Davenport · 圆法 · 高中详解版

华林问题：数 $G(k)$Waring's problem: the number $G(k)$

本页是面向中国普通高中生的逐段精讲。彩色框（目标 / 符号 / 分步推演 / 配图）是为你准备的详解；我们把原书里所有"显然""容易看出""不难"的地方，统统拆成一步一步的完整推导，并把每一个超出高中范围的符号都从零讲清。读起来会很长——但读完，你能真正看懂 Vinogradov 这条著名定理的每一处细节。

本章要解决什么

每个正整数都能写成若干个完全 $k$ 次幂（如 $1,2^k,3^k,\dots$）之和——这是 18 世纪 Waring 的猜想。本章关心的是"对所有充分大的整数，最少需要几个 $k$ 次幂"，这个最少个数记作 $G(k)$。

读完你将掌握：

$G(k)$ 的精确定义，以及它的简单下界 $G(k)\ge k+1$、上界 $G(k)\le 2^k+1$ 从何而来；
圆法（the circle method）怎样把"有多少种表示法"变成一个定积分 $\int_0^1$；主弧、次弧如何划分区间 $[0,1]$；
van der Corput 的"求和换积分"引理、Vinogradov 的"双线性和"估计这两件核心工具，以及它们各自的完整证明；
怎样把这些零件拼起来，证出 Vinogradov 1934 年的著名上界 \[ G(k) < (6+\delta)\,k\log k. \]

预备：先把记号从零讲清

本章用到大量分析数论的"行话"。它们其实都能用高中知识理解，只是写法陌生。下面这一组卡片请先扫一遍，遇到不懂的符号随时回来查。

求和号 $\sum$ 与连乘 $\prod$ $\displaystyle\sum_{x=1}^{P} f(x)$ 读作"对 $x$ 从 $1$ 到 $P$ 求和"，就是 $f(1)+f(2)+\cdots+f(P)$。下标写条件（如 $\sum_{(a,q)=1}$）表示"只对满足该条件的项求和"。这和高中数列求和完全是一回事，只是项可以是复数。

复指数 $e(\alpha)=e^{2\pi i\alpha}$

这是全章的主角，务必弄懂。这里 $i$ 是虚数单位（$i^2=-1$），$\pi$ 是圆周率。由欧拉公式 \[ e^{i\theta}=\cos\theta+i\sin\theta, \] 所以 \[ e(\alpha)=e^{2\pi i\alpha}=\cos(2\pi\alpha)+i\sin(2\pi\alpha). \] 它是一个模长为 $1$ 的复数，落在复平面的单位圆上。当 $\alpha$ 增加 $1$，角度 $2\pi\alpha$ 增加 $2\pi$，转回原处——所以 $e(\alpha)$ 只看 $\alpha$ 的小数部分，是个周期为 $1$ 的函数。两条最常用的性质：

$e(\alpha)\,e(\beta)=e(\alpha+\beta)$（指数相加，对应角度相加）；
$|e(\alpha)|=1$（模长恒为 $1$）。

$e(\alpha)$ 是单位圆上一个点：$\alpha$ 增大就沿圆逆时针匀速转，转满一圈对应 $\alpha$ 增加 $1$。整个圆法的"圆"指的就是这个单位圆。

定积分 $\int_0^1$ 与正交关系

$\int_0^1 g(\alpha)\,d\alpha$ 就是高中学的定积分（函数图象与横轴之间的"带符号面积"），这里被积函数取复值，把实部虚部分别积分即可。本章反复用到一条正交关系：对任意整数 $m$， \[ \int_0^1 e(m\alpha)\,d\alpha=\begin{cases}1,&m=0,\\[2pt]0,&m\neq 0.\end{cases} \] 为什么？当 $m=0$ 时被积函数恒为 $1$，积分得 $1$；当 $m\neq0$ 时 $e(m\alpha)$ 在 $[0,1]$ 上正好转 $|m|$ 整圈，正负抵消，面积为 $0$。直接算：$\int_0^1 e^{2\pi i m\alpha}d\alpha=\big[\tfrac{e^{2\pi i m\alpha}}{2\pi i m}\big]_0^1=\tfrac{e^{2\pi i m}-1}{2\pi i m}=0$，因为 $e^{2\pi i m}=1$。这条关系是圆法的总开关：它能从一大堆 $e(\cdot)$ 之和里，精确"挑出"指数为 $0$ 的那一项。

大 $O$ 与 $\ll,\ \gg$ 记号

这是"略去常数、只看增长速度"的速记。

$f=O(g)$（读作"$f$ 是大 O 的 $g$"）意思是：存在一个与变量无关的常数 $C>0$，使 $|f|\le C\,g$ 恒成立。即 $f$ 的大小被 $g$ 的某个倍数压住。
$f\ll g$ 与 $f=O(g)$ 完全同义（Vinogradov 记号）。
$f\gg g$ 表示 $g\ll f$，即 $f\ge c\,g$（$f$ 至少是 $g$ 的某个正倍数）。
同时 $f\ll g$ 且 $f\gg g$，就说 $f$ 与 $g$ 同阶。

例：$3n^2+5n=O(n^2)$，因为 $3n^2+5n\le 8n^2$。本章里这些常数 $C$ 允许依赖 $k$（但不依赖 $P,N$ 这些"趋于无穷"的量），这一点很关键。符号 $\varepsilon$ 表示"任意小的正数"，$P^\varepsilon$ 用来吸收像 $\log P$ 这样增长极慢的因子。

渐近 $\sim$、到最近整数的距离 $\Vert x\Vert$、整数部分 $[x]$

$f\sim g$（当 $X\to\infty$）表示 $f/g\to 1$，即两者比值趋于 $1$，"几乎相等"。
$\Vert x\Vert$ 表示 $x$ 到离它最近的整数的距离，例如 $\Vert 2.3\Vert=0.3,\ \Vert 2.8\Vert=0.2$，总有 $0\le\Vert x\Vert\le\tfrac12$。它度量"$x$ 离整数有多近"。
$[x]$ 是下取整（不超过 $x$ 的最大整数），如 $[3.7]=3$。

同余、互素 $(a,q)=1$、欧拉函数 $\varphi$

$a\equiv b\pmod q$ 表示 $a-b$ 能被 $q$ 整除（"$a,b$ 除以 $q$ 余数相同"）。这是初中"被几整除"的精确写法。
$(a,q)$ 表示 $a,q$ 的最大公约数；$(a,q)=1$ 即两者互素（没有大于 $1$ 的公因子）。
欧拉函数 $\varphi(q)$ 表示 $1,2,\dots,q$ 中与 $q$ 互素的数的个数（本章在"奇异级数"里间接用到）。

几个一会儿要登场的"角色"

$T(\alpha)=\sum_{x=1}^{P}e(\alpha x^k)$: 生成函数（指数和）：把 $1^k,2^k,\dots,P^k$ 都"挂"到单位圆上。它的 $s$ 次幂展开后，指数恰好是各种 $k$ 次幂之和，这正是华林问题需要的。
$S_{a,q}=\sum_{z=1}^{q}e(az^k/q)$: 一个完整指数和（高斯和的推广），只跟模 $q$ 的算术有关，反映"$k$ 次幂模 $q$ 的分布"。
$I(\beta)=\int_0^P e(\beta\xi^k)\,d\xi$: 奇异积分的雏形，是把 $T$ 里的求和换成积分得到的连续版本。
$\mathfrak{S}(M)$: 奇异级数：把所有 $q$ 的 $S_{a,q}$ 贡献加起来，是一个反映"模任意数都无障碍"的正因子。
$\mathfrak{M}$（主弧）/ $\mathfrak{m}$（次弧）: 把区间 $[0,1]$ 切成两部分：靠近"分母小的分数 $a/q$"的一小段段叫主弧，其余叫次弧。

先看圆法的总思路（务必理解）

设我们想数：$N$ 写成 $s$ 个 $k$ 次幂之和 $x_1^k+\cdots+x_s^k=N$（每个 $1\le x_j\le P$）共有几种方法。把 \[ T(\alpha)^s=\Big(\sum_{x=1}^{P}e(\alpha x^k)\Big)^s=\sum_{x_1}\cdots\sum_{x_s}e\big(\alpha(x_1^k+\cdots+x_s^k)\big) \] 乘上 $e(-N\alpha)$ 再沿 $[0,1]$ 积分。由上面的正交关系，只有 $x_1^k+\cdots+x_s^k=N$ 的那些项积出 $1$，其余积出 $0$。于是 \[ \int_0^1 T(\alpha)^s e(-N\alpha)\,d\alpha=\#\{(x_1,\dots,x_s):x_1^k+\cdots+x_s^k=N\}. \] 这就把"数解的个数"变成了"算一个积分"。剩下的全部工作，就是估这个积分——把 $[0,1]$ 切成主弧（贡献主项，给出正的下界）和次弧（贡献误差，要证明它小）。本章就是这条路线的一次精彩演出。

第 1 段：$G(k)$ 的定义与最朴素的上下界

译文：数 $G(k)$ 被（Hardy 和 Littlewood）定义为具有如下性质的最小的 $s$ 值：每个充分大的整数 $N$ 都可以表示为 $s$ 个正整数 $k$ 次幂之和。由定理 4.1 和定理 5.1，我们已经知道 $G(k)\le 2^k+1$。从相反的方向看，由密度方面的考虑容易推出 $G(k)\ge k+1$；事实上，满足 \[ x_1^k+\cdots+x_k^k\le X,\quad 0

这一段在讲什么：先把研究对象 $G(k)$ 定义清楚，再说它现成已知的两道"夹板"——上界 $2^k+1$ 和下界 $k+1$（以及更精细的 $\Gamma(k)$）。

$G(k)$ 到底是什么

"$s$ 个正整数 $k$ 次幂之和"指的是形如 $x_1^k+x_2^k+\cdots+x_s^k$（$x_j\ge1$）的数。$G(k)$ 定义为：使得所有足够大的 $N$ 都能这样表示的最小个数 $s$。注意两个关键词：

