都需要梯度某個輸出結果，如果把某個輸入調整一點點，結果會跟著變化多少幅度與方向的數字 ，但這些老程式從來沒被設計成會吐出梯度這種東西。
要拿到梯度，過去只有三條路：花好幾個月請專家手動推導每一行程式的導數（貴又容易出錯）、用「輸入改一點點、看輸出變多少」的土法（不準又慢）、或是乾脆把整套程式重寫成 Python（等於把幾十年的驗證成果全部歸零重來）。這篇文章示範了第四條路：讓電腦自己在編譯的過程中，把梯度算出來——這就是自動微分（AD）讓電腦在執行程式的同時，自動算出每一步運算對最終結果的影響量，不用人工推導數學公式，也不是用試誤法逼近 。
做法是這樣：先用 LFortran 這套編譯器把人看得懂的程式碼，翻譯成電腦看得懂的機器指令的工具 ，把 Fortran 原始碼翻譯成LLVM 中間碼各種程式語言最後都會被轉換成的一種共通格式，讓不同語言可以共用同一套後續處理工具 。接著讓 Enzyme 這套工具，直接在這份「共通格式」上動手，自動生出對應的梯度計算邏輯，完全不用碰原本的 Fortran 語法。
最後，Tesseract 這套工具把算出梯度的 Fortran 程式包裝成一個JAXGoogle 開發的一套支援自動微分與高速運算的 Python 工具，AI 研究和最佳化常拿來當主力 看得懂的「自訂元件」，讓這支幾十年前的老程式，看起來就像是一個原生的 JAX 函式，可以直接接進其他 AI 程式碼裡使用。作者也很誠實地說，這整套做法還很實驗性，得有心理準備去追一個回傳 NaN 的梯度，甚至手動比對機器層級的程式碼差異除錯。
🎯 為什麼值得你花時間
老程式碼不用整套重寫 幾十年份的 CFD、氣候、核能模擬程式，每一行背後可能都對應著一次昂貴的實驗驗證。重寫成 JAX 或 PyTorch，等於把這些驗證成果全部歸零重來；直接在 LLVM 這一層生出梯度，讓老程式碼不必離開崗位，就能被新的 AI 系統呼叫。
打開「用 AI 幫忙做最佳化」的大門 很多工程最佳化、反問題已知結果，反推出輸入條件該設多少才會得到這個結果，跟一般「已知輸入求結果」的方向相反 （像是「材料要怎麼設定才能達到某個溫度分佈」）都需要梯度才能有效率地解。過去這些領域的老程式因為吐不出梯度，只能被排除在 AI 最佳化流程之外，現在多了一張入場券。
這招不只救得了 Fortran Enzyme 是在 LLVM 中間碼這一層動手，代表凡是能編譯成 LLVM 的語言——C、C++、當然也包括 Fortran——都能用同一套邏輯生出梯度，等於幫「整個舊系統現代化」這件事找到一條共通的路，不是只解決 Fortran 工程師的問題。
⚙️ 它是怎麼運作的
1
把 Fortran 翻譯成 LLVM 中間碼 LFortran 這套編譯器把 Fortran 原始碼翻譯成 LLVM 中間碼，這是關鍵的第一步——因為 Enzyme 只看得懂這份共通格式，不管背後原本是什麼語言寫的。
▼
2
Enzyme 在中間碼這一層動手術 Enzyme 讀懂這份中間碼之後，自動幫每一行運算生出對應的「反向」計算邏輯，也就是梯度的計算過程，全程不需要工程師手動推導任何一條數學式。
▼
3
把整個時間迴圈的梯度正確串起來 熱傳導這類模擬通常要跑很多個時間步驟，Enzyme 得把每一步的梯度像接力賽一樣正確串接，才能算出「最初的輸入」對「最後結果」的完整影響，這一步很容易出錯，也是文章提到要手動比對中間碼差異除錯的地方。
▼
4
包裝成 JAX 看得懂的積木 Tesseract 把算出梯度的 Fortran 程式包裝成一個自訂的 JAX 元件，讓它看起來就像 JAX 原生函式一樣，能直接接進其他 AI 程式碼裡運算。
▼
5
拿去解「反過來想」的問題 有了梯度，就能有效率地解反問題，例如：想要材料達到某個溫度分佈，一開始的初始設定該怎麼調——這正是文章最後拿來展示成果的挑戰題。
三種拿到梯度的方法比一比
方法 要花的力氣 準確度 對老程式碼的影響 手動推導伴隨方程式 數個月的專家人力 準確 程式改一行，數學就要重推一次，很容易忘記同步更新 有限差分（試誤法） 幾乎不用改程式 不夠準，步長沒抓好誤差很大 不用碰原始碼，但每個參數都要多跑一次模擬，成本隨參數量增加 LLVM 層級自動微分（本文作法） 接好編譯工具鏈即可，不用手推公式 跟解析解一樣準確 原始碼幾乎不用改，但工具鏈還很新，會踩到不少邊緣案例
🛠️ 動手做：親手體驗：為什麼自動微分比「土法煉鋼」準
這是文章裡『220 行 Fortran 熱傳導解算器』的簡化 JS 玩具版：一樣是先把整個模擬跑完，再回頭問『某個輸入參數改一點點，結果會變多少』。
拖動『降溫係數 k』，看最終溫度怎麼隨它變化——這個滑桿對應文章裡那顆熱傳導模擬的角色。
