Davenport · 圆法 · 高中详解版

三次型：双线性方程Cubic forms: bilinear equations

本章要解决什么

我们正在研究一个 三次型（三次齐次多项式）$C(\mathbf{x})$，目标是证明：当变量个数 $n$ 足够大时，方程 $C(\mathbf{x})=0$ 一定有非零整数解（也就是说，$C$ “表示零”）。上一章（第 13 章）用圆法的技术，把问题逼到了一个岔路口——引理 13.4 说：要么出现“备择情形 A”，要么出现“备择情形 B”。备择情形 B 留到后面几章用圆法处理；本章专门收拾备择情形 A。

备择情形 A 是一个看似“坏”的情形：有异常多的整点对 $(\mathbf{x},\mathbf{y})$ 满足一组叫做“双线性方程”的等式 $B_j(\mathbf{x}\mid\mathbf{y})=0$。本章要证明：这种“解多到反常”的情形，恰恰逼出我们想要的结论——存在非零整点 $\mathbf{z}$ 使 $C(\mathbf{z})=0$。于是无论走哪条岔路，结论都成立。

读完本章你会掌握：行列式与 Cramer 法则、矩阵的秩与零空间维数、偏导数、$\ll$ 记号、把多项式方程组看成代数簇并用其维数数格点——以及如何把这些工具拼成一条完整的反证链。本章只用到代数与几何，不出现圆法里的积分和复指数，是全书里少见的“纯代数”一章。

阅读方式：黑字与公式是 Davenport 原书的内容（按译文逐段推进）；彩色框（目标 / 例 / 分步推演 / 符号卡）和插图是为高中生补的详解。凡原文写“显然”“立即可得”的地方，本页都补成一步一句的完整推导。

第 0 节　先把“舞台”和记号讲清楚

本章原文第一句就用到一堆上一章的记号。为了让本页真正“自足”，我们先花一节，把所有要用的对象从零讲一遍。看不懂第 13 章没关系，下面这些就够用了。

0.1　三次型 $C(\mathbf{x})$ 与对称系数 $c_{ijk}$

符号卡 · $\mathbf{x}$ 与 $C(\mathbf{x})$

$\mathbf{x}=(x_1,x_2,\dots,x_n)$ 是一个有 $n$ 个分量的向量（黑体表示“一串数”，不是一个数）。本章里 $\mathbf{x}$ 的分量都取整数，这样的点叫整点。

$C(\mathbf{x})$ 是一个三次型（cubic form），意思是“每一项都是三个变量相乘”的齐次三次多项式：

\[ C(\mathbf{x})=\sum_{i=1}^{n}\sum_{j=1}^{n}\sum_{k=1}^{n} c_{ijk}\,x_i x_j x_k . \]

读法：三个求和号 $\displaystyle\sum_{i=1}^n$ 叠在一起，表示让下标 $i,j,k$ 各自独立地从 $1$ 跑到 $n$，把所有 $c_{ijk}x_ix_jx_k$ 全加起来。每一项都是三个 $x$ 相乘，所以是“三次”；不带常数项、不带一次二次项，所以是“齐次”。

符号卡 · 系数 $c_{ijk}$ 与“对称”

$c_{ijk}$ 是一串整数系数，每选定一组下标 $(i,j,k)$ 就对应一个整数。我们假设它对三个下标完全对称：交换任意两个下标，值不变，例如 \[ c_{ijk}=c_{jik}=c_{ikj}=c_{kji}=\cdots \]

为什么能这样假设？因为在 $C(\mathbf{x})$ 里，$x_ix_jx_k$ 这个乘积本身就分不清谁先谁后（乘法可交换），所以把对应同一乘积的几个系数“平均一下”不改变 $C$，却能让系数对称。对称性会在后面反复用到，务必记牢。

小例子（帮助理解 $C$、$c_{ijk}$）

取 $n=2$，设 $C(x_1,x_2)=x_1^3+x_2^3$。展开看系数：$x_1^3$ 来自 $(i,j,k)=(1,1,1)$，故 $c_{111}=1$；$x_2^3$ 来自 $(2,2,2)$，故 $c_{222}=1$；其它系数全为 $0$。这就是“用 $c_{ijk}$ 编码一个三次型”的含义。它“表示零”吗？要找非零整点使 $x_1^3+x_2^3=0$，即 $x_1=-x_2$，例如 $(1,-1)$，确实 $1+(-1)=0$。所以这个 $C$ 表示零。

符号卡 · “$C$ 表示零”（represents zero）

这是本章的核心目标词。它的意思是：存在一个非零整点 $\mathbf{z}\neq\mathbf{0}$，使 $C(\mathbf{z})=0$。 注意一定要“非零”，因为 $C(\mathbf{0})=0$ 是白送的（所有项都含 $x$，代入全 $0$ 当然得 $0$），没有意义。整章的反证法都建立在它的反面上：“$C$ 不表示零”就是“对一切整点 $\mathbf{x}\neq\mathbf{0}$ 都有 $C(\mathbf{x})\neq0$”。

0.2　双线性型 $B_j(\mathbf{x}\mid\mathbf{y})$

符号卡 · $B_j(\mathbf{x}\mid\mathbf{y})$

对两个向量 $\mathbf{x},\mathbf{y}$，定义 $n$ 个双线性型（每个 $j=1,\dots,n$ 一个）： \[ B_j(\mathbf{x}\mid\mathbf{y})=\sum_{i=1}^{n}\sum_{k=1}^{n} c_{ijk}\,x_i\,y_k . \]

“双线性”是说：把 $\mathbf{y}$ 固定，它是 $\mathbf{x}$ 的一次（线性）函数；把 $\mathbf{x}$ 固定，它又是 $\mathbf{y}$ 的一次函数。两边都“一次”，合起来叫“双线性”。竖线 “$\mid$” 只是分隔 $\mathbf{x}$ 和 $\mathbf{y}$，没有别的含义。

这几个 $B_j$ 和 $C$ 有两条关系，本章证明里要反复用，先在这里一次性算清楚。

$B$ 对 $\mathbf{x},\mathbf{y}$ 是对称的：$B_j(\mathbf{x}\mid\mathbf{y})=B_j(\mathbf{y}\mid\mathbf{x})$。推导：$B_j(\mathbf{y}\mid\mathbf{x})=\sum_{i,k}c_{ijk}\,y_i x_k$。把求和的哑标改名 $i\leftrightarrow k$，得 $\sum_{i,k}c_{kji}\,y_k x_i$；再用对称性 $c_{kji}=c_{ijk}$，就得到 $\sum_{i,k}c_{ijk}\,x_i y_k=B_j(\mathbf{x}\mid\mathbf{y})$。
把中间下标当“编号”的换位公式：$\displaystyle\sum_{i,j}c_{ijk}\,x_i y_j=B_k(\mathbf{x}\mid\mathbf{y})$。推导：对称性允许交换 $c$ 的后两个下标 $c_{ijk}=c_{ikj}$，于是 $\sum_{i,j}c_{ijk}x_i y_j=\sum_{i,j}c_{ikj}x_i y_j$；对照 $B_k$ 的定义（$x$ 配第一个下标、$y$ 配第三个下标、第二个下标是编号 $k$），这正是 $B_k(\mathbf{x}\mid\mathbf{y})$。这条公式后面“求导后乘 $y_j$ 求和”时是关键。
$C$ 由 $B$ 拼出：$\displaystyle\sum_{j} x_j\,B_j(\mathbf{x}\mid\mathbf{x})=\sum_{i,j,k}c_{ijk}x_ix_jx_k=C(\mathbf{x})$。这解释了“双线性型”为什么是研究三次型的天然工具：把 $\mathbf{y}$ 换成 $\mathbf{x}$、再用 $\mathbf{x}$ 加权求和，就还原成 $C$。