"充分大的"——允许有限个小的例外数不能表示，只要求大的都行。这正是 $G(k)$ 与另一个量 $g(k)$（要求所有正整数都能表示）的区别。$g(k)$ 常被几个特殊小数"绑架"而偏大；$G(k)$ 才真正反映问题的本质难度。
"最小的 $s$"——少于这个数就一定有大整数表示不出来。

上界 $G(k)\le 2^k+1$ 从哪来：这是前几章（定理 4.1、5.1）已经证过的结论，用的正是上面说的圆法：取 $s=2^k+1$ 个变量，能保证次弧误差被华的不等式压住、主弧给出正的主项，于是大整数都有表示。本章的目标，是当 $k$ 很大时把这个上界从指数级的 $2^k$ 大幅降到 $k\log k$ 级别。

下界 $G(k)\ge k+1$ 的"密度"论证——把省略补全：原文说"容易看出"个数渐近于 $\gamma X$ 且 $\gamma<1$。我们把它说透。

数有序组的个数。考虑所有满足 $x_1^k+\cdots+x_k^k\le X$ 且 \(0
用体积（重积分）估格点数。当 $X$ 很大时，格点个数近似等于区域 \[ \{(t_1,\dots,t_k):\ t_1^k+\cdots+t_k^k\le X,\ 0
体积正比于 $X$。作伸缩 $t_j=X^{1/k}u_j$，则约束变成 $u_1^k+\cdots+u_k^k\le1$，每个 $t_j$ 提供一个 $X^{1/k}$ 因子，$k$ 个变量共提供 $(X^{1/k})^k=X$。所以体积 $=\gamma X$，其中 $\gamma$ 是单位区域 $\{u_1^k+\cdots\le1,\ u_1\le\cdots\le u_k\}$ 的体积，一个只依赖 $k$ 的固定正常数，且 $\gamma<1$。
对比"目标数"的个数得出结论。于是不超过 $X$、能写成 $\le k$ 个 $k$ 次幂之和的数，至多约 $\gamma X$ 个（$\gamma<1$）。但 $\le X$ 的正整数有 $X$ 个。既然 $\gamma X必有正比例（约 \((1-\gamma)X$ 个）的整数表示不成 $k$ 个 $k$ 次幂之和，而且这种数要多少有多少（$X$ 越大越多）。所以 $s=k$ 不够，$G(k)\ge k+1$。

$\Gamma(k)$ 与"同余障碍"

有时候问题"卡"在模某个数上：比如模 $8$ 时，任何完全平方数只能是 $0,1,4$，于是 $7$ 个奇平方相加也凑不出某些余数，这就给出比"密度"更强的下界。$\Gamma(k)$（第 4 章定义）正是把所有这类同余障碍综合起来得到的下界，故 $G(k)\ge\Gamma(k)$。直观上：哪怕"实数层面"能凑出，只要"模某个数"凑不出，整数表示就不存在。

第 2 段：Vinogradov 定理与它的历史地位

译文：当 $k$ 较大时，对 $G(k)$ 存在更好的上界。1934 年 Vinogradov 证明了当 $k>k_0(\delta)$ 时 $G(k)<(6+\delta)k\log k$，其中 $\delta$ 是任意小的正数。我们现在给出该证明的一个阐述（主要依据 Heilbronn）。系数 $6$ 后来被 Vinogradov 于 1947 年改进为 $3$，但证明较难。

这一段在讲什么：交代本章主定理的出处、数值以及在历史上的分量。

历史脉络（为什么这是里程碑）

问题起点（1770）：Edward Waring 猜测每个 $k$ 都有一个固定的 $g(k)$，使所有正整数是 $g(k)$ 个 $k$ 次幂之和（如 $g(2)=4$：四平方和定理）。Hilbert 在 1909 年证明了 $g(k)$ 的存在性，但给出的界极其粗糙。
圆法登场（1920s）：Hardy 与 Littlewood 发明圆法，引入了我们正在用的 $G(k)$，并得到 $G(k)\le (k-2)2^{k-1}+5$ 一类指数级上界——当 $k$ 大时这非常弱。
Vinogradov 的突破（1934）：他把上界从指数级 $2^k$ 一举降到多项式对数级 $k\log k$，即本章的 $G(k)<(6+\delta)k\log k$。这是 20 世纪解析数论的标志性成果：指数和的"光滑化"与双线性和方法从此成为主流武器。
后续：1947 年他自己把 $6$ 改进到 $3$；如今已知 $G(k)\le k(\log k+\log\log k+O(1))$（Wooley 等）。本章选讲 $6$ 的版本，因为它最能清晰展示方法的骨架。

读懂 $(6+\delta)k\log k$ 与 $k>k_0(\delta)$

这里 $\log$ 是自然对数（以 $e$ 为底）。式子说：系数可以无限逼近 $6$，代价是 $k$ 要足够大——$k_0(\delta)$ 是一个只依赖 $\delta$ 的门槛，$\delta$ 越小门槛越高。这是分析里典型的"$\varepsilon$–$N$ 式"说法：结论对大 $k$ 成立，把开头有限个小 $k$ 排除在外。Heilbronn 是把 Vinogradov 较难读的原证整理清楚的人，本章正文沿用他的叙述。

第 3 段：为什么旧的主弧不够用，需要新工具

译文：读者记得第 4 章把 $\alpha$ 的积分区间分为主弧和次弧，主弧由那些容许有理逼近 $a/q$（\(q\le P^\delta,\ |\alpha-a/q|

这一段在讲什么：这是全章的"战略说明"。作者解释：以前用 $s=2^k$ 个变量时，华的不等式很猛，主弧可以取得又少又短；但现在我们想用少得多的变量（只有 $4k$ 个 $T$），次弧上没那么多"本钱"了，所以必须把主弧上对 $T(\alpha)$ 的逼近做得更精细。这就引出第一件新工具。

"节省 $P^k$"是什么意思

$T(\alpha)$ 有 $P$ 项，每项模长 $1$，所以平凡上界 $|T(\alpha)|\le P$，于是 $|T|^{2^k}\le P^{2^k}$，积分平凡估计 $\le P^{2^k}$。但华的不等式（引理 3.2）给出 \[ \int_0^1|T(\alpha)|^{2^k}d\alpha\ll P^{2^k-k+\varepsilon}, \] 比平凡估计小了一个 $P^k$ 因子——这就是"节省了几乎 $P^k$"。本质原因：$T(\alpha)$ 在大部分 $\alpha$ 上远小于 $P$，只有在主弧附近才接近 $P$。变量越多，这种节省越能压住次弧；变量少了，就得另想办法在主弧上把 $T$ 算得更准。

主弧是围绕分母小的分数 $a/q$ 的一些极窄区间（红条），合起来很短；剩下的几乎整个 $[0,1]$ 都是次弧。主弧给主项，次弧给误差。

"用积分代替求和"——核心动机

$T(\alpha)=\sum_x e(\alpha x^k)$ 是离散求和，难算；而积分 $\int e(\alpha\xi^k)d\xi$ 是连续的，可以用换元、特殊函数算出干净的封闭形式。当 $\alpha$ 靠近 $a/q$ 时，相邻项 $e(\alpha x^k)$ 变化很"平缓"，求和与积分几乎相等。van der Corput 引理就是把这个"几乎相等"精确化：在导数受控的条件下，求和等于积分加一个 $O(1)$ 的小误差。这正是我们需要的、比第 4 章粗糙办法精细得多的逼近。

引理 9.1（van der Corput）：把求和精确换成积分

引理 9.1.（van der Corput）设 $f(x)$ 是实函数，在 $A\le x\le B$ 上二次可微，且在此区间内 \[ 0\le f'(x)\le\tfrac12,\qquad f''(x)\ge0. \] 那么 \[ \sum_{A\le n\le B}e(f(n))=\int_A^B e(f(x))\,dx+O(1). \]

先读懂条件与结论

$f'(x)\in[0,\tfrac12]$：相位 $f$ 增长很慢，相邻整点处 $e(f(n))$ 转过的角度不超过半圈，不会剧烈震荡——这是"求和≈积分"的关键。
$f''(x)\ge0$：$f'$ 单调不减（$f$ 是凸的），保证后面用单调性论证。
结论里 $O(1)$ 表示误差被一个绝对常数压住（与 $A,B,f$ 无关，下面会算出 $<2/\pi$）。也就是说，无论区间多长，"和"与"积分"只差一个有界的量。

证. 第一步：化简到方便的情形。只需对 $A,B$ 为整数、$A实数。既然差是实数，等式两边都可以只取实部，即把 \(e(f(x))$ 换成 $\cos(2\pi f(x))$。

为什么能"只取实部"记 $D=\sum'-\int$（复数）。乘以 $e(c)$ 后 $D$ 变成 $e(c)D$，适当选 $c$ 可使 $e(c)D$ 为实数（任何复数乘以一个合适的单位复数都能转到实轴上）。对实数而言，"它有界"等价于"它的实部有界"，而实部对应把 $e(\cdot)=\cos+i\sin$ 换成 $\cos$。于是问题简化为只处理 $\cos$。

第二步：欧拉–麦克劳林一格——单格分部积分。令锯齿函数 $\Psi(x)=x-[x]-\tfrac12$。对任意整数 $m$ 与可微函数 $F$， \[ \int_m^{m+1}\Psi(x)F'(x)\,dx=\tfrac12\{F(m+1)+F(m)\}-\int_m^{m+1}F(x)\,dx. \tag{$\ast$} \] 逐步验证（$\ast$）：

