Image placeholder

在小学阶段，当我们计算多位数相乘时，最常规的方法是列竖式，将多位数相乘转化为多位数与个位数的逐次相乘。然而，在探讨更高级的数学结构之前，我们需要观察一种特别的计算序列。假设我们以为例：

验证计算结果准确无误。这种运算序列通过特定的位移，将复杂的乘法直接拆解为个位数的对应相乘与求和。由于这种方法能够直接独立地生成乘积的每一位，它在复杂的算法实现中具有极高的稳定性。那么，支撑这种位移相乘的底层逻辑是什么？

首先我们观察任意两个多位数相乘的代数本质。任何一个十进制数都可以展开为基数的幂级数：

因为乘法分配律的存在，乘积最高位的位权必然为（由与相乘得出），最低位为。

如果我们提取乘积中任意中间某一位的基数，例如。为了组合出，两个乘数中参与相乘的项必须满足幂次相加等于的条件。这意味着，所有能够产生的组合必然是：

, , , ,

由于上述组合的幂次之和恒为，因此乘积中项的总系数必然是这些对应项系数的累加：

这在视觉上等价于：将其中一个乘数的系数序列进行翻转，然后与另一个乘数的系数序列进行滑动平移，将对齐的项相乘后再相加。我们将这种代数结构称为“翻转平移相乘法”。

既然我们已经明确了上述计算仅仅依赖于幂次的相加规则，那么如果撤掉十进制中固定的基数，将其替换为任意的未知变量，这个结构还会成立吗？

假设我们有两个多项式需要相乘：

提取多项式的系数向量：被乘数为，乘数为。

利用前文推导的翻转平移逻辑，由于已知，提取其结果系数，我们可以直接写出多项式相乘的结果：

这证明了“翻转平移相乘法”是脱离了具体数值的、更普遍的代数向量运算规则。

既然这种向量序列的运算结构在代数系统中表现得如此自洽，那么如果我们将多项式的系数替换为现实生活中独立事件发生的概率，或者随时间变化的真实资金流，会发生什么？

情境 1：离散概率的叠加（掷骰子模型）

假设有两枚骰子，掷出点数的概率分别是与（其中）。求同时投掷这两枚骰子，所得点数之和为特定值的概率。

由于点数之和的范围是从到，如果我们要求点数之和为的概率，那么两枚骰子的点数组合必然满足。因此：

观察这个等式，它的结构与前文多项式系数求和完全一致。这意味着，计算两个独立随机变量之和的概率分布，本质上就是对概率分布向量和执行翻转平移相乘。

情境 2：时间序列的累积（复利模型）

假设某人每年年初向账户存入资金序列（），银行的固定年化利率为。每一笔存入的资金经过年后，其价值的放大倍数可以表示为。

如果要计算第 3 年年底的本息总额，我们需要将过去每一年存入的资金，乘以其对应在账户中存续的时间带来的复利放大倍数：

第 3 年底总额

这再次证明，计算随时间累积的动态系统总量，同样是对资金输入序列与衰减/放大序列执行翻转平移相乘。

基于上述所有离散模型，数学家们将这种“通过两个函数生成第三个函数的数学算子”抽象为泛函分析中的卷积运算（Convolution）。

对于离散序列，其精确定义正是我们前文反复推导的过程：

而当我们将时间的切片无限细分，离散的累加就演变成了连续情形下的积分：

为了建立物理直觉，我们将这个积分公式映射到人体代谢药物的浓度变化模型中。

假设有一名正在接受静脉滴注的患者。在这个系统中：

因为点滴是持续注入的，所以当前时刻血液内的总药物浓度，不能只看当前的注入量，而是必须把所有过去无穷个时刻注入的药量，分别乘上它们各自历经衰减后的残留比例，然后将这一切连续地累加起来（即执行积分）。这个由历史输入与系统衰减规律共同作用产生当前状态的过程，就是连续卷积的本质。

无论是小学的多位数竖式拆解，还是药代动力学中的浓度积分，它们底层描述的都是同一套机械法则。

如今，卷积被广泛应用于科学与工程领域：在概率论中，两个独立随机变量之和的概率密度函数是它们各自密度的卷积；在统计学中，加权滑动平均本质上是一种卷积操作；在图像处理中，卷积核就像一把二维的“滑尺”，在像素矩阵上平移，从而实现图像的模糊、锐化或边缘检测。

在上述的药物代谢模型（或银行复利模型）中，我们建立了一个隐藏的前置条件：药物的代谢衰减规则仅仅取决于时间差，它的半衰期(衰减到原来的一半所需的时间)是固定不变的。

但是，如果物理环境的参数发生了改变——假设患者随着持续的滴注，其肝脏功能被激活或受损，导致身体对药物的代谢速率本身也在随着绝对时间发生动态变化。这意味着早晨注射的药物和晚上注射的药物，将面临完全不同的衰减曲线。

在这种系统法则随时间动态变化的非线性物理场景下，原本完美的“平移”结构被破坏。此时，如果我们依然需要计算当前时刻体内的药物总浓度，原始的卷积公式在代数表达上会发生怎样的形变？我们需要引入什么新的数学工具来重构这个累加系统？