0.3　“大小” $|\mathbf{x}|$ 与“整点对很多”的含义

符号卡 · $|\mathbf{x}|$ 与 \(0<|\mathbf{x}|

$|\mathbf{x}|$ 指各分量绝对值里最大的那个：$|\mathbf{x}|=\max(|x_1|,\dots,|x_n|)$（这叫“最大模”或“盒子范数”）。于是 $|\mathbf{x}|立方体盒子里；再加上 \(0<|\mathbf{x}|$ 就是“非零且在盒子里”。这样的整点大约有 $(2R)^n\sim R^n$ 个——这个“$R^n$ 量级”是后面所有计数的基准尺子。

\(0<|\mathbf{x}|

符号卡 · $\ll$、$O(\cdot)$ 与 $\varepsilon$

$A\ll B$（读作“$A$ 远小于等于 $B$”，与 $A=O(B)$ 同义）表示：存在一个不依赖于 $R$ 的常数 $c$，使得 $|A|\le c\,B$ 对所有大的 $R$ 成立。它只关心“增长的量级”，把具体常数藏起来。例如“盒子里的格点数 $\ll R^n$”就是说点数不超过某个常数乘 $R^n$。

$\varepsilon$（epsilon）是一个“任意小的固定正数”。写 $R^{n+\varepsilon}$ 是为了表达“几乎是 $R^n$、但允许多一丁点”。本章里它像一个可调旋钮：证明时把它取小，结论里允许它出现，最后两边的 $\varepsilon$ 一对，矛盾就成立（见第 6 节，把本章的 $\varepsilon$ 取成情形 A 那个 $\varepsilon$ 的一半）。

第 1 节　把双线性方程组看成线性方程组，引出 Hessian $H(\mathbf{x})$

（对应原文开头到公式 (14.2) 之间的五个自然段。）

原文第 1 段大意：本章研究引理 13.4 的“备择情形 A”——对某个任意大的 $R$，存在多于 $R^{n+\varepsilon}$ 对整点 $\mathbf{x},\mathbf{y}$ 满足 \(0<|\mathbf{x}| \[ B_j(\mathbf{x}\mid\mathbf{y})=0,\qquad(1\le j\le n).\tag{14.1} \]

逐句拆解这句话。它在说一个“坏消息”：满足那 $n$ 个等式 (14.1) 的整点对，多得反常。“反常”在哪？所有整点对一共才约 $R^{2n}$ 个（$\mathbf{x}$ 有 $R^n$ 种、$\mathbf{y}$ 有 $R^n$ 种）。而 (14.1) 是 $n$ 个方程，凭直觉每加一个方程会把解“砍掉一个维度”，本该只剩约 $R^{2n}$ 经过 $n$ 个方程后降到 $R^{2n-n}=R^{n}$ 量级。情形 A 说的却是“多于 $R^{n+\varepsilon}$”，比这个直觉值还多出一个 $R^{\varepsilon}$ 因子——这点点“超额”，正是本章要利用的破绽。

原文第 2 段大意：按上一章末尾的约定，已经排除了 $\mathbf{x}=\mathbf{0}$ 与 $\mathbf{y}=\mathbf{0}$（所以才写 $0<|\mathbf{x}|$、$0<|\mathbf{y}|$）。本章是自足的，将证明：上述假设蕴涵存在非零整点 $\mathbf{z}\neq\mathbf{0}$ 使 $C(\mathbf{z})=0$，即 $C$ 表示零。原文还说：其实更弱的假设就够——只要点对个数“多于 $AR^n$”、其中 $A$ 大于 $n$ 的某个函数即可；但用 $\varepsilon$ 写起来更干净。

为什么用 $R^{n+\varepsilon}$ 而不用 $AR^n$这是一个“取舍”说明。两种写法证的是同一件事，但 $R^{n+\varepsilon}$（“比 $R^n$ 多一个幂次”）在做不等式估计时只需比较指数 $n+\varepsilon$ 与 $n$，一眼就分胜负；而 $AR^n$（“同一幂次、但常数特别大”）要去追踪那个常数 $A$ 到底多大、和 $n$ 的函数怎么比，叙述繁琐。作者选了简洁的写法——这不改变数学，只改变行文。

原文第 3 段大意：把某个特定的 $\mathbf{x}$ 固定下来，那么 (14.1) 就成了关于未知数 $\mathbf{y}=(y_1,\dots,y_n)$ 的 $n$ 个线性方程，它们的行列式（系数矩阵的行列式）记作 $H(\mathbf{x})$。

这一步是全章的“视角转换”，必须讲透。把 $\mathbf{x}$ 固定后，看 $B_j(\mathbf{x}\mid\mathbf{y})=\sum_k\Big(\sum_i c_{ijk}x_i\Big)y_k$。括号里的 $\sum_i c_{ijk}x_i$ 此刻是一个已知数（因为 $\mathbf{x}$ 定了），把它记成矩阵元 \[ M_{jk}(\mathbf{x})=\sum_{i=1}^{n}c_{ijk}x_i . \] 于是 (14.1) 就是 $\sum_k M_{jk}(\mathbf{x})\,y_k=0$，写成矩阵形式就是齐次线性方程组 \[ M(\mathbf{x})\,\mathbf{y}=\mathbf{0}. \]

符号卡 · 行列式 $\det$ 与“齐次线性方程组何时有非零解”

一个 $n\times n$ 方阵 $M$ 的行列式 $\det M$ 是一个由它的元素算出来的数（$2\times2$ 时 $\det\bigl(\begin{smallmatrix}a&b\\c&d\end{smallmatrix}\bigr)=ad-bc$）。高中只需记住它的一条关键性质：

齐次方程组 $M\mathbf{y}=\mathbf{0}$ 有非零解 $\iff \det M=0$。

直观理由：若 $\det M\neq0$，则 $M$ 可逆，两边左乘 $M^{-1}$ 得 $\mathbf{y}=\mathbf{0}$，只有零解；只有当 $\det M=0$（矩阵“退化、压扁了维度”）时，才会冒出非零解。

因此“是否存在非零的 $\mathbf{y}$ 满足 (14.1)”这件事，完全由一个数 $H(\mathbf{x})=\det M(\mathbf{x})$ 是否为零来决定：

\[ H(\mathbf{x})=\det\left(\sum_{i=1}^{n}c_{ijk}x_i\right),\qquad(1\le j,k\le n).\tag{14.2} \]

读法：行列式里第 $j$ 行第 $k$ 列的元素是 $\sum_i c_{ijk}x_i$，让 $j,k$ 各跑 $1$ 到 $n$ 就排成一个 $n\times n$ 矩阵，取它的行列式即得 $H(\mathbf{x})$。

核心视角：固定 $\mathbf{x}$，双线性方程组退化为线性方程组；“有没有非零 $\mathbf{y}$” 等价于“行列式 $H(\mathbf{x})$ 是不是 0”。