在区间 $(m,m+1)$ 上 $[x]=m$，故 $\Psi(x)=x-m-\tfrac12$。
对 $\int_m^{m+1}(x-m-\tfrac12)F'(x)dx$ 用分部积分（$u=x-m-\tfrac12,\ dv=F'dx$）： \[ =\Big[(x-m-\tfrac12)F(x)\Big]_m^{m+1}-\int_m^{m+1}F(x)\,dx. \]
边界项：上端 $x=m+1$ 时 $x-m-\tfrac12=\tfrac12$，下端 $x=m$ 时 $=-\tfrac12$。代入得 $\tfrac12 F(m+1)-(-\tfrac12)F(m)=\tfrac12\{F(m+1)+F(m)\}$，正是（$\ast$）。

第三步：拼成梯形求和公式。把（$\ast$）对 $m=A,A+1,\dots,B-1$ 求和。右边第一项 $\sum_{m=A}^{B-1}\tfrac12\{F(m{+}1){+}F(m)\}$ 是经典的梯形和：每个内部整点 $F(n)$（\(A

第四步：把锯齿展成傅里叶级数。对任意非整数 $x$，锯齿波有展开 \[ \Psi(x)=-\sum_{\nu=1}^{\infty}\frac{\sin2\pi\nu x}{\pi\nu}. \] 这是 $\Psi$（周期 $1$ 的奇函数）的傅里叶正弦级数，是标准结果。代入并交换求和与积分（由级数有界收敛，交换合法）： \[ I=-\sum_{\nu=1}^{\infty}\frac{1}{\nu\pi}\int_A^B(\sin2\pi\nu x)\big(\cos(2\pi f(x))\big)'\,dx. \]

锯齿函数 $\Psi(x)=x-[x]-\tfrac12$ 是什么

$x-[x]$ 是 $x$ 的小数部分，在 $0$ 到 $1$ 间锯齿状上升；减去 $\tfrac12$ 把它居中到 $[-\tfrac12,\tfrac12)$，平均值为 $0$。它周期为 $1$，在每个整数处跳变。傅里叶级数把这种锯齿写成无穷个正弦波之和——这样就能把含 $\Psi$ 的积分逐项处理。

锯齿波 $\Psi$：周期 $1$，幅度 $\pm\tfrac12$，整数处跳变；平均值为 $0$，故可展成纯正弦级数。

第五步：把积分整理成一个干净形状。注意 $\big(\cos(2\pi f)\big)'=-2\pi f'\sin(2\pi f)$，代入上式，常数 $-2\pi$ 与前面的 $-\tfrac1{\nu\pi}$ 合并出系数 $\tfrac{2}{\nu}$： \[ I=2\sum_{\nu=1}^{\infty}\frac1\nu\int_A^B(\sin2\pi\nu x)\,(\sin2\pi f(x))\,f'(x)\,dx. \] 再用积化和差 $2\sin A\sin B=\cos(A-B)-\cos(A+B)$（这里 $A=2\pi\nu x,\ B=2\pi f$）： \[ I=\sum_{\nu=1}^{\infty}\frac1\nu\int_A^B f'(x)\Big\{\cos\!\big(2\pi(\nu x-f)\big)-\cos\!\big(2\pi(\nu x+f)\big)\Big\}dx. \] 现在只要对每个 $\nu$、每个符号 $\pm$，证明单个积分小即可。

第六步：单个积分的估计——核心不等式。我们证 \[ \left|\int_A^B f'(x)\cos\!\big(2\pi(\nu x\pm f)\big)dx\right|<\frac{1}{\pi(2\nu-1)}. \tag{$\dagger$} \] 把被积函数改写：令 $\phi(x)=\sin\!\big(2\pi(\nu x\pm f)\big)$，则 $\phi'(x)=2\pi(\nu\pm f')\cos\!\big(2\pi(\nu x\pm f)\big)$。于是 \[ f'\cos\!\big(2\pi(\nu x\pm f)\big)=\frac{1}{2\pi}\cdot\frac{f'}{\nu\pm f'}\cdot\phi'(x), \] 积分变成 $\dfrac1{2\pi}\displaystyle\int_A^B\dfrac{f'}{\nu\pm f'}\,\phi'\,dx$。这是"单调函数 × 振荡导数"的标准形状，用第二中值定理处理。

振荡因子 $\phi'$ 的积分有界。$\displaystyle\int_a^b\phi'\,dx=\phi(b)-\phi(a)$，而 $\phi=\sin(\cdots)\in[-1,1]$，故任意上下限之间 $|\int\phi'|\le 2$。
单调因子 $g=\dfrac{f'}{\nu\pm f'}$ 单调。求导：$g'=\dfrac{\nu f''}{(\nu\pm f')^2}\ge0$（因 $f''\ge0,\ \nu\ge1$）。所以 $g$ 关于 $x$ 单调不减。
单调因子的最大值 $\le\dfrac1{2\nu-1}$。因为 $f'\in[0,\tfrac12]$，把 $g$ 看成 $f'$ 的函数：$g=\dfrac{t}{\nu\pm t}$（$t=f'\in[0,\tfrac12]$）关于 $t$ 递增，最大在 $t=\tfrac12$。取 $+$：$\dfrac{1/2}{\nu+1/2}=\dfrac1{2\nu+1}$；取 $-$：$\dfrac{1/2}{\nu-1/2}=\dfrac1{2\nu-1}$。两者都 $\le\dfrac1{2\nu-1}$。
合起来用第二中值定理。对单调的 $g$ 与积分有界的 $\phi'$，有 $\big|\int_A^B g\,\phi'\,dx\big|\le \max|g|\cdot 2$（第二中值定理把积分压到一个端点处的 $g$ 值乘以一段 $\phi'$ 积分）。于是 \[ \left|\frac1{2\pi}\int_A^B g\,\phi'\,dx\right|\le\frac1{2\pi}\cdot\frac1{2\nu-1}\cdot2=\frac1{\pi(2\nu-1)}, \] 即（$\dagger$）成立。

第七步：对 $\nu$ 求和收尾。第 $\nu$ 项是两个 cos 积分之差 $\frac1\nu\int f'\{\cos(2\pi(\nu x-f))-\cos(2\pi(\nu x+f))\}dx$，由（$\dagger$）每个积分的绝对值都 $<\tfrac1{\pi(2\nu-1)}$（其中"$+$"号那个由第六步还更小，$<\tfrac1{\pi(2\nu+1)}$）。按书中的写法逐项相加： \[ |I|<\frac1\pi\sum_{\nu=1}^{\infty}\frac{1}{\nu(2\nu-1)}<\frac2\pi. \] 为什么级数 $<2$：首项 $\nu=1$ 是 $\tfrac1{1\cdot1}=1$，其余 $\tfrac1{\nu(2\nu-1)}<\tfrac1{\nu(2\nu-2)}=\tfrac1{2\nu(\nu-1)}$ 可与收敛级数比较，总和 $=2\ln2\approx1.386<2$。于是 $|I|<\tfrac2\pi$，是个绝对常数，即 $I=O(1)$。引理 9.1 证毕。∎

一句话总结引理 9.1 只要相位走得够慢（$0\le f'\le\tfrac12$）且凸（$f''\ge0$），离散的 $\sum e(f(n))$ 就等于连续的 $\int e(f(x))dx$，误差不超过 $\tfrac2\pi$。这把"难算的和"变成"好算的积分"。

主弧 $\mathfrak{M}_{a,q}$ 的定义与生成函数 $T(\alpha)$

译文：我们为本章定义主弧 $\mathfrak{M}_{a,q}$，由满足 \[ (a,q)=1,\quad 1\le a\le q,\quad q\le P^{1/2},\quad |q\alpha-a|<\frac{1}{2kP^{k-1}} \tag{9.1}\] 的区间组成。如第 2 章，定义 $T(\alpha)=\sum_{x=1}^{P}e(\alpha x^k)$。

这一段在讲什么：正式划定"主弧"——即 $[0,1]$ 里靠近某个分母 $q\le P^{1/2}$ 的既约分数 $a/q$ 的那些极窄区间；同时重申主角生成函数 $T(\alpha)$。

逐条读 (9.1)

$(a,q)=1,\ 1\le a\le q$: $a/q$ 是既约分数，分子在 $1$ 到 $q$ 之间。这样每个有理点 $a/q$ 只数一次。
$q\le P^{1/2}$: 只取分母不太大的分数作主弧中心。分母越小的分数，$T(\alpha)$ 在其附近越接近峰值 $P$。
$|q\alpha-a|<\dfrac1{2kP^{k-1}}$: 等价于 $\big|\alpha-\dfrac aq\big|<\dfrac1{2kqP^{k-1}}$，即 $\alpha$ 离中心 $a/q$ 的距离极小（$P$ 大时窄得可怕）。这就是主弧的"半径"。

所有这些小区间的并集记作 $\mathfrak{M}$（主弧全体）；$[0,1]$ 中剩下的部分记作 $\mathfrak{m}$（次弧）。

再看 $T(\alpha)=\sum_{x=1}^{P}e(\alpha x^k)$

把 $x=1,2,\dots,P$ 的 $k$ 次幂 $x^k$ 当相位挂到单位圆上求和。当 $\alpha$ 是整数时所有项都等于 $1$，$T=P$（峰值）；当 $\alpha$ 一般时各项方向杂乱、互相抵消，$|T|$ 远小于 $P$。主弧正是 $T$ 接近峰值、贡献主项之处。这里取上限 $P$，是因为我们要表示的 $N\sim P^k$，每个底数最大约 $N^{1/k}\approx P$。

引理 9.2：主弧上 $T(\alpha)$ 的精确逼近

引理 9.2. 对 $\mathfrak{M}_{a,q}$ 中的 $\alpha$，有 \[ T(\alpha)=q^{-1}S_{a,q}\,I(\beta)+O(q), \tag{9.2}\] 记号同第 4 章（$\beta=\alpha-a/q$）。

这一段在讲什么：把主弧上的 $T(\alpha)$ 拆成两部分相乘：一个算术因子 $q^{-1}S_{a,q}$（只跟 $q$ 的同余结构有关）乘上一个分析因子 $I(\beta)$（连续积分），再加一个不大的误差 $O(q)$。这正是圆法主弧分析的标准形态。

