你是否曾经想过，计算器是如何算出 $\sin(0.5)$ 或者 $e^{1.2}$ 这种奇怪数字的？
它不可能把所有的函数值都背下来，也不可能每次都画图测量。
答案之一，就藏在泰勒公式里。
假设你有一条曲线 $y = f(x)$，在某个点 $x_0$ 附近，你只想用最简单的函数——直线——来近似它。
我们知道，函数在 $x_0$ 处的切线方程是：
$$ y = f(x_0) + f'(x_0)(x - x_0) $$
当 $x$ 非常接近 $x_0$ 时，这条切线和原曲线几乎重合。
这其实就是一阶泰勒公式，也是最简单的版本。
用这个想法去近似 $e^x$ 在 $x=0$ 附近的行为：
$$ e^x \approx 1 + x $$
在 $x=0$ 附近确实不错，但稍微远一点，误差就明显了。
于是我们很自然会想：能不能用一条曲线而不是直线来逼近？比如抛物线？
如果我们不仅要求近似函数在 $x_0$ 处的值和一阶导数与原函数相同，还要求二阶导数、三阶导数……也都一样，那么我们就得到了一个多项式。
这个多项式就是泰勒多项式：
$$ f(x) \approx f(x_0) + f'(x_0)(x - x_0) + \frac{f''(x_0)}{2!}(x - x_0)^2 + \cdots + \frac{f^{(n)}(x_0)}{n!}(x - x_0)^n $$
每多加一项，多项式就向原函数弯曲得更像一点。
以 $f(x) = \sin x$ 在 $x=0$ 处为例：
随着阶数增加，近似范围从 $x=0$ 附近逐渐向外扩大。
如果函数 $f(x)$ 在 $x_0$ 处有直到 $n$ 阶的导数，那么它可以写成：
$$ f(x) = \sum_{k=0}^{n} \frac{f^{(k)}(x_0)}{k!}(x - x_0)^k + R_n(x) $$
这里 $R_n(x)$ 叫做余项，表示用 $n$ 次多项式近似原函数时产生的误差。
如果函数性质足够好，当 $n \to \infty$ 时，余项趋于零，我们就可以写成无穷级数：
$$ f(x) = \sum_{k=0}^{\infty} \frac{f^{(k)}(x_0)}{k!}(x - x_0)^k $$
当 $x_0 = 0$ 时，这个级数有个特别的名字——麦克劳林级数，它是泰勒公式的特例。
在 $x=0$ 处的麦克劳林展开，很多函数都有非常漂亮的形式：
指数函数： $$ e^x = 1 + x + \frac{x^2}{2!} + \frac{x^3}{3!} + \cdots $$
正弦函数： $$ \sin x = x - \frac{x^3}{3!} + \frac{x^5}{5!} - \frac{x^7}{7!} + \cdots $$
余弦函数： $$ \cos x = 1 - \frac{x^2}{2!} + \frac{x^4}{4!} - \frac{x^6}{6!} + \cdots $$
对数函数（在 $x=0$ 附近无定义，改用 $\ln(1+x)$）： $$ \ln(1+x) = x - \frac{x^2}{2} + \frac{x^3}{3} - \frac{x^4}{4} + \cdots \quad (|x| < 1) $$
这些级数不只是数学家玩的游戏，它们就是计算器实际使用的算法核心。
当你输入 $\sin(0.5)$，计算器并不会画一个单位圆去量，它只会算前几项多项式，速度极快，精度也完全足够。
泰勒公式的应用远比我们直觉中广泛。
物理与工程 很多微分方程无法求出解析解，但可以用泰勒展开得到近似解。 比如单摆的周期公式 $\theta"" + \frac{g}{l}\sin\theta = 0$，把小角度 $\sin\theta \approx \theta$ 代入，立刻变成可解的简谐振动方程。
优化与机器学习 梯度下降法背后的思想，本质上就是在当前点对函数做一阶或二阶泰勒展开，然后朝着下降最快的方向走一步。
数值计算 计算 $\sqrt{4.1}$ 时，可以先对 $\sqrt{x}$ 在 $x=4$ 处做泰勒展开： $$ \sqrt{x} \approx 2 + \frac{1}{4}(x - 4) - \frac{1}{64}(x - 4)^2 + \cdots $$ 代入 $x = 4.1$，前两项就可以得到 $2.025$，与真实值 $2.0248...$ 非常接近。
极限与不等式 很多复杂的极限问题，用泰勒展开后立刻变成多项式的比较，清晰又严谨。
泰勒公式并不是万能的。
一个经典反例是函数：
$$ f(x) = \left\{ \begin{array}{ll} e^{-1/x^2}, & x \neq 0 \\\\ 0, & x = 0 \end{array} \right. $$
在 $x=0$ 处的各阶导数全是 $0$，它的泰勒级数恒为 $0$，完全不等于原函数。
这说明：即使函数无限可导，它的泰勒级数也未必收敛到自身。
此外，泰勒展开的收敛半径也是有限的。比如 $\ln(1+x)$ 的展开只在 $|x|<1$ 内有效，超出这个范围就会发散。
泰勒公式的核心思想非常简单：
用一个点上的函数值和各阶导数信息，构造一个多项式，去模仿整个函数在附近的行为。
它是微积分中最强大的工具之一——把复杂的非线性世界，在某些局部用简单的多项式变得可以计算、可以理解。
当你下次用计算器、训练机器学习模型、或者推导物理公式时，很可能泰勒公式就在背后悄悄发挥着作用。
数学的美妙，往往就藏在这种“以简驭繁”的智慧之中。