原文第 4–5 段大意：$H(\mathbf{x})$ 就是三次型 $C(\mathbf{x})$ 的 Hessian（黑塞行列式）。它是关于 $\mathbf{x}$ 的一个 $n$ 次型；更准确说是“表观次数（apparent degree）为 $n$”，因为它有可能恒等于零（即作为多项式整个是 $0$）。所以第一件要做的事，是证明：只要 $C(\mathbf{x})$ 不表示零，$H(\mathbf{x})$ 就不会恒为零。

符号卡 · Hessian（黑塞）与“次数”

一个函数 $C$ 的 Hessian 矩阵是它所有二阶偏导数排成的方阵，元素是 $\dfrac{\partial^2 C}{\partial x_j\,\partial x_k}$。对我们的 $C$ 算一下（用系数全对称）：先 $\dfrac{\partial C}{\partial x_j}=3\sum_{i,k}c_{ijk}x_ix_k$，再 $\dfrac{\partial^2 C}{\partial x_j\partial x_k}=6\sum_i c_{ijk}x_i=6\,M_{jk}(\mathbf{x})$。可见 Hessian 矩阵恰是 $6M(\mathbf{x})$，其行列式 $=6^nH(\mathbf{x})$。差一个常数 $6^n$ 无关紧要，所以把 $H(\mathbf{x})$ 叫 Hessian。

为什么次数是 $n$？矩阵每个元素 $\sum_i c_{ijk}x_i$ 是 $\mathbf{x}$ 的一次式。行列式是把每行各取一个元素相乘（$n$ 个一次式相乘是 $n$ 次）再求和，所以 $H(\mathbf{x})$ 是 $\mathbf{x}$ 的 $n$ 次齐次多项式——除非这些 $n$ 次项彼此抵消，使整个多项式变成 $0$。“表观次数”就是提醒：表面看是 $n$ 次，但实际可能恒为 $0$，那时“次数”说法就名存实亡了。这正是引理 14.1 要排除的退化。

第 2 节　引理 14.1：$C$ 不表示零 ⟹ Hessian 不恒为零

引理 14.1. 若对所有非零整点 $\mathbf{x}\neq\mathbf{0}$ 都有 $C(\mathbf{x})\neq0$，则 $H(\mathbf{x})$ 不恒等于零。

这条引理在干嘛它是整章的“奠基石”：保证我们手上的 Hessian $H(\mathbf{x})$ 是个货真价实的 $n$ 次型（不是恒零的废物），这样它的零点集 $H(\mathbf{x})=0$ 才是一张真正的“$n-1$ 维曲面”，上面的整点才稀少（$\ll R^{n-1}$ 个）。证明用反证法：假设 $H\equiv0$，构造出一个非零的 $\mathbf{y}$ 使 $C(\mathbf{y})=0$，与“$C$ 不表示零”冲突。

下面把原文的证明逐句补成完整推导。原文有几处“一笔带过”，我们停下来算清楚。

2.1　反设与“恒等秩”的设定

原文：假设 $H(\mathbf{x})\equiv0$ 恒成立。设 $n-r$（$r\ge1$）为 $H(\mathbf{x})$ 的恒等秩；即假设 (14.2) 中矩阵的所有 $n-r+1$ 阶子行列式都关于 $\mathbf{x}$ 恒为零，但存在某个 $n-r$ 阶子行列式不恒为零。为方便，设这个 $n-r$ 阶行列式（记作 $\Delta$）位于左上角。

符号卡 · 矩阵的秩、子行列式、恒等秩

子行列式（子式、minor）：从矩阵里挑出某 $m$ 行、某 $m$ 列，交点处的元素组成一个 $m\times m$ 小方阵，它的行列式就叫一个“$m$ 阶子行列式”。

秩（rank）：使得“存在不为零的 $m$ 阶子行列式”的最大 $m$。秩 $=m$ 直观上表示“矩阵真正独立的行（或列）有 $m$ 个”。

恒等秩：这里矩阵元素是 $\mathbf{x}$ 的多项式，所以子行列式也是 $\mathbf{x}$ 的多项式。“某子式恒为零”指它作为多项式是 $0$。把秩的定义套到“恒等”上：恒等秩 $=n-r$ 意思是——有一个 $n-r$ 阶子式不恒为零，而所有 $n-r+1$ 阶子式都恒为零。因为我们已反设 $H=\det M\equiv0$（这是 $n$ 阶子式），所以恒等秩 $\le n-1$，即 $r\ge1$。

“设 $\Delta$ 在左上角”是可以这么假设的：调换行的顺序、列的顺序，只会让行列式变号，不影响“是否为零”。所以总能把那个不恒为零的 $n-r$ 阶子式搬到左上角，记 \[ \Delta=\det\big(M_{jk}(\mathbf{x})\big)_{1\le j,k\le n-r}\;(\not\equiv0). \]

原文：那么 (14.1) 的前 $n-r$ 个方程就蕴涵其余所有方程，因为后面诸行与前 $n-r$ 行线性相关。

为什么“后面的行依赖前面的行”？ 把矩阵 $M(\mathbf{x})$ 的第 $j$ 行记作 $\mathbf{m}_j=(M_{j1},\dots,M_{jn})$。恒等秩是 $n-r$，意味着任取 $n-r+1$ 行都线性相关（否则会有不恒零的 $n-r+1$ 阶子式）。前 $n-r$ 行（在前 $n-r$ 列上）的行列式 $\Delta\neq0$，说明这 $n-r$ 行线性无关。于是再添任何一行 $\mathbf{m}_t$（$t>n-r$），这 $n-r+1$ 行必相关，而前 $n-r$ 行已无关，所以多出来的 $\mathbf{m}_t$ 只能是前 $n-r$ 行的线性组合。

“蕴涵”的含义： 既然第 $t$ 行是前面行的组合，那么方程 $\mathbf{m}_t\cdot\mathbf{y}=0$ 也是前 $n-r$ 个方程 $\mathbf{m}_1\cdot\mathbf{y}=0,\dots$ 的同样组合。只要前 $n-r$ 个成立，第 $t$ 个自动成立。所以解 (14.1) 只需解前 $n-r$ 个方程。

2.2　用 Cramer 法则写出一个非零解

原文：设 $\Delta_j$ 表示把 $\Delta$ 的第 $j$ 列换成第 $(n-r+1)$ 列后得到的行列式。那么 $B_j(\mathbf{x}\mid\mathbf{y})=0$ 的一个特解是 \[ y_1=\Delta_1,\;\dots,\;y_{n-r}=\Delta_{n-r},\;\;y_{n-r+1}=-\Delta,\;\;y_{n-r+2}=\dots=0. \] （这由 Cramer 法则得出：求解前 $n-r$ 个方程，令 $y_{n-r+1}=1,\,y_{n-r+2}=0,\dots$，再整体乘以 $-\Delta$。）

符号卡 · Cramer 法则

解 $m$ 元线性方程组 $A\mathbf{u}=\mathbf{b}$（$A$ 是 $m\times m$、$\det A\neq0$）时，Cramer 法则说：第 $k$ 个未知数 \[ u_k=\frac{\det A^{(k)}}{\det A}, \] 其中 $A^{(k)}$ 是把 $A$ 的第 $k$ 列换成右端 $\mathbf{b}$ 后的矩阵。这是高中行列式知识的标准内容，记住“换列、求商”即可。