证. 第一步：按模 $q$ 的余数分类求和。令 $x=qy+z$（$z$ 是余数，$1\le z\le q$；$y$ 是商）。把 $\alpha=\dfrac aq+\beta$ 代入相位： \[ \alpha x^k=\Big(\frac aq+\beta\Big)(qy+z)^k. \] 关键观察：$(qy+z)^k\equiv z^k\pmod q$（二项式展开后除首项 $z^k$ 外每项都含 $q$ 因子），故 $\dfrac aq(qy+z)^k=\dfrac{a z^k}{q}+(\text{整数})$。由 $e(\text{整数})=1$， \[ e(\alpha x^k)=e\!\Big(\frac{az^k}{q}\Big)\,e\!\big(\beta(qy+z)^k\big). \] 于是 \[ T(\alpha)=\sum_{z=1}^{q}e\!\Big(\frac{az^k}{q}\Big)\sum_{y}e\!\big(\beta(qy+z)^k\big), \] 内和对满足 \(0

第二步：验证内和满足 van der Corput 条件。令 $f(y)=\beta(qy+z)^k$。则（设 $\beta>0$） \[ f'(y)=k\beta q(qy+z)^{k-1}. \] 因为 $qy+z\le P$，$(qy+z)^{k-1}\le P^{k-1}$；又由 (9.1)，$|\beta|<\dfrac1{2kqP^{k-1}}$。代入： \[ f'(y)恰好满足引理 9.1 的两个条件 $0\le f'\le\tfrac12,\ f''\ge0$。（若 $\beta<0$，对复共轭和同样适用，因为 $\overline{e(f)}=e(-f)$，$-f$ 满足条件。）

第三步：用引理 9.1 把内和换成积分。 \[ \sum_y e\big(\beta(qy+z)^k\big)=\int e\big(\beta(q\eta+z)^k\big)\,d\eta+O(1). \] 对积分作换元 $\xi=q\eta+z$（$d\xi=q\,d\eta$）：$\displaystyle\int e(\beta(q\eta+z)^k)d\eta=\frac1q\int e(\beta\xi^k)d\xi=\frac1q I(\beta)$，其中 $I(\beta)=\int_0^P e(\beta\xi^k)d\xi$（积分上下限的小偏差并入误差）。

第四步：合并。代回外和： \[ T(\alpha)=\sum_{z=1}^q e\!\Big(\frac{az^k}{q}\Big)\Big[\frac1q I(\beta)+O(1)\Big] =\frac1q\,I(\beta)\underbrace{\sum_{z=1}^q e\!\Big(\frac{az^k}{q}\Big)}_{=\,S_{a,q}}+\;\underbrace{O(q)}_{q\text{ 个 }O(1)}. \] 即 $T(\alpha)=q^{-1}S_{a,q}I(\beta)+O(q)$，得 (9.2)。∎

注. (9.1) 中条件 $q\le P^{1/2}$ 在证明中并未用到——但当然，若允许 $q$ 接近 $P$ 那么大，结果就失去价值。

解读这条注：证明里真正用到的只是 $|\beta|$ 的上界（让 $f'\le\tfrac12$）。$q\le P^{1/2}$ 是为了让误差 $O(q)$ 相对主项足够小（下条引理 9.3 会精确利用）。如果 $q$ 大到接近 $P$，误差 $O(q)$ 就可能淹没主项 $q^{-1}S_{a,q}I(\beta)$，逼近失去意义。这是"为什么这样取参数"的典型例子。

译文（补充逼近）：还有更有效的逼近：若 $q\le P^{1-\delta}$ 且 \(|q\alpha-a|

解读：这是一个更强但更难证的版本（来自 Davenport 的论文），本章主线不用它，只是顺带提及。它把误差从 $O(q)$ 改进到 $O(q^{3/4+\varepsilon})$，而且这个 $3/4$ 与 $k$ 无关——这很反直觉，因为 $k$ 越大问题通常越难。作者点出它，是想让读者知道"主弧逼近还能更精细"，但为保持证明简洁，本章用引理 9.2 的较弱版本就够了。这体现了一种取舍：够用即可，不追求最优。

引理 9.3：主弧积分的下界（带 $M$ 的范围）

引理 9.3. 设 $s\ge4k$。那么，对 \[ \tfrac15P^k\le M\le P^k, \tag{9.3}\] 有 \[ \int_{\mathfrak{M}}T(\alpha)^s\,e(-M\alpha)\,d\alpha\gg P^{s-k}, \tag{9.4}\] 其中 $\mathfrak{M}$ 是主弧 $\mathfrak{M}_{a,q}$ 的全体。

注. 我们想对一个 $M$ 值范围（而非单个数）得到该结果，理由稍后显现：它将省去我们在主弧上对一个相当复杂的指数和作逼近的麻烦。

这一段在讲什么：引理 9.3 说，只要变量个数 $s\ge4k$，主弧上的核心积分就有一个正的下界 $\gg P^{s-k}$，而且对一整段 $M$ 都成立。这个"主项确实是正的、且足够大"是整个圆法成功的命脉——它保证表示数最终为正。"对一个范围的 $M$"这个细节，是为了后面把 $u_1,u_2,y^kv$ 这些变动的量塞进 $M$ 里（见主要思想 (9.5)）。

证. 第一步：把 (9.2) 升到 $s$ 次幂，先备好两块零件的大小。 由引理 6.4，算术因子满足 \[ q^{-1}|S_{a,q}|\ll q^{-1/k}; \] 分析因子满足 \[ I(\beta)\ll\min\!\big(P,\ |\beta|^{-1/k}\big). \] 解释这两条：

$I(\beta)\ll P$ 是平凡的：$|I(\beta)|=\big|\int_0^P e(\beta\xi^k)d\xi\big|\le\int_0^P1\,d\xi=P$。
$I(\beta)\ll|\beta|^{-1/k}$：作换元 $\eta=|\beta|\xi^k$（则 $\xi=(\eta/|\beta|)^{1/k}$，$d\xi=\tfrac1k|\beta|^{-1/k}\eta^{-1+1/k}d\eta$），得 \[ I(\beta)=\frac1k|\beta|^{-1/k}\int_0^{P^k|\beta|}e(\pm\eta)\,\eta^{-1+1/k}\,d\eta. \] 最后那个积分对一切上限都有界（被积函数在 $0$ 附近可积，且振荡使大 $\eta$ 部分收敛），故 $I(\beta)\ll|\beta|^{-1/k}$。两者取小者即 $\min(P,|\beta|^{-1/k})$。

所以 (9.2) 主项的模 $\ll q^{-1/k}\min(P,|\beta|^{-1/k})$。

第二步：误差 $O(q)$ 不超过主项。要证 $q\ll q^{-1/k}\min(P,|\beta|^{-1/k})$，即 $q^{1+1/k}$ 同时 \(

\(q^{1+1/k}

$q^{1+1/k}<|\beta|^{-1/k}$：由 (9.1)，$|\beta|<\dfrac1{2kqP^{k-1}}$，故 $|\beta|^{-1/k}>(2kqP^{k-1})^{1/k}\ge q^{1/k}P^{(k-1)/k}$。又 $q\le P^{1/2}$ 而 $(k-1)/k\ge1/2$，可验 $q^{1+1/k} 所以可写 \[ T(\alpha)^s=(q^{-1}S_{a,q}I(\beta))^s+O\Big\{q\cdot q^{-(s-1)/k}\big(\min(P,|\beta|^{-1/k})\big)^{s-1}\Big\}. \] 为什么是这个误差：设主项 \(\sim M_0$，误差 $\sim q\le|M_0|$，则 $(M_0+E)^s=M_0^s+O(E\,M_0^{s-1})$，代入 $E=q,\ M_0^{s-1}\sim(q^{-1/k}\min)^{s-1}=q^{-(s-1)/k}\min^{s-1}$。

第三步：误差项积分并对 $a,q$ 求和——确认它是低阶。对 $\beta$ 积分（范围可放大到 $(-\infty,\infty)$），用 $\int(\min(P,|\beta|^{-1/k}))^{s-1}d\beta\ll P^{s-1-k}$，得每个 $\mathfrak{M}_{a,q}$ 上误差 $\ll q\cdot q^{-(s-1)/k}P^{s-1-k}=q^{1-(s-1)/k}P^{s-1-k}$。再对 $a$（至多 $q$ 个）与 $q\le P^{1/2}$ 求和： \[ \ll P^{s-1-k}\sum_q q\cdot q^{1-(s-1)/k}=P^{s-1-k}\sum_q q^{2-(s-1)/k}\ll P^{s-k-1}, \] 级数收敛因为指数 $2-\dfrac{s-1}{k}<-1$，即 $s-1>3k$，由 $s\ge4k$ 成立。结论：误差是 $P^{s-k-1}$，比目标 $P^{s-k}$ 低一个 $P$ 因子。

第四步：主项的贡献。主项对 (9.4) 的贡献为 \[ \sum_q\sum_a\big(q^{-1}S_{a,q}\big)^s e(-Ma/q)\int I^s(\beta)e(-M\beta)\,d\beta. \] 把 $\beta$ 积分扩展到 $(-\infty,\infty)$，所添尾部用 $|I|\ll|\beta|^{-1/k}$ 估计： \[ \ll\sum_q q\,q^{-s/k}\int_{(2kq)^{-1}P^{1-k}}^{\infty}\beta^{-s/k}d\beta\ll\sum_q q^{1-s/k}q^{s/k-1}P^{(k-1)(s/k-1)}\ll P^{s-k-s/k+3/2}\ll P^{s-k-1}. \] （用了 $\int_c^\infty\beta^{-s/k}d\beta\sim c^{1-s/k}$，$c=(2kq)^{-1}P^{1-k}$，并对 $P^{1/2}$ 个 $q$ 求和；指数 $-s/k+3/2\le-4+1.5<-1$。）于是尾部也是低阶的。

第五步：算干净的核心积分 $\int I^s e(-M\beta)d\beta$。先作变量替换把 $I$ 标准化：令 $I(\beta)=Pk^{-1}I_1(\beta P^k)$，其中 $I_1(\gamma)=\int_0^1 e(\gamma\eta)\eta^{-1+1/k}d\eta$。 验证：在 $I(\beta)=\int_0^P e(\beta\xi^k)d\xi$ 中令 $\eta=(\xi/P)^k$（即 $\xi=P\eta^{1/k},\ d\xi=\tfrac Pk\eta^{-1+1/k}d\eta$），则 $\beta\xi^k=\beta P^k\eta$， \[ I(\beta)=\frac Pk\int_0^1 e(\beta P^k\eta)\,\eta^{-1+1/k}d\eta=Pk^{-1}I_1(\beta P^k). \] 再令 $\beta=P^{-k}\gamma$（$d\beta=P^{-k}d\gamma$）： \[ \int_{-\infty}^{\infty}I^s(\beta)e(-M\beta)d\beta=P^{s-k}k^{-s}\int_{-\infty}^{\infty}I_1^s(\gamma)e(-\theta\gamma)d\gamma,\qquad \theta=\frac{M}{P^k}\in[\tfrac15,1]. \]

第六步：用傅里叶积分定理算出封闭形式。如定理 4.1 的证明， \[ \int_{-\infty}^{\infty}I_1^s(\gamma)e(-\theta\gamma)d\gamma=\int_0^1\!\!\cdots\!\int_0^1\big\{\zeta_1\cdots\zeta_{s-1}(\theta-\zeta_1-\cdots-\zeta_{s-1})\big\}^{-1+1/k}d\zeta_1\cdots d\zeta_{s-1}, \] 积分区域是 $\zeta_1+\cdots+\zeta_{s-1}<\theta$ 的单纯形。这是一个 Beta/Dirichlet 型积分，算得 \[ \int_{-\infty}^{\infty}I_1^s(\gamma)e(-\theta\gamma)d\gamma=\theta^{s/k-1}\frac{\Gamma(1/k)^s}{\Gamma(s/k)}. \] 因 $\theta\ge\tfrac15$，这是一个正的、与 $P$ 无关的常数（含 $\Gamma$ 函数值），故 \[ \int_{-\infty}^{\infty}I^s(\beta)e(-M\beta)d\beta\gg P^{s-k}. \]

这里的 $\Gamma$ 是伽马函数（别和 $\Gamma(k)$ 同名混淆）

$\Gamma(z)=\int_0^\infty t^{z-1}e^{-t}dt$ 是阶乘的连续推广（$\Gamma(n)=(n-1)!$）。上式的 $\Gamma(1/k)^s/\Gamma(s/k)$ 就是那个"奇异积分"的精确值，是个固定正数。它和第 1 段里"同余障碍"的 $\Gamma(k)$ 毫无关系，只是恰好都用了希腊字母 $\Gamma$。

第七步：奇异级数给出正的算术下界。剩下要给 \[ \sum_{q\le P^{1/2}}\ \sum_{\substack{a=1\$a,q)=1}}^{q}(q^{-1}S_{a,q})^s e(-Ma/q) \] 一个正下界。把它延拓到 \(q=\infty$，所添尾部由 $P$ 的负幂界定（引理 6.4，因 $s\ge4k>2k+1$ 保证级数收敛）。延拓后它就是奇异级数 $\mathfrak{S}(M)$，由定理 6.1 它有一个不依赖 $M$ 的正下界。把第五、六、七步合起来，主项 $\gg P^{s-k}$；与第三、四步的误差 $\ll P^{s-k-1}$ 相比占绝对优势。故 (9.4) 成立。引理 9.3 证毕。∎

为什么"对一个范围的 $M$"如此重要后面 (9.5) 里 $N$ 被拆成"$4k$ 个 $x_j^k$" 加 "$u_1+u_2+y^kv$"。对每一组 $(u_1,u_2,y,v)$，前 $4k$ 个幂要凑的目标其实是 $M=N-u_1-u_2-y^kv$，它随这些变量变化。引理 9.3 对整段 $[\tfrac15P^k,P^k]$ 的 $M$ 一律给出 $\gg P^{s-k}$，于是我们不必为每个 $M$ 单独估计，直接套用即可——这正是"省去对复杂指数和逐一逼近的麻烦"。

证明的主要思想：表示 (9.5)

译文：现在来到证明的主要思想：考虑大数 $N$ 的如下表示 \[ N=x_1^k+\cdots+x_{4k}^k+u_1+u_2+y^k v, \tag{9.5}\] 其中 (i) $1\le x_j\le P$；(ii) $u_1,u_2$ 遍历所有小于 $\tfrac14P^k$ 且可表示为 $\ell$ 个正整数 $k$ 次幂之和的不同的数；(iii) $1\le y\le P^{1/2k}$；(iv) $v$ 遍历小于 $\tfrac14P^{k-1/2}$ 且可表示为 $\ell$ 个 $k$ 次幂之和的不同的数。这样我们把 $N$ 表示为 $4k+3\ell$ 个 $k$ 次幂之和。取 $P=[N^{1/k}]+1$，则 \[ \tfrac15P^k

这一段在讲什么：这是全章的战略核心。直接用 $s$ 个变量 $x_1^k+\cdots+x_s^k=N$ 需要 $s$ 很大才能让圆法奏效。Vinogradov 的妙招是：只用 $4k$ 个"自由幂" $x_j^k$（由引理 9.3 掌控），其余的"凑数"任务交给三个"打包好的零件" $u_1,u_2,y^kv$——它们各自已经是 $\ell$ 个 $k$ 次幂之和。这样总幂数是 $4k+3\ell$，只要 $\ell$ 取成 $\sim2k\log3k$，就得到 $k\log k$ 量级的上界。

逐项理解 (9.5) 的四类零件

$x_1^k+\cdots+x_{4k}^k$（$4k$ 个自由幂）: 对应生成函数 $T(\alpha)^{4k}$，由引理 9.3（$s=4k$）保证主弧贡献为正。这是"主力部队"。
$u_1,u_2$（两个"打包数"，对应 $R(\alpha)$）: 每个 $u$ 本身是 $\ell$ 个 $k$ 次幂之和，且 $<\tfrac14P^k$。"遍历不同的数"意味着我们只关心能凑出多少不同的 $u$，个数越多，表示就越容易出现。
$y^k v$（一个"放大的打包数"，对应 $S(\alpha)$）: $v$ 是 $\ell$ 个 $k$ 次幂之和，乘以 $y^k$ 后 $y^kv=\sum(y w_i)^k$ 仍是 $\ell$ 个 $k$ 次幂之和。引入 $y$ 这个额外乘子，是为了在次弧上获得一个额外的"双线性和"节省（见引理 9.5）。

总幂数：$4k$（来自 $x_j$）$+\ \ell$（$u_1$）$+\ \ell$（$u_2$）$+\ \ell$（$y^kv$）$=4k+3\ell$。所以一旦证明这种表示对大 $N$ 必存在，就得到 $G(k)\le4k+3\ell$。

(9.5) 的分块结构：每块对应一个生成函数（$T,R,S$），积分时三者相乘。把"凑数"任务外包给 $u,v$ 这些预制零件，是把变量数从 $2^k$ 降到 $O(k\log k)$ 的关键。

为什么取 $P=[N^{1/k}]+1$，以及 (9.6) 的完整验证：

这样取保证 $P^k>N$。由 $[N^{1/k}]\le N^{1/k}<[N^{1/k}]+1=P$，两边 $k$ 次方得 $P^k>N$，即 \(N-u_1-u_2-y^kv
三个打包数的总和 $<\tfrac34P^k$。由条件：$u_1<\tfrac14P^k,\ u_2<\tfrac14P^k$；而 $y\le P^{1/2k}\Rightarrow y^k\le P^{1/2}$，$v<\tfrac14P^{k-1/2}$，故 \(y^kv
下界：$N-u_1-u_2-y^kv>N-\tfrac34P^k$。又由取法 $N\ge(P-1)^k$（因 $[N^{1/k}]=P-1\le N^{1/k}$）。当 $N$（从而 $P$）很大时，$(P-1)^k=P^k(1-\tfrac1P)^k\to P^k$，故 $(P-1)^k>0.95\,P^k$。于是 \[ N-u_1-u_2-y^kv>0.95P^k-\tfrac34P^k=0.2P^k=\tfrac15P^k. \] (9.6) 下界成立。
结论。\(\tfrac15P^k

"以后必须用 $k$ 来选取 $\ell$"的含义：$\ell$ 是每个打包数里用的幂数，是我们手里的自由参数。$\ell$ 越大，打包数能凑出的不同值越多（表示越容易存在），但总幂数 $4k+3\ell$ 也越大（上界越差）。后面会精确地把 $\ell$ 取到刚好够用的最小值 $\sim2k\log3k$，这是一次典型的"取舍优化"。

引理 9.4（Hardy–Littlewood）：打包数能凑出多少个

引理 9.4.（Hardy 和 Littlewood）设 $U_\ell(X)$ 表示直到 $X$ 为止、可表示为 $\ell$ 个正整数 $k$ 次幂之和的不同的数的个数。那么，只要 $X>X_0(k,\ell)$，就有 \[ U_\ell(X)\gg X^{1-\lambda^\ell},\qquad \lambda=1-\frac1k. \tag{9.7}\]

这一段在讲什么：这条引理量化了"打包数到底有多丰富"——不超过 $X$ 的、能写成 $\ell$ 个 $k$ 次幂之和的不同数，至少有 $X^{1-\lambda^\ell}$ 个。注意 $\lambda=1-\tfrac1k\in(0,1)$，故 $\lambda^\ell$ 随 $\ell$ 增大迅速趋于 $0$，指数 $1-\lambda^\ell$ 趋于 $1$——意思是"用足够多的幂，几乎每个数都能凑出"。