拖動『有限差分步長 h』，比較土法煉鋼算出來的梯度，跟自動微分算出來的『正確答案』差多少，親自體會文章說的『有限差分不準又難搞』是什麼意思。
把 h 拖到最右邊（非常非常小）時特別留意：誤差不但沒有變小，反而開始亂跳——這就是文章作者說『追著一個回傳 NaN 的梯度、比對機器碼除錯』的縮小版現場直擊。 👇 下面是活的，直接操作 ↻ 重來一次
🧠 工程思維透鏡（資深工程師看到的是什麼）
🔭 為什麼作者不乾脆把整套 Fortran 程式重寫成 JAX？
重寫看似「一次到位」，但代價是必須重新驗證幾十年份的物理正確性——CFD、氣候、核能這些領域的程式，每一行背後可能都對應著一篇論文或一次昂貴的實驗校正。作者選擇「站在 LLVM 這一層動手」，本質上是工程取捨在多個都不完美的方案中，選一個在目前限制條件下最划算的方案，而不是等一個完美方案 ：犧牲『工具鏈的成熟穩定』，換來『不用重新驗證幾十年物理正確性』的風險降低。
🔭 為什麼 Enzyme 選擇在 LLVM 中間碼這一層做自動微分，而不是直接看 Fortran 或 C++ 原始碼？
如果自動微分工具要看懂每種語言的原始碼語法，等於要為 Fortran、C、C++ 各寫一套。選擇在 LLVM 中間碼（這些語言編譯到最後都會變成的共同格式）動手，一套邏輯就能通吃所有能編譯成 LLVM 的語言——這是典型的抽象層設計把差異先蒸發掉、找到大家共通的那一層下手，讓一份工具能服務多種情境 。代價是除錯變難：出問題時得比對機器等級的中間碼差異，而不是熟悉的原始碼，這也是文章提到『要手動比對 LLVM IR 差異』的原因。
🔭 作者形容這整套東西『很實驗性』、要『準備好花時間追 NaN』，這種誠實揭露對你評估要不要採用一項新技術有什麼幫助？
工程決策不是「能不能動」，而是「在什麼條件下值得冒險」。作者自曝的踩坑成本，其實是幫你把技術成熟度一項技術從能在實驗室展示，到能穩定用在正式產品上，中間還要走多遠 這個變數量化出來——如果專案時程緊、容錯低，這種還在啃邊緣案例的工具鏈可能還不是時候上；但如果是研究型、探索型的專案，願意花時間換取『不用重寫』的巨大彈性，就非常划算。
📝 隨堂考（點選答案，立即回饋）
Q1. 文章裡這套技術解決的核心問題是什麼？
讓 Fortran 程式跑得更快
讓幾十年前寫的模擬程式也能產生梯度，接進 AI 最佳化流程
把 Fortran 直接翻譯成 Python
✅ 重點不是效能，也不是換語言，而是讓老程式「產生梯度」，變成能被最佳化演算法使用的一塊積木。
Q2. 為什麼 Enzyme 要在 LLVM 中間碼這一層做自動微分，而不是各語言的原始碼？
因為 LLVM 中間碼是所有能編譯成 LLVM 的語言共同會變成的格式，一套邏輯能通吃多種語言
因為 LLVM 中間碼執行速度比較快
因為原始碼裡沒有數學運算式
✅ 選在共同的中間層下手，才不用為每種語言各寫一套自動微分工具。
Q3. 文章提到的「有限差分法」求梯度，主要缺點是什麼？
需要重寫全部程式
要跑很多次模擬、步長沒抓好還會不準，對計算量大的問題來說又慢又不可靠
無法在 Fortran 上使用
✅ 有限差分靠試誤逼近，計算次數隨參數量增加，而且步長選得不好精準度會很差。
Q4. 自動微分（AD）和有限差分最大的不同是？
AD 算出的是解析解等級的精確梯度，不受步長大小影響；有限差分是數值逼近，準確度看步長運氣
兩者其實是同一種方法
AD 比有限差分慢很多
✅ AD 是跟著程式邏輯精確算出來的，不像有限差分要抓一個步長去逼近，準不準看運氣。
Q5. 作者把算出梯度的 Fortran 程式包裝成什麼，才能接進 JAX？
一個網頁 API
一個自訂的 JAX 元件（custom JAX primitive）
一個 Excel 巨集
✅ 透過 Tesseract 把它包成 JAX 看得懂的自訂元件，就能像原生 JAX 函式一樣被呼叫。
🃏 翻牌記憶卡（先想答案，再點開對答）
自動微分（AD）點我翻面
讓電腦在跑程式的同時，自動算出每個輸入對輸出的影響量，不用人工推導數學式，也不是用試誤法逼近。
LLVM 中間碼點我翻面
各種程式語言編譯到最後都會變成的共同「中間語言」，工具只要看懂這一層，就能同時支援 C、C++、Fortran 等多種語言。
Enzyme點我翻面
在 LLVM 中間碼這一層動手的自動微分工具，能幫任何能編譯成 LLVM 的程式碼生出精確梯度。
有限差分點我翻面
用「輸入改一點點、看輸出變多少」去逼近梯度的土法，計算量大、步長沒抓好還會不準。
反問題（Inverse Problem）點我翻面
已知結果，反推輸入條件該設多少才會得到這個結果——有了梯度才能有效率地解這類問題。
ai-lecturer 教案工廠｜藍圖 flash-full-v1.0｜本頁零外部依賴，離線可開