一句话定义：神经微分方程（Neural ODE）是一种把神经网络的“深度”看成连续时间演化的模型——不再堆叠一层层离散的变换，而是用一个微分方程描述状态如何随时间流动，再交给数值积分器解出结果。
它是怎么工作的。普通残差网络（ResNet）一层做的事可以写成 h_{t+1} = h_t + f(h_t)：在旧状态上加上一小步变化。神经微分方程把这“一小步”缩到无穷小，改成 dh/dt = f(h(t), t, θ)，然后从 t=0 积分到 t=T，得到输出。这里 f 仍然是一个神经网络，但它不再代表“某一层做什么变换”，而是代表“每一瞬间状态往哪个方向变”。
打个比方：ResNet 像爬楼梯，一层就是一级台阶，层数必须是整数；神经微分方程像坐扶梯，是连续滑下去的，你想在哪个高度停下都行。所以“深度”从“50 层、101 层”这种整数，变成了一个可以连续调节的时间区间。这就是连续深度的含义。
它主要解决了什么：
1. 内存。反向传播要保存每一层的激活值，层一多显存就吃紧。神经微分方程用伴随法（adjoint method）算梯度：反向时再解一次 ODE，而不必把沿途每一步都存下来，内存开销几乎不随精度增长。
2. 精度与成本的连续权衡。结果不够准，就调小积分器步长或收紧误差容限；要快，就放松一点。不用重新设计网络层数。
3. 不规则时间序列。观测时间间隔不均匀时（不定期体检、不规律交易），连续时间模型天然贴合。
4. 连续归一化流（Continuous Normalizing Flows）。用 ODE 描述概率密度如何流动，变换可逆，也不必对网络结构做强限制。
和相邻概念的区别：
| 维度 | 普通 ResNet | 神经微分方程 |
|---|---|---|
| 深度 | 离散层数（整数） | 连续时间（实数区间） |
| 学什么 | 每层一个变换函数 | 一个向量场 |
| 反向传播 | 逐层链式，存激活 | 伴随法，再解一次 ODE |
| 调精度 | 加层或减层 | 调步长与误差容限 |
它和 RNN 都在时间上传递状态，但 RNN 是离散时间步；它和物理仿真里的微分方程也不同，因为方程右边不是人写的物理定律，而是从数据里学出来的。
对从业者的意义：适合不规则采样、显存敏感、需要连续生成模型的场景。但要留意训练偏慢、数值稳定性依赖求解器，落地前先做小规模验证；具体接口和实现细节以官方代码库为准。
对普通人的意义：可以记住一句话——模型“思考多久”从此可以像拧旋钮一样连续地调，而不是只能在“浅”和“深”之间二选一。它更像一次思路转变，而不是又一个刷榜结构。