把它套到我们的情形，一步一步来：

只保留前 $n-r$ 个方程，并把 $y_{n-r+2},\dots,y_n$ 全设为 $0$，再让 $y_{n-r+1}=1$。这样前 $n-r$ 个方程 $\sum_{k=1}^{n}M_{jk}y_k=0$ 变成只含 $y_1,\dots,y_{n-r}$ 的方程： \[ \sum_{k=1}^{n-r}M_{jk}\,y_k=-M_{j,\,n-r+1},\qquad(j=1,\dots,n-r). \] 右端就是“第 $(n-r+1)$ 列、取负号”。
这是一个 $(n-r)\times(n-r)$ 方程组，系数矩阵行列式正是 $\Delta\neq0$，可用 Cramer 法则。第 $k$ 个解 \[ y_k=\frac{\det(\text{把 }\Delta\text{ 的第 }k\text{ 列换成右端})}{\Delta}. \] 右端是 $-(\text{第 }n-r+1\text{ 列})$，那个分子行列式就是 $-\Delta_k$（负号可提出来）。故 $y_k=-\Delta_k/\Delta$。
分母 $\Delta$ 是个多项式，做除法不方便。把所有 $y$ 整体乘以 $-\Delta$（齐次线性方程的解乘以同一非零量仍是解）。于是 \[ y_k\rightsquigarrow(-\Delta)\cdot\frac{-\Delta_k}{\Delta}=\Delta_k\quad(k\le n-r),\qquad y_{n-r+1}\rightsquigarrow(-\Delta)\cdot1=-\Delta, \] 其余仍为 $0$。这就得到原文写的特解。
关键收获：每个 $y_k$ 现在是 $\mathbf{x}$ 的整系数多项式（因为 $\Delta,\Delta_k$ 都是由整数 $c_{ijk}$ 组成的行列式，且行列式只用加减乘）。而且 $y_1,\dots,y_n$ 不全恒为零，因为其中 $y_{n-r+1}=-\Delta\not\equiv0$。这一点马上要用。

2.3　对恒等式求导，挤出 $C(\mathbf{y})=0$

现在 $\mathbf{y}=\mathbf{y}(\mathbf{x})$ 是 $\mathbf{x}$ 的多项式向量，且对每个 $\mathbf{x}$ 满足 (14.1)。也就是说，作为 $\mathbf{x}$ 的多项式恒等式， \[ B_j(\mathbf{x}\mid\mathbf{y})=\sum_{i,k}c_{ijk}\,x_i\,y_k=0\qquad(\text{对所有 }j,\ \text{关于 }x_1,\dots,x_n\text{ 恒成立}). \]

符号卡 · 偏导数 $\partial/\partial x_\nu$

把多变量函数对某一个变量 $x_\nu$ 求导，其余变量当常数，就是偏导数，记作 $\dfrac{\partial}{\partial x_\nu}$。规则和高中一元求导一样，只是只动 $x_\nu$。两条要用的事实：(i) $\dfrac{\partial x_i}{\partial x_\nu}=\begin{cases}1&i=\nu\\0&i\neq\nu\end{cases}$（互不相同的变量彼此无关）；(ii) 对“恒等于 $0$ 的多项式”求导，结果仍恒为 $0$（$0$ 的导数是 $0$）。我们对一个恒等式两边同时求导，等号继续成立。

对上面的恒等式关于 $x_\nu$ 求导（用乘积法则；注意 $y_k$ 也含 $x$）：

\[ \sum_{k}c_{\nu jk}\,y_k+\sum_{i,k}c_{ijk}\,x_i\,\frac{\partial y_k}{\partial x_\nu}=0\qquad(\text{对所有 }j,\nu).\tag{$\ast$} \]

第一项怎么来的：对 $\sum_{i,k}c_{ijk}x_iy_k$ 中的 $x_i$ 求导，只有 $i=\nu$ 那项存活，$\partial x_i/\partial x_\nu=1$，得到 $\sum_k c_{\nu jk}y_k$。

第二项怎么来的：再对 $y_k$ 求导（$x_i$ 当系数留住），得 $\sum_{i,k}c_{ijk}x_i\,\partial y_k/\partial x_\nu$。两项之和为 $0$，因为左边恒为 $0$。

原文：乘以 $y_j$ 并对 $j$ 求和，并注意到 $\sum_{i,j}c_{ijk}x_iy_j=0$ 对所有 $k$ 成立，得到 $\sum_{j,k}c_{\nu jk}y_jy_k=0$ 对所有 $\nu$ 成立。

把 $(\ast)$ 两边乘 $y_j$，再对 $j$ 从 $1$ 到 $n$ 求和： \[ \sum_{j,k}c_{\nu jk}\,y_jy_k+\sum_{j}\Big(\sum_{i,k}c_{ijk}x_i\tfrac{\partial y_k}{\partial x_\nu}\Big)y_j=0. \]
看第二个和。把它按 $k$ 归并：$\displaystyle\sum_{k}\Big(\sum_{i,j}c_{ijk}\,x_i\,y_j\Big)\frac{\partial y_k}{\partial x_\nu}$。括号里正是第 0.2 节的“换位公式” $\sum_{i,j}c_{ijk}x_iy_j=B_k(\mathbf{x}\mid\mathbf{y})$。
而 $\mathbf{y}$ 是 (14.1) 的解，所以 $B_k(\mathbf{x}\mid\mathbf{y})=0$ 对一切 $k$！于是整个第二个和 $=\sum_k 0\cdot\frac{\partial y_k}{\partial x_\nu}=0$，凭空消失。
只剩 $\displaystyle\sum_{j,k}c_{\nu jk}\,y_jy_k=0$，对所有 $\nu$ 成立。这是一组关于 $\mathbf{y}$ 的二次恒等式。

原文：这特别地蕴涵 $C(\mathbf{y})=0$。

把刚得到的 $\sum_{j,k}c_{\nu jk}y_jy_k=0$ 两边乘 $y_\nu$，对 $\nu$ 求和：$\displaystyle\sum_{\nu}y_\nu\sum_{j,k}c_{\nu jk}y_jy_k=\sum_{\nu,j,k}c_{\nu jk}\,y_\nu y_j y_k$。
右边正是 $C(\mathbf{y})$ 的定义（三个下标 $\nu,j,k$ 各跑 $1$ 到 $n$，乘 $y_\nu y_j y_k$）。而左边是 $\sum_\nu y_\nu\cdot0=0$。所以 $C(\mathbf{y})=0$（作为 $\mathbf{x}$ 的多项式恒成立）。

2.4　代入一个具体整点，导出矛盾

原文：取 $\mathbf{x}$ 为任意一个使 $\mathbf{y}\neq\mathbf{0}$ 的整点（这可能，因为 $\mathbf{y}$ 不恒为 $\mathbf{0}$），便与假设矛盾。引理得证。

$\mathbf{y}(\mathbf{x})$ 是不恒为零的整系数多项式向量（2.2 末尾已证 $y_{n-r+1}=-\Delta\not\equiv0$）。一个不恒为零的多项式，必能找到某个整数代入点使它非零（多项式的零点很“稀”，不可能在所有整点都为零）。取这样一个整点 $\mathbf{x}_0$，则 $\mathbf{y}_0=\mathbf{y}(\mathbf{x}_0)$ 是一个非零整点。
由 2.3，$C(\mathbf{y})=0$ 对所有 $\mathbf{x}$ 成立，特别 $C(\mathbf{y}_0)=0$。于是 $\mathbf{y}_0\neq\mathbf{0}$ 却使 $C(\mathbf{y}_0)=0$。
这与引理前提“$C$ 不表示零（对一切非零整点 $C\neq0$）”直接冲突。矛盾来自最初的反设 $H\equiv0$。故 $H(\mathbf{x})$ 不恒为零。∎

回看证明的“魔术”在哪整段证明的精彩之处：从“$H\equiv0$”这条关于行列式的假设出发，借 Cramer 法则把“退化”翻译成一个具体的解 $\mathbf{y}(\mathbf{x})$，再用求导 + 系数对称性把双线性等式 $B_j=0$ 升级成二次等式，最终拼出三次式 $C(\mathbf{y})=0$。一路都是“代数恒等式变形”，没有任何分析或极限，干净利落。

第 3 节　从 $r=1$ 到一般 $r$：要数的到底是什么

原文段：上一引理表明，那些使 $B_j(\mathbf{x}\mid\mathbf{y})=0$ 关于 $\mathbf{y}$ 有非零解的点 $\mathbf{x}$，满足非恒等的方程 $H(\mathbf{x})=0$。于是满足 \(0<|\mathbf{x}|

这一段是路线图，要看懂三件事。

符号卡 · 线性无关 / 解空间维数 / 秩与零度

齐次方程组 $M(\mathbf{x})\mathbf{y}=\mathbf{0}$ 的全体解构成一个解空间。其中“$r$ 个线性无关解”指能找到 $r$ 个解 $\mathbf{y}^{(1)},\dots,\mathbf{y}^{(r)}$，谁也不是其他几个的线性组合；最大能找到的这种个数叫解空间的维数，也叫矩阵的零度（nullity）。线性代数的秩–零度定理说： \[ \text{秩}(M)+\text{零度}(M)=n. \] 所以“有 $r$ 个线性无关解”就等于“$\text{秩}\,M(\mathbf{x})=n-r$”。$r$ 越大、秩越小、矩阵越退化。

“有非零解 ⟺ $H(\mathbf{x})=0$”：由第 1 节，固定 $\mathbf{x}$ 时 $M(\mathbf{x})\mathbf{y}=\mathbf{0}$ 有非零解当且仅当 $\det M(\mathbf{x})=H(\mathbf{x})=0$。引理 14.1 又保证 $H$ 不恒为零，所以 $H(\mathbf{x})=0$ 是一个“真方程”（不是 $0=0$ 那种废话方程）。
“这种 $\mathbf{x}$ 只有 $\ll R^{n-1}$ 个”：$H(\mathbf{x})=0$ 是一个不恒为零的 $n$ 次多项式方程，它在 $n$ 维空间里描出一张 $(n-1)$ 维曲面（少一维，因为多一个约束）。一张 $(n-1)$ 维曲面，在边长 $2R$ 的盒子里大约只含 $\ll R^{n-1}$ 个整点（比满盒子的 $R^n$ 少一个 $R$ 的因子）。这是“维数低一档、格点少一个幂次”的直观，第 4 节会把它讲严谨。
推广目标：“$r=1$”对应秩恰好掉到 $n-1$（零度 $1$）。现在要对每个 $r$ 都证：秩掉到 $n-r$（零度 $r$）的 $\mathbf{x}$，只有 $\ll R^{n-r}$ 个。为什么这是合理的？“秩掉得越多”是越苛刻的退化条件，要同时让更多子式为零，约束更多，满足的 $\mathbf{x}$ 应当更稀少，掉到 $n-r$ 维曲面上，格点 $\ll R^{n-r}$。这就是引理 14.3 的内容；为证它，先要一条代数几何的工具引理 14.2。

退化越深（$r$ 越大），单个 $\mathbf{x}$ 的解空间越大，但满足这种退化的 $\mathbf{x}$ 本身越稀少。一多一少，乘起来恰好被 $R^{n}$ 量级卡住——这是第 6 节算总账的关键。

原文段：先处理一个初等代数几何的问题是方便的。——这是在为引理 14.2 铺垫：要把“低维曲面上格点少”这件直觉严格化，需要“代数簇的维数”这个语言。

第 4 节　引理 14.2：一条代数几何工具（“低维 ⟹ 格点少 ⟹ 雅可比矩阵退化”）

引理 14.2. 设 $f_1(\mathbf{x}),\dots,f_N(\mathbf{x})$ 是 $x_1,\dots,x_n$ 的整系数型，且 $N$ 与它们的公共次数关于 $n$ 有界。若对某个任意大的 $R$，存在整点集 $\mathcal{X}$，其中 $\mathbf{x}$ 满足 \[ 0<|\mathbf{x}|

注. 这组关于 $\partial f_i/\partial x_\nu$ 的方程，等价于断言矩阵 $\big(\partial f_i/\partial x_\nu\big)$（$i=1,\dots,N$，$\nu=1,\dots,n$）的秩 $\le r-1$。这由初等矩阵理论得出。

先把结论“翻译成人话”这个矩阵 $\big(\partial f_i/\partial x_\nu\big)$ 叫雅可比矩阵（Jacobian），第 $i$ 行是函数 $f_i$ 的梯度（各偏导排一行）。引理说：如果方程组 $f_i=0$ 的整数解“多到超过 $R^{n-r+\varepsilon}$ 个”，那么必有某个解点，在那里所有这些梯度只张成一个 $\le r-1$ 维的空间（雅可比矩阵秩 $\le r-1$）。直觉：解太多 ⟹ 解集是个相当高维的曲面 ⟹ 在它上面，约束函数的梯度方向不够多（互相挤在低维里）。下面的“秩 $\le r-1$”与“能写成 $\sum_{\rho=1}^{r-1}T_{i\rho}D_{\rho\nu}$”是同一回事——见下卡。

符号卡 · 为什么“秩 ≤ r−1”就能写成那种求和

一个矩阵 $G_{i\nu}$（这里 $G_{i\nu}=\partial f_i/\partial x_\nu$）的秩 $\le r-1$，按定义等于：它的每个行向量都落在某个 $\le r-1$ 维的空间里，即存在 $r-1$ 个“基向量” $D_{\rho\,\cdot}=(D_{\rho1},\dots,D_{\rho n})$（$\rho=1,\dots,r-1$）使每一行都是它们的线性组合： \[ G_{i\nu}=\sum_{\rho=1}^{r-1}T_{i\rho}D_{\rho\nu}, \] 其中系数 $T_{i\rho}$ 是第 $i$ 行的“配方比例”。注意 $D_{\rho\nu}$ 不带 $i$（基与行无关），$T_{i\rho}$ 不带 $\nu$（配方比例与列无关）——这正是结论里反复强调的“$D$ 与 $f$ 无关、$T$ 与 $\nu$ 无关”。所以“写成那种求和” $\Longleftrightarrow$ “秩 $\le r-1$”，就是这条注的意思。

4.1　把方程组的解集看成“代数簇”，挑出一块主分量

原文：方程 $f_1=\dots=f_N=0$ 在 $n$ 维空间（或 $(n-1)$ 维射影空间）中定义了一个代数簇。这样的簇可表示为若干绝对不可约簇之并，且在当前假设下这些不可约簇的个数关于 $n$ 有界。因此存在其中之一，记作 $\mathcal{V}$，包含 $\mathcal{X}$ 中多于 $R^{\,n-r+\frac12\varepsilon}$ 个点。

符号卡 · 代数簇 / 不可约 / 维数

代数簇（variety）：一组多项式方程的公共解集，几何上就是若干曲面交在一起得到的图形。例如 $n=3$ 里 $x_1=0$ 是一张平面，$x_1^2+x_2^2=1$ 是一个柱面。

不可约（irreducible）：一个簇若不能拆成两块更小的簇之并，就叫不可约，相当于“一整块、不是几片拼起来的”。任何代数簇都能唯一地拆成有限多块不可约簇的并（像把一个图形拆成几个连通的整片）。“绝对”指在复数范围内不可约。

维数 $s$：这块簇“几维”。一条曲线 $s=1$、一张曲面 $s=2$，依此类推。本节只需用到维数的一个操作性刻画（见下）。

把解集拆成有限多块不可约簇之并。块数“关于 $n$ 有界”——因为 $N$ 和次数都被 $n$ 控制住了，分量数不会失控（这是代数几何里 Bézout 型的界）。设块数为 $\le B(n)$。
$\mathcal{X}$ 的全部点（多于 $R^{n-r+\varepsilon}$ 个）分布在这 $\le B(n)$ 块里。由抽屉原理：若每块都不超过 $R^{n-r+\frac12\varepsilon}$ 个点，则总数 $\le B(n)R^{n-r+\frac12\varepsilon}$，当 $R$ 充分大时这小于 $R^{n-r+\varepsilon}$（因为多出的 $R^{\frac12\varepsilon}$ 因子最终压过常数 $B(n)$），矛盾。故至少有一块 $\mathcal{V}$ 含多于 $R^{n-r+\frac12\varepsilon}$ 个 $\mathcal{X}$ 中的点。

为什么 $\varepsilon$ 要“减半”把要求从 $R^{n-r+\varepsilon}$ 降到 $R^{n-r+\frac12\varepsilon}$，是给抽屉原理“留出余量”：丢掉的那一半 $\frac12\varepsilon$ 用来吸收常数因子 $B(n)$。这是解析数论里典型的“拿 $\varepsilon$ 当缓冲”手法。

4.2　用维数把“格点数”与 $s$ 挂钩，得 $s\ge n-r+1$

原文：与 $\mathcal{V}$ 相联系的是其维数 $s$。我们只需 $s$ 的下述性质：不可约簇 $\mathcal{V}$ 可分解为有限多部分，在每部分上 $x_1,\dots,x_n$ 中有 $s$ 个是独立变量、另 $n-s$ 个是它们的单值可微函数。由此 $\mathcal{V}$ 含 $\ll R^s$ 个满足 \(|\mathbf{x}|

维数 $s$ 的操作性含义：在 $\mathcal{V}$ 的局部，可以挑出 $s$ 个坐标当“自由变量”（任意取值），剩下 $n-s$ 个坐标被它们唯一决定（是它们的可微函数）。这正说明 $\mathcal{V}$ 是“$s$ 维”的——有 $s$ 个自由度。
数 $\mathcal{V}$ 上的整点：一个整点落在 $\mathcal{V}$ 上、且 \(|\mathbf{x}|
两边一比：一方面 $\mathcal{V}$ 上的 $\mathcal{X}$-点多于 $R^{n-r+\frac12\varepsilon}$；另一方面 $\mathcal{V}$ 上的整点 $\ll R^s$。于是 $R^{n-r+\frac12\varepsilon}\lesssim R^s$。当 $R$ 大时，比较指数得 $s\ge n-r+\tfrac12\varepsilon$；但 $s$ 是整数、$n-r$ 也是整数，能严格超过 $n-r$ 的整数最小就是 $n-r+1$。故 \[ s\ge n-r+1,\qquad\text{即}\quad n-s\le r-1. \] 最后这个 $n-s\le r-1$ 是后面定结论的关键不等式。

“维数 $s$” 的用法：$s$ 个自由坐标各有 $\ll R$ 种取值，相乘得 $\ll R^s$ 个整点。解多 ⟹ $s$ 大 ⟹ $n-s$ 小。

4.3　在 $\mathcal{V}$ 上，凡处处为零的函数其梯度只占 $n-s$ 维

原文：考虑 $\mathcal{X}$ 在 $\mathcal{V}$ 上任一点的邻域，可设 $x_{s+1},\dots,x_n$ 是 $x_1,\dots,x_s$ 的单值可微函数。设 $f(x_1,\dots,x_n)$ 是在 $\mathcal{V}$ 上处处为零的任意可微函数。对恒等式 $f=0$ 关于 $x_\nu$（$\nu=1,\dots,s$）微分，得 \[ f^{(\nu)}+f^{(s+1)}\frac{\partial x_{s+1}}{\partial x_\nu}+\dots+f^{(n)}\frac{\partial x_n}{\partial x_\nu}=0, \] 其中 $f^{(j)}=\partial f/\partial x_j$（把 $x_1,\dots,x_n$ 当独立变量算）。

局部图像：取 $x_1,\dots,x_s$ 为自由变量，则 $x_{s+1},\dots,x_n$ 是它们的函数。于是在 $\mathcal{V}$ 上，$f$ 实际上只依赖 $x_1,\dots,x_s$（其余通过它们间接依赖），且 $f\equiv0$。
链式法则：对 $f\big(x_1,\dots,x_s,x_{s+1}(\cdot),\dots,x_n(\cdot)\big)=0$ 关于自由变量 $x_\nu$（$\nu\le s$）求导。直接依赖给出 $f^{(\nu)}$；通过 $x_{s+\rho}$ 的间接依赖各给出 $f^{(s+\rho)}\cdot\dfrac{\partial x_{s+\rho}}{\partial x_\nu}$。全部相加为 $0$（因为 $f$ 恒为 $0$）。这就是上式。

原文：于是对 $\nu=1,\dots,s$： \[ f^{(\nu)}=\sum_{\rho=1}^{n-s}f^{(s+\rho)}\Big(-\frac{\partial x_{s+\rho}}{\partial x_\nu}\Big)=\sum_{\rho=1}^{n-s}f^{(s+\rho)}D_{\rho\nu},\quad\text{记 }D_{\rho\nu}=-\frac{\partial x_{s+\rho}}{\partial x_\nu}. \] 若对 $\nu>s$ 定义 $D_{\rho\nu}=\begin{cases}1,&s+\rho=\nu\\0,&\text{否则}\end{cases}$，则同样关系对 $\nu=s+1,\dots,n$ 也成立。因此 \[ f^{(\nu)}(\mathbf{x})=\sum_{\rho=1}^{n-s}T_\rho(f)\,D_{\rho\nu}\quad(\nu=1,\dots,n),\qquad T_\rho(f)=f^{(s+\rho)}. \]

把上式移项：从 $f^{(\nu)}+\sum_\rho f^{(s+\rho)}\frac{\partial x_{s+\rho}}{\partial x_\nu}=0$ 解出 $f^{(\nu)}=-\sum_\rho f^{(s+\rho)}\frac{\partial x_{s+\rho}}{\partial x_\nu}$。把负号收进新记号 $D_{\rho\nu}=-\partial x_{s+\rho}/\partial x_\nu$，就得到 $\nu\le s$ 时的公式。
补全 $\nu>s$ 的情形：当 $\nu=s+\rho_0$ 是“被决定的坐标”时，它对应的偏导 $f^{(\nu)}=f^{(s+\rho_0)}=T_{\rho_0}(f)$。用刚定义的 $D_{\rho\nu}$（只有 $\rho=\rho_0$ 那项为 $1$，其余为 $0$）正好让 $\sum_\rho T_\rho(f)D_{\rho\nu}=T_{\rho_0}(f)=f^{(\nu)}$。所以统一的公式对所有 $\nu=1,\dots,n$ 都成立。
读出结构：对每一个在 $\mathcal{V}$ 上恒为零的 $f$，它的整行梯度 $(f^{(1)},\dots,f^{(n)})$ 都是同一组 $n-s$ 个向量 $D_{\rho\,\cdot}$ 的线性组合，配方比例是 $T_\rho(f)=f^{(s+\rho)}$。关键：$D_{\rho\nu}$ 不依赖 $f$（只跟簇 $\mathcal{V}$ 的局部形状有关），$T_\rho(f)$ 不依赖 $\nu$。

原文收尾：这就证明了命题中的结论，因为 $n-s\le r-1$，且这些关系在 $\mathcal{V}$ 上任一点成立，特别在 $\mathcal{X}\cap\mathcal{V}$ 的任一点成立。

每个 $f_i$（题设方程）在解集上、从而在 $\mathcal{V}\subseteq$ 解集上处处为零，故可把上面的 $f$ 取成 $f_i$：$\dfrac{\partial f_i}{\partial x_\nu}=\sum_{\rho=1}^{n-s}T_\rho(f_i)\,D_{\rho\nu}$。
记 $T_{i\rho}=T_\rho(f_i)$。由 4.2 的 $n-s\le r-1$，求和上限 $n-s$ 可以补零项延长到 $r-1$（多出来的 $\rho$ 取 $T_{i\rho}=0$）。于是 \[ \frac{\partial f_i}{\partial x_\nu}=\sum_{\rho=1}^{r-1}T_{i\rho}D_{\rho\nu}, \] 正是引理 14.2 的结论。它在 $\mathcal{V}$ 上任意一点成立，自然也在 $\mathcal{X}$ 落在 $\mathcal{V}$ 上的某点成立——这就找到了“某个点 $\mathbf{x}$”。∎

第 5 节　引理 14.3：秩恰为 $r$ 的 $\mathbf{x}$ 不超过 $R^{\,n-r+\varepsilon}$ 个

引理 14.3. 设对所有非零整点 $\mathbf{x}\neq\mathbf{0}$ 有 $C(\mathbf{x})\neq0$。则满足 \(0<|\mathbf{x}|

证明的总策略（反证 + 引理 14.2）假设这种 $\mathbf{x}$ 反而有 $\ge R^{n-r+\varepsilon}$ 个。这些 $\mathbf{x}$ 使一堆 $n-r+1$ 阶子式为零（即矩阵 $M(\mathbf{x})$ 的秩 $=n-r$，由秩–零度定理等价于解空间维数 $=r$），正好落入引理 14.2 的框架。于是能找到一个特殊点 $\mathbf{x}$，在那里雅可比退化。把这点的退化信息，顺着第 2 节同样的“求导—乘—求和”流程推下去，最终造出一个非零整点 $\mathbf{Y}$ 使 $C(\mathbf{Y})=0$，与“$C$ 不表示零”矛盾。所以那种 $\mathbf{x}$ 不可能那么多。

5.1　锁定研究对象 $\mathcal{X}$，套上引理 14.2

原文：所讨论的点是使矩阵 $\big(\sum_i c_{ijk}x_i\big)$ 秩恰为 $r$ 的点。只需考虑整点集 $\mathcal{X}$：其中某个特定的 $n-r$ 阶子式 $\neq0$、而所有 $n-r+1$ 阶子式 $=0$，并证 \(|\mathcal{X}|

关于“秩恰为 $r$”的措辞（原文一处笔误）原文这句写“矩阵 $\big(\sum_i c_{ijk}x_i\big)$ 的秩恰为 $r$”，但紧接着的描述却是“某个 $n-r$ 阶子式非零、所有 $n-r+1$ 阶子式全零”——后者意味着秩 $=n-r$（而不是 $r$）。这是 Davenport 原文的一处笔误：此处的秩应为 $n-r$，才与本引理“恰有 $r$ 个线性无关解”（解空间维数 $=r$，由秩–零度定理得秩 $=n-r$）相吻合。核心是同一件事：把“矩阵秩 $=n-r$”这件几何条件，翻译成“某组 $n-r+1$ 阶子式为零、某个 $n-r$ 阶子式不为零”这件多项式方程条件，从而能调用引理 14.2。下面跟随原文，记这组消失的 $n-r+1$ 阶子式为 $f_1,\dots,f_N$。

为什么能“只看一个 $\mathcal{X}$”：“秩固定”可按“哪个 $n-r$ 阶子式非零”分成有限多类（子式的选法有限）。每一类是一个 $\mathcal{X}$。有限个集合里若总数 $\ge R^{n-r+\varepsilon}$，必有一类也几乎这么多，对那一类证矛盾即可。
套引理 14.2：在 $\mathcal{X}$ 上，所有 $n-r+1$ 阶子式 $f_1,\dots,f_N$ 为零；$N$（子式个数）和它们的次数都被 $n$ 限制住（子式是 $n-r+1$ 个一次元的行列式，次数 $=n-r+1\le n$）。假设 $|\mathcal{X}|\ge R^{n-r+\varepsilon}$，引理 14.2 给出一个特殊点 $\mathbf{x}^\star\in\mathcal{X}$，在那里雅可比 $\big(\partial f_i/\partial x_\nu\big)$ 秩 $\le r-1$。这个 $\mathbf{x}^\star$ 从此固定。

5.2　在每个 $\mathbf{x}$ 上造出 $r$ 个线性无关解 $\mathbf{y}^{(p)}$

原文：对 $\mathcal{X}$ 中任意 $\mathbf{x}$，可像引理 14.1 那样，用某些 $n-r$ 阶子式当坐标，构造双线性方程的 $r$ 个线性无关解 $\mathbf{y}^{(1)},\dots,\mathbf{y}^{(r)}$。（14.1 证明里只要一个解，取 $y_{n-r+1}=-\Delta$、其余为 $0$；推广到 $r$ 个解是显然的。）

回忆 2.2：当某个 $n-r$ 阶子式 $\Delta\neq0$ 时，把“多出来的那一列”换在不同位置，可得到不同的解。秩 $=r$ 意味着零度（解空间维数）$=r$，所以确实能配出 $r$ 个线性无关解。具体做法：让额外的取值列在第 $n-r+1,\,n-r+2,\dots,\,n$ 这 $r$ 个位置上轮流取 $1$，各得一个解 $\mathbf{y}^{(p)}$，它们的坐标都是 $\mathbf{x}$ 的 $n-r$ 阶子式（整系数多项式）。

线性无关来自：这些解在“被设为 $1$ 的那一坐标”上互不相同地取了 $1$、其余取 $0$（再乘 $-\Delta$），所以谁也不是别人的组合。这一点在 5.4 末尾要紧。

5.3　建立恒等式，并对它求导、配对

原文：考虑任意点 $\mathbf{x}$（实或复）下 $B_j(\mathbf{x}\mid\mathbf{y}^{(p)})$ 的值，它是开头那个矩阵的某个 $n-r+1$ 阶子式（有时会是两行相同的子式，但无妨）。于是对任意 $\mathbf{x}$ 有恒等式 \[ \sum_{i,k}c_{ijk}\,x_i\,y_k^{(p)}=\Delta_{j,p}(\mathbf{x}), \] 其中 $\Delta_{j,p}(\mathbf{x})$ 是某个 $n-r+1$ 阶子式。当然，若 $\mathbf{x}\in\mathcal{X}$，所有 $\Delta_{j,p}$ 都为零。

左边即 $B_j(\mathbf{x}\mid\mathbf{y}^{(p)})$。把 $\mathbf{y}^{(p)}$（其坐标是 $n-r$ 阶子式）代进去，行列式按列展开后整体是一个 $(n-r+1)\times(n-r+1)$ 的行列式，即某个 $n-r+1$ 阶子式 $\Delta_{j,p}(\mathbf{x})$。它对一切 $\mathbf{x}$ 都成立，是多项式恒等式（这一步关键：不是只在 $\mathcal{X}$ 上，而是处处成立，才能放心求导）。
在 $\mathcal{X}$ 上 $\Delta_{j,p}=0$：因为 $\mathcal{X}$ 的定义就是“所有 $n-r+1$ 阶子式为零”。

原文：把 $x_1,\dots,x_n$ 当独立变量，对 $x_\nu$ 求导： \[ \sum_{k}c_{\nu jk}\,y_k^{(p)}+\sum_{i,k}c_{ijk}\,x_i\,\frac{\partial y_k^{(p)}}{\partial x_\nu}=\Delta_{j,p}^{(\nu)}(\mathbf{x}), \] 右端 $(\nu)$ 表示偏导。乘以 $y_j^{(q)}$（$1\le q\le r$）并对 $j$ 求和，得 \[ \sum_{j,k}c_{\nu jk}\,y_k^{(p)}y_j^{(q)}+\sum_{k}\Delta_{k,q}\,\frac{\partial y_k^{(p)}}{\partial x_\nu}=\sum_{j}y_j^{(q)}\,\Delta_{j,p}^{(\nu)}(\mathbf{x}). \]

求导：和第 2 节 $(\ast)$ 完全同型，只是右端不再是 $0$ 而是 $\Delta_{j,p}^{(\nu)}$（因为现在右端是子式 $\Delta_{j,p}$，不恒为零）。
乘 $y_j^{(q)}$ 求和，处理交叉项：第二个和里出现 $\sum_{i,j}c_{ijk}x_iy_j^{(q)}$。由 0.2 的换位公式它等于 $B_k(\mathbf{x}\mid\mathbf{y}^{(q)})=\Delta_{k,q}(\mathbf{x})$（用 5.3 第 1 步的恒等式，把上标换成 $q$）。于是第二个和写成 $\sum_k\Delta_{k,q}\,\partial y_k^{(p)}/\partial x_\nu$，正是原文形式。这里不能像第 2 节那样直接说它为零，因为现在 $\mathbf{x}$ 还没固定、$\Delta_{k,q}$ 一般非零；要等到把 $\mathbf{x}$ 取成 $\mathbf{x}^\star$ 才让它为零。

5.4　对解空间里的一般点 $\mathbf{Y}$ 求和，固定 $\mathbf{x}^\star$

原文：取由 $\mathbf{y}^{(1)},\dots,\mathbf{y}^{(r)}$ 张成的 $r$ 维空间中任意点 $\mathbf{Y}=\sum_{p=1}^{r}K_p\mathbf{y}^{(p)}$。对它，用 $\sum_{p,q}K_pK_q(\cdots)$ 把上式加权合并： \[ \sum_{j,k}c_{\nu jk}Y_jY_k+\sum_{p,q}K_pK_q\sum_k\Delta_{k,q}\frac{\partial y_k^{(p)}}{\partial x_\nu}=\sum_{p,q}K_pK_q\sum_j y_j^{(q)}\Delta_{j,p}^{(\nu)}=\sum_{p}\sum_j A_{j,p}\Delta_{j,p}^{(\nu)}, \] 对 $\nu=1,\dots,n$ 成立。

符号卡 · $\mathbf{Y}=\sum_p K_p\mathbf{y}^{(p)}$ 与 $A_{j,p}$

$\mathbf{Y}$ 是把 $r$ 个基本解 $\mathbf{y}^{(p)}$ 以系数 $K_1,\dots,K_r$ 线性组合得到的任意解。它的分量 $Y_j=\sum_p K_p y_j^{(p)}$。约定 $A_{j,p}=\sum_q K_pK_q y_j^{(q)}=K_p\sum_q K_q y_j^{(q)}=K_p Y_j$（把对 $q$ 的和先收成 $Y_j$）。这就是右端那步“记作如此”的来历。

左边第一项变 $C$-型：$\sum_{p,q}K_pK_q\sum_{j,k}c_{\nu jk}y_k^{(p)}y_j^{(q)}=\sum_{j,k}c_{\nu jk}\big(\sum_p K_p y_k^{(p)}\big)\big(\sum_q K_q y_j^{(q)}\big)=\sum_{j,k}c_{\nu jk}Y_jY_k$。即把两组求和分别收成 $Y_k,Y_j$。
右边收成 $A_{j,p}$：$\sum_{p,q}K_pK_q\sum_j y_j^{(q)}\Delta_{j,p}^{(\nu)}=\sum_{p,j}\big(\sum_q K_pK_q y_j^{(q)}\big)\Delta_{j,p}^{(\nu)}=\sum_{p,j}A_{j,p}\Delta_{j,p}^{(\nu)}$。
固定 $\mathbf{x}=\mathbf{x}^\star$（引理 14.2 找到的点）：这里 $\Delta_{k,q}=0$（所有 $n-r+1$ 阶子式为零），所以左边第二项整块消失；同时由引理 14.2，$\Delta_{j,p}^{(\nu)}=\sum_{\rho=1}^{r-1}T_{j,p,\rho}D_{\rho\nu}$（把 $f_i$ 取成子式 $\Delta_{j,p}$）。代入得 \[ \sum_{j,k}c_{\nu jk}Y_jY_k=\sum_{p}\sum_j A_{j,p}\sum_{\rho=1}^{r-1}T_{j,p,\rho}D_{\rho\nu}. \]

5.5　乘 $Y_\nu$ 求和得 $C(\mathbf{Y})$，再用 $K$ 把它逼成 $0$

原文：乘以 $Y_\nu=\sum_\sigma K_\sigma y_\nu^{(\sigma)}$ 并对 $\nu$ 求和： \[ C(\mathbf{Y})=\sum_{p}\sum_j A_{j,p}\sum_{\sigma=1}^{r}\sum_{\rho=1}^{r-1}K_\sigma y_\nu^{(\sigma)}T_{j,p,\rho}D_{\rho\nu}. \] （右端隐含对 $\nu$ 求和。）现在选 $K_1,\dots,K_r$ 满足 \[ \sum_{\sigma=1}^{r}K_\sigma\sum_\nu y_\nu^{(\sigma)}D_{\rho\nu}=0\qquad(1\le\rho\le r-1). \]

左边变 $C(\mathbf{Y})$：$\sum_\nu Y_\nu\sum_{j,k}c_{\nu jk}Y_jY_k=\sum_{\nu,j,k}c_{\nu jk}Y_\nu Y_jY_k=C(\mathbf{Y})$（三下标求和正是 $C$ 的定义）。
右边整理：把 $Y_\nu=\sum_\sigma K_\