$\lambda=1-\tfrac1k$ 与 $\lambda^\ell$ 的直觉

每加一个 $k$ 次幂，能凑出的数的"维度"就以因子 $\lambda=1-\tfrac1k$ 的方式逼近满额。$\ell=1$ 时只有完全 $k$ 次幂，稀疏得很（指数 $1-\lambda=\tfrac1k$ 很小）；$\ell$ 一大，$\lambda^\ell=(1-\tfrac1k)^\ell$ 指数式衰减，指数 $1-\lambda^\ell$ 飞快逼近 $1$。例如要让 $\lambda^\ell\approx\tfrac1{Ck^2}$，取 $\ell\approx Ck\log k$ 即可（后面正是这么选）。

证. 对 $\ell$ 用数学归纳法。

奠基 $\ell=1$：能写成"一个 $k$ 次幂"且 $\le X$ 的数就是 $1^k,2^k,\dots$，共 $[X^{1/k}]$ 个，$\gg X^{1/k}=X^{1-\lambda}$（因 $1-\lambda=\tfrac1k$）。成立。

归纳步：设结论对 $\ell-1$ 成立，证它对 $\ell$ 成立。构造形如 $x^k+z$ 的数，其中 \[ \big(\tfrac14X\big)^{1/k}

这些数两两不同。反设 $x_1^k+z_1=x_2^k+z_2$ 且 $x_1>x_2$。则一方面，因 $x_1\ge x_2+1$， \[ x_1^k-x_2^k\ge(x_2+1)^k-x_2^k>kx_2^{k-1}>k\big(\tfrac14X\big)^{(k-1)/k}=k\big(\tfrac14X\big)^{1-1/k}>\tfrac12X^{1-1/k}. \] （最后一步：$k(\tfrac14)^{1-1/k}=\tfrac k4\cdot4^{1/k}\ge\tfrac12$ 对 $k\ge2$成立，例如 $k=2$ 时 $=1$。）
另一方面 $z_2-z_1矛盾。故所有 \(x^k+z$ 互不相同。
计数。$x$ 的取值个数 $\gg X^{1/k}$（区间 $((\tfrac14X)^{1/k},(\tfrac12X)^{1/k})$ 长度正比于 $X^{1/k}$）；对每个 $x$，$z$ 的取值个数为 $U_{\ell-1}\big(\tfrac12X^{1-1/k}\big)$。因各 $x^k+z$ 互不相同，乘起来： \[ U_\ell(X)\gg X^{1/k}\,U_{\ell-1}\big(\tfrac12X^{1-1/k}\big). \]
代入归纳假设。$U_{\ell-1}(Y)\gg Y^{1-\lambda^{\ell-1}}$，取 $Y=\tfrac12X^{1-1/k}$： \[ U_\ell(X)\gg X^{1/k}\cdot X^{(1-1/k)(1-\lambda^{\ell-1})}=X^{\frac1k+\lambda(1-\lambda^{\ell-1})}=X^{\frac1k+\lambda-\lambda^\ell}. \] 而 $\tfrac1k+\lambda=\tfrac1k+(1-\tfrac1k)=1$，故指数 $=1-\lambda^\ell$，得 $U_\ell(X)\gg X^{1-\lambda^\ell}$。归纳完成。∎

归纳构造的几何图景：不同的 $x^k$ 相隔很远（$>\tfrac12X^{1-1/k}$），而 $z$ 的"摆动幅度"很小（$<\tfrac12X^{1-1/k}$），所以不同 $(x,z)$ 给出的 $x^k+z$ 不会撞车。个数相乘即得递推。

注. 对一般 $k$，没有比 (9.7) 实质更好的结果，任何真正改进都有意义。对小 $k$ 有更好结果（见 Davenport 的论文）。

解读：(9.7) 是这套方法里相对"粗"的一环，至今仍是瓶颈之一。改进它就能改进 $G(k)$ 的上界——这也解释了为什么后来人们能把系数从 $6$ 降到 $3$ 再继续降：很大程度靠把这类计数与指数和估计做得更精细。

引理 9.4 的推论：把计数翻译成积分估计 $R(\alpha)$

推论. 设 \[ R(\alpha)=\sum_{u<\frac14P^k}e(\alpha u), \tag{9.8}\] 其中 $u$ 遍历可表示为 $\ell$ 个 $k$ 次幂之和的不同的数。那么 \[ \int_0^1|R(\alpha)|^2\,d\alpha=R(0)\ll P^{-k(1-\lambda^\ell)}R^2(0). \tag{9.9}\]

这一段在讲什么：把"打包数有多少个"这个计数事实，翻译成圆法需要的积分语言。$R(\alpha)$ 是打包数 $u$ 的生成函数；$\int_0^1|R|^2$ 恰好等于打包数的个数 $R(0)$，而引理 9.4 又告诉我们这个个数很大，于是 $\int|R|^2$ 相对 $R(0)^2$ 很小——这正是次弧估计要用的"节省"。

证.

$\int_0^1|R|^2d\alpha=R(0)$。展开 $|R(\alpha)|^2=R(\alpha)\overline{R(\alpha)}=\sum_u\sum_{u'}e(\alpha(u-u'))$。逐项积分，用正交关系 $\int_0^1e(\alpha(u-u'))d\alpha=[u=u']$：只有 $u=u'$ 的对角项存活，每项积出 $1$，共有"$u$ 的个数"项。故积分 $=\#\{u\}=R(0)$（因 $R(0)=\sum_u e(0)=\sum_u1$ 就是项数）。这对任意一组不同整数的指数和都成立。
$R(0)\gg P^{k(1-\lambda^\ell)}$。$R(0)=U_\ell(\tfrac14P^k)$，由引理 9.4，$\gg(\tfrac14P^k)^{1-\lambda^\ell}\gg P^{k(1-\lambda^\ell)}$。
合并。把 $\int|R|^2=R(0)$ 写成 $\dfrac{R(0)^2}{R(0)}$，再用第 2 步的 $\dfrac1{R(0)}\ll P^{-k(1-\lambda^\ell)}$： \[ \int_0^1|R|^2d\alpha=R(0)=\frac{R^2(0)}{R(0)}\ll P^{-k(1-\lambda^\ell)}R^2(0). \] 得 (9.9)。∎

注. 用 $R(0)$ 表示项数很方便。平凡估计是 $R^2(0)$，与之相比我们在 $P$ 的指数上节省了 $k(1-\lambda^\ell)$。我们最终选 $\ell$ 使 $\lambda^\ell$（即 $(1-1/k)^\ell$）约为 $1/Ck^2$，节省约为 $k-1/Ck$。当 $\alpha$ 在次弧 $\mathfrak{m}$ 时，还需多节省一些（比 $1/Ck$ 更多），这由对应于 $y^kv$ 的指数和的估计来实现。该估计依赖下面这条非常一般的引理。

把这条关键的"注"讲透：

平凡估计是什么。对任意 $R(\alpha)$，$|R(\alpha)|\le R(0)$（项数），故 $\int_0^1|R|^2\le R(0)^2$。这是"什么都不用就有"的上界。
我们实际省了多少。(9.9) 给出 $\int|R|^2\ll P^{-k(1-\lambda^\ell)}R^2(0)$，比平凡估计小了 $P^{k(1-\lambda^\ell)}$ 倍，即在 $P$ 的指数上省了 $k(1-\lambda^\ell)$。这来自"打包数很多、很密"，所以 $R(\alpha)$ 在大部分 $\alpha$ 上不大。
为什么把 $\lambda^\ell$ 调到约 $1/Ck^2$。此时节省量 $k(1-\lambda^\ell)\approx k(1-\tfrac1{Ck^2})=k-\tfrac1{Ck}$，即"几乎省满 $k$，只差一点点 $\tfrac1{Ck}$"。把 $(1-\tfrac1k)^\ell\approx\tfrac1{Ck^2}$ 取对数解出 $\ell\approx Ck\log k$ 量级——这正是 $\ell\sim2k\log3k$ 的来历。
还差的那一点由谁补。次弧上仅靠 $R$ 还差一口气（差 $\tfrac1{Ck}$），这缺口由第三个零件 $y^kv$ 的生成函数 $S(\alpha)$ 的额外节省补上。$S$ 的估计就是下面 Vinogradov 引理 9.5 的用武之地。

引理 9.5（Vinogradov）：双线性和的威力

引理 9.5.（Vinogradov）设 $x$ 遍历含于长度 $X$ 区间内的 $X_0$ 个不同整数，$y$ 遍历含于长度 $Y$ 区间内的 $Y_0$ 个不同整数。设 $\alpha=a/q+O(q^{-2})$，其中 $(a,q)=1,\ q>1$。那么 \[ \Big|\sum_x\sum_y e(\alpha xy)\Big|^2\ll X_0Y_0\,\frac{\log q}{q}(q+X)(q+Y). \tag{9.10}\]

这一段在讲什么：这是 Vinogradov 方法的"心脏"。它处理的是双线性和 $\sum_x\sum_y e(\alpha xy)$——相位 $\alpha xy$ 是两个变量的乘积。关键在于：只要 $\alpha$ 能被一个中等大小的分母 $q$ 逼近，这个和就比平凡估计 $X_0Y_0$ 小很多。这种"乘积型相位"在 $y^kv$（$y^k$ 与 $v$ 相乘）里天然出现，正好能用。

为什么"双线性"是好事

单变量指数和 $\sum_x e(\alpha x^k)$ 难估计，因为相位是高次的。但 $\sum_x\sum_y e(\alpha xy)$ 的相位对每个变量都是一次的——固定 $x$ 后对 $y$ 求和是等比级数，能直接算！Vinogradov 的洞见是：很多高次和可以拆成或比较成这种双线性形状，从而借用等比级数的好性质。这一原理"在 Vinogradov 的大部分工作中起重要作用"。

证. 记该和为 $S$。

柯西–施瓦茨不等式登场。把 $x$ 求和看成 $\sum_x1\cdot(\text{内和})$，用柯西–施瓦茨 $|\sum a_xb_x|^2\le(\sum|a_x|^2)(\sum|b_x|^2)$： \[ |S|^2\le\Big(\sum_x1\Big)\Big(\sum_x\Big|\sum_y e(\alpha xy)\Big|^2\Big)=X_0\sum_x\Big|\sum_y e(\alpha xy)\Big|^2. \] 这一步的目的：把"对 $x$ 求和"的复杂性转移成一个平方，从而能展开内和。
展开内和并放大 $x$ 的范围。$\big|\sum_y e(\alpha xy)\big|^2=\sum_y\sum_{y'}e(\alpha x(y-y'))$。把外层 $x$ 的范围从"原来那 $X_0$ 个数"放大到"包含它们的整个长度 $X$ 区间内的所有整数"（项非负，放大只会变大）： \[ |S|^2\le X_0\sum_{x=x_1}^{x_1+X}\sum_y\sum_{y'}e\big(\alpha x(y-y')\big). \]
先对 $x$ 求和（等比级数）。固定 $y-y'=t$，$\sum_x e(\alpha xt)$ 是公比 $e(\alpha t)$ 的等比级数，其模 $\ll\min\big(X,\ \Vert\alpha t\Vert^{-1}\big)$（项数至多 $X$；若 $\alpha t$ 离整数远，则求和因相消而 $\ll\Vert\alpha t\Vert^{-1}$）。故 \[ |S|^2\ll X_0\sum_y\sum_{y'}\min\big(X,\Vert\alpha(y-y')\Vert^{-1}\big). \]
按差值 $t=y-y'$ 归并。$|y-y'|\le Y$，且每个 $t$ 值至多来自 $Y_0$ 对 $(y,y')$。所以 \[ |S|^2\ll X_0Y_0\sum_{|t|\le Y}\min\big(X,\Vert\alpha t\Vert^{-1}\big). \]
分块估计 $\sum_t$（与引理 3.1 同理）。把 $t$ 按每 $q$ 个连续值分块，块数 $\ll Y/q+1$。在一块里，$\alpha t=\dfrac{at}q+\tau+O(\tfrac1q)$，当 $t$ 跑遍 $q$ 个连续整数时 $\dfrac{at}q\bmod1$ 取遍 $0,\tfrac1q,\dots,\tfrac{q-1}q$ 的一个排列（因 $(a,q)=1$）。于是 \[ \sum_{t=t_1+1}^{t_1+q}\min\Big(X,\big\Vert\tfrac{at}q+\tau+O(\tfrac1q)\big\Vert^{-1}\Big)\ll X+\sum_{1\le u\le\frac12q}\frac qu\ll X+q\log q. \] （其中 $X$ 来自最靠近整数的那一项，$\sum q/u\sim q\log q$ 是调和级数。）
合并。 \[ |S|^2\ll X_0Y_0(Y/q+1)(X+q\log q). \] 注意 $Y/q+1=\dfrac{Y+q}q$，$X+q\log q\ll(X+q)\log q$，即得 $|S|^2\ll X_0Y_0\dfrac{\log q}q(q+X)(q+Y)$，这就是 (9.10)。∎

柯西–施瓦茨不等式（高中版回顾）

对实数 $(\sum a_xb_x)^2\le(\sum a_x^2)(\sum b_x^2)$——这就是高中的"$(\vec u\cdot\vec v)^2\le|\vec u|^2|\vec v|^2$"。复数版把平方换成模平方。本证明取 $a_x=1$，把"和的平方"换成"$X_0$ 乘以各项平方和"，从而打开了对 $x,y,y'$ 三重求和的展开之路。这是分析数论里最常用的一招。

引理 9.5 的推论：估计 $S(\alpha)$

推论. 设 \[ S(\alpha)=\sum_y\sum_v e(\alpha y^k v), \tag{9.11}\] 求和条件即前面 (iii)、(iv)。那么，若 $\alpha=a/q+O(q^{-2})$ 且 \[ P^{1/2}

这一段在讲什么：把刚证的一般引理 9.5 套到我们具体的 $S(\alpha)$（第三个零件 $y^kv$ 的生成函数）上。结论是：在次弧（$q>P^{1/2}$）上，$|S(\alpha)|$ 比它的平凡上界 $S(0)$ 小一个约 $P^{1/4k}$ 的因子。这就是前面"注"里说的、用来补足缺口的额外节省。

证. 第一步：把 $S(\alpha)$ 认成引理 9.5 的双线性和。相位是 $\alpha\cdot(y^k)\cdot v$，两个"变量"分别是 $y^k$ 和 $v$：

$v$ 这一边: 区间长度 $X=\tfrac14P^{k-1/2}$，不同值个数 $X_0=U_\ell(\tfrac14P^{k-1/2})$。
$y^k$ 这一边: $y$ 从 $1$ 到 $P^{1/2k}$，故 $y^k$ 落在长度 $Y=(P^{1/2k})^k=P^{1/2}$ 的区间内，不同值个数 $Y_0=P^{1/2k}$。

第二步：代入 (9.10) 并化简。 \[ |S(\alpha)|^2\ll X_0\,P^{\frac1{2k}}\,\frac{\log q}{q}\Big(q+\tfrac14P^{k-\frac12}\Big)\big(q+P^{1/2}\big). \] 现在用条件 \(P^{1/2}

$q+\tfrac14P^{k-1/2}$：由 $q\le2kP^{k-1}$ 而 $\tfrac14P^{k-1/2}=\tfrac14P^{k-1}\cdot P^{1/2}$ 量级更大（比值 $\sim P^{1/2}\to\infty$），故 $\ll P^{k-1/2}$。

$q+P^{1/2}$：由 $q>P^{1/2}$，故 $\ll q$。

于是 $\dfrac{\log q}q(q+X)(q+Y)\ll\dfrac{\log q}q\cdot P^{k-1/2}\cdot q=(\log q)P^{k-1/2}\ll(\log P)P^{k-1/2}$。

得 $|S(\alpha)|^2\ll X_0P^{\frac1{2k}}(\log P)P^{k-\frac12}$。

第三步：除以 $S(0)^2$。平凡值 $S(0)=\sum_y\sum_v1=P^{\frac1{2k}}X_0\gg P^{\frac1{2k}}X_0$。所以 \[ \Big|\frac{S(\alpha)}{S(0)}\Big|^2\ll\frac{X_0P^{\frac1{2k}}(\log P)P^{k-\frac12}}{(P^{\frac1{2k}}X_0)^2}=\frac{(\log P)P^{k-\frac12}}{P^{\frac1{2k}}X_0}\ll P^{-\frac1{2k}+(k-\frac12)+\varepsilon}X_0^{-1}. \] （$\log P$ 被 $P^\varepsilon$ 吸收。）

第四步：用引理 9.4 估 $X_0$。$X_0=U_\ell(\tfrac14P^{k-1/2})\gg P^{(k-\frac12)(1-\lambda^\ell)}$，故 $X_0^{-1}\ll P^{-(k-\frac12)(1-\lambda^\ell)}$。代入： \[ \Big|\frac{S(\alpha)}{S(0)}\Big|^2\ll P^{-\frac1{2k}+(k-\frac12)+\varepsilon-(k-\frac12)(1-\lambda^\ell)}=P^{-\frac1{2k}+(k-\frac12)\lambda^\ell+\varepsilon}. \] 开平方（指数减半，$\varepsilon$ 可略）： \[ \Big|\frac{S(\alpha)}{S(0)}\Big|\ll P^{-\frac1{4k}+\frac12(k-\frac12)\lambda^\ell}, \] 即 (9.12)。∎

注. 只要 $\lambda^\ell$ 较小，(9.12) 就在 $P$ 的指数中比平凡估计节省了几乎 $1/4k$。

解读：当 $\lambda^\ell$ 很小（我们会让它 $\approx\tfrac1{Ck^2}$）时，指数里 $\tfrac12(k-\tfrac12)\lambda^\ell$ 那一项可忽略，于是 $|S(\alpha)|\ll S(0)P^{-1/4k}$——次弧上额外省了 $\tfrac1{4k}$。这恰好就是前面"注"里说"还需多省一点（比 $\tfrac1{Ck}$ 更多）"的那一点。三块拼图（$T$ 的平凡 $P$、$R$ 的 $k(1-\lambda^\ell)$、$S$ 的 $\tfrac1{4k}$）合起来，才够把次弧压下去。

引理 9.6：次弧贡献是低阶的

引理 9.6. 设 $\mathfrak{m}$ 是次弧（(9.1) 中区间 $\mathfrak{M}_{a,q}$ 的补集）。那么只要 $\ell\ge2k\log3k$，就有 \[ \int_{\mathfrak{m}}|T(\alpha)|^{4k}|R(\alpha)|^2|S(\alpha)|\,d\alpha\ll P^{3k}R^2(0)S(0)\,P^{-\delta} \] 对某个固定 $\delta>0$ 成立。

这一段在讲什么：这是圆法的"清扫战"——证明次弧对总积分的贡献，比主弧的主项 $P^{3k}R^2(0)S(0)$ 小一个 $P^{-\delta}$ 因子，从而可以忽略。三块生成函数各出一份力，合起来刚好把次弧压成低阶。

证. 第一步：次弧上必有中等大小的分母。由狄利克雷逼近定理，对每个 $\alpha$ 存在 $a,q$ 使 \[ (a,q)=1,\quad 1\le q\le2kP^{k-1},\quad\Big|\alpha-\frac aq\Big|<\frac1{2kqP^{k-1}}. \] 若 $\alpha$ 不在任何主弧 $\mathfrak{M}_{a,q}$ 中（即在次弧 $\mathfrak{m}$ 上），则必有 $q>P^{1/2}$（否则它就落进某个主弧了）。这恰好满足推论 (9.12) 的条件 \(P^{1/2}

第二步：搬来三块估计。

由引理 9.5 的推论：$|S(\alpha)|\ll S(0)P^{-\frac1{4k}+\frac12(k-\frac12)\lambda^\ell}$（次弧上点点成立）。
由引理 9.4 的推论：$\displaystyle\int_0^1|R(\alpha)|^2d\alpha\ll R^2(0)P^{-k+k\lambda^\ell}$（全区间，更别说次弧子集）。
平凡估计：$|T(\alpha)|\le P$，故 $|T(\alpha)|^{4k}\le P^{4k}$。

第三步：把三块乘起来。在被积式里，$|T|^{4k}$ 用 $P^{4k}$ 顶掉，$|S(\alpha)|$ 用其次弧上界顶掉（与 $\alpha$ 无关的常数因子可提出积分），剩下 $\int_{\mathfrak m}|R|^2\le\int_0^1|R|^2$： \[ \int_{\mathfrak m}|T|^{4k}|R|^2|S|\,d\alpha\ll P^{4k}\cdot S(0)P^{-\frac1{4k}+\frac12(k-\frac12)\lambda^\ell}\cdot R^2(0)P^{-k+k\lambda^\ell}. \] 合并 $P$ 的指数：$4k-k=3k$；剩下 $-\dfrac1{4k}+\big[\tfrac12(k-\tfrac12)+k\big]\lambda^\ell$。注意 $\tfrac12(k-\tfrac12)+k=\tfrac32k-\tfrac14<\tfrac32k$，故 \[ \ll P^{3k}R^2(0)S(0)\,P^{-\frac1{4k}+\frac32k\lambda^\ell}. \]

第四步：用 $\ell\ge2k\log3k$ 压住 $\lambda^\ell$。 \[ \log\lambda^\ell=\ell\log\Big(1-\frac1k\Big)<\ell\cdot\Big(-\frac1k\Big)=-\frac\ell k\le-2\log3k, \] （用了不等式 $\log(1-t)<-t$，对 \(0

第五步：净得负幂。于是指数 $-\dfrac1{4k}+\dfrac32k\lambda^\ell<-\dfrac1{4k}+\dfrac1{6k}=-\dfrac1{12k}$。取 $\delta=\dfrac1{12k}>0$（一个固定正数），即得 \[ \int_{\mathfrak m}|T|^{4k}|R|^2|S|\,d\alpha\ll P^{3k}R^2(0)S(0)\,P^{-\delta}. \] 引理 9.6 证毕。∎

三块节省如何"恰好够" 平凡估计下次弧贡献是 $P^{4k}\cdot R^2(0)\cdot S(0)$。三块各让出一点：$R$ 让出 $P^{-k(1-\lambda^\ell)}$（几乎 $P^{-k}$），$S$ 让出 $P^{-1/4k}$，$T$ 的指数从 $4k$ 降到记账上的 $3k$。最终净赚 $P^{-1/12k}$。$\ell\ge2k\log3k$ 这个门槛，正是为了让 $\lambda^\ell$ 小到使 $R$ 的让步逼近满额 $P^{-k}$，从而 $S$ 的 $\tfrac1{4k}$ 能盖过残留。这就是参数 $\ell$ 取这么大的原因。

定理 9.1：Vinogradov 的上界

定理 9.1. $G(k)<4k+6k\log3k+3$。

这一段在讲什么：收官。把前面所有引理像齿轮一样咬合：主弧给正主项（引理 9.3），次弧可忽略（引理 9.6），于是表示数 $r_1(N)\to\infty$，表示必存在，读出 $G(k)$ 的上界。

证. 第一步：把表示数写成积分。设 $r_1(N)$ 为 $N$ 在特殊形式 (9.5) 下的表示个数。由圆法（生成函数相乘 + 正交关系挑出"和 $=N$"的项）： \[ r_1(N)=\int_0^1 T^{4k}(\alpha)R^2(\alpha)S(\alpha)e(-N\alpha)\,d\alpha. \] 为什么是这个被积式：$T^{4k}$ 对应 $4k$ 个 $x_j^k$，$R^2$ 对应 $u_1,u_2$ 两个打包数，$S$ 对应 $y^kv$，乘起来展开后指数恰是 $x_1^k+\cdots+x_{4k}^k+u_1+u_2+y^kv$；再乘 $e(-N\alpha)$ 积分，只留下该和 $=N$ 的项，即表示数。

第二步：拆成主弧 + 次弧。$\int_0^1=\int_{\mathfrak M}+\int_{\mathfrak m}$。由引理 9.6，只要 $\ell\ge2k\log3k$，次弧部分 \[ \Big|\int_{\mathfrak m}\Big|\ll P^{3k}R^2(0)S(0)P^{-\delta}, \] 比主项低 $P^\delta$ 阶，可忽略。

第三步：主弧部分。把 $R^2(\alpha)S(\alpha)$ 按定义展开成对 $u_1,u_2,y,v$ 的求和（每个 $e(\alpha\cdot)$ 提出来），主弧贡献为 \[ \sum_{u_1}\sum_{u_2}\sum_y\sum_v\int_{\mathfrak M}T^{4k}(\alpha)\,e\big(\alpha(-N+u_1+u_2+y^kv)\big)\,d\alpha. \] 外层求和的项数 $=R(0)\cdot R(0)\cdot S(0)=R^2(0)S(0)$（$u_1,u_2$ 各 $R(0)$ 种，$(y,v)$ 共 $S(0)$ 种）。

第四步：对每一项套引理 9.3。令 $M=N-u_1-u_2-y^kv$。第三步里的积分正是 $\int_{\mathfrak M}T^{4k}(\alpha)e(-M\alpha)d\alpha$。由 (9.6)，无论怎么选 $u_1,u_2,y,v$，都有 \(\tfrac15P^k注意每一项都是正的（下界为正），所以求和不会相消。

第五步：合计并读出结论。主弧贡献 $\gg R^2(0)S(0)\cdot P^{3k}$，主导次弧的 $P^{3k}R^2(0)S(0)P^{-\delta}$。故 \[ r_1(N)\gg P^{3k}R^2(0)S(0). \] 当 $N\to\infty$ 时 $P\to\infty$，且 $R(0),S(0)\to\infty$，所以 $r_1(N)\to\infty$。表示数趋于无穷，特别地大于 $0$，于是 (9.5) 形式的表示对所有充分大的 $N$ 必存在。因为这种表示用了 $4k+3\ell$ 个 $k$ 次幂，故 \[ G(k)\le4k+3\ell. \] 取允许的最小 $\ell=\lceil2k\log3k\rceil\le2k\log3k+1$： \[ G(k)\le4k+3(2k\log3k+1)=4k+6k\log3k+3. \] 定理 9.1 证毕。∎

回看：这条 $4k+6k\log3k+3$ 怎么对应"$(6+\delta)k\log k$"

当 $k\to\infty$ 时，$\log3k=\log k+\log3$，于是 \[ 4k+6k\log3k+3=6k\log k+(6\log3)\,k+4k+3=6k\log k\Big(1+\underbrace{\tfrac{6\log3+4}{6\log k}+\tfrac1{2k\log k}}_{\to0}\Big). \] 括号里的修正项随 $k$ 增大趋于 $0$，所以对任意 $\delta>0$，当 $k>k_0(\delta)$ 时 $G(k)<(6+\delta)k\log k$——正是第 2 段宣告的 Vinogradov 定理。低阶的 $4k,\,3$ 等项在 $k$ 大时全被 $k\log k$ 吞掉。

全章逻辑一图流

工具 A（引理 9.1）：求和换积分 ⇒ 引理 9.2 主弧上 $T\approx q^{-1}S_{a,q}I(\beta)$。
引理 9.3：$4k$ 个 $T$ 在主弧上给正主项 $\gg P^{3k}$（对整段 $M$）。
引理 9.4 + 推论：打包数 $u$ 很多 ⇒ $R$ 在 $L^2$ 上节省 $\approx P^{-k}$。
工具 B（引理 9.5）+ 推论：双线性和 ⇒ $S$ 在次弧额外节省 $P^{-1/4k}$。
引理 9.6：三块节省合力 ⇒ 次弧可忽略（$P^{-\delta}$）。
定理 9.1：主弧正 + 次弧小 ⇒ $r_1(N)\to\infty$ ⇒ $G(k)\le4k+3\ell<(6+\delta)k\log k$。

关于"主要依据 Heilbronn 的叙述 [44]"：Vinogradov 1934 年的原始证明技术性极强、不易读。Heilbronn（一位以清晰著称的数论学家）把它重新组织成更易跟随的形式，本章正文沿用他的安排。
关于更精确逼近 $O(q^{3/4+\varepsilon})$（见 [18, 引理 8 和 9]）：这是 Davenport 等人后来的精细结果，误差指数 $3/4$ 与 $k$ 无关，颇为惊人。本章主线不需要它，故仅作提及，以示方法尚有改进空间。

返回全书目录

华林问题：数 \(G(k)\)Waring's problem: the number \(G(k)\)

预备：先把记号从零讲清

第 1 段：\(G(k)\) 的定义与最朴素的上下界

第 2 段：Vinogradov 定理与它的历史地位

第 3 段：为什么旧的主弧不够用，需要新工具

引理 9.1（van der Corput）：把求和精确换成积分

主弧 \(\mathfrak{M}_{a,q}\) 的定义与生成函数 \(T(\alpha)\)

引理 9.2：主弧上 \(T(\alpha)\) 的精确逼近

引理 9.3：主弧积分的下界（带 \(M\) 的范围）

证明的主要思想：表示 (9.5)

引理 9.4（Hardy–Littlewood）：打包数能凑出多少个

引理 9.4 的推论：把计数翻译成积分估计 \(R(\alpha)\)

引理 9.5（Vinogradov）：双线性和的威力

引理 9.5 的推论：估计 \(S(\alpha)\)

引理 9.6：次弧贡献是低阶的

定理 9.1：Vinogradov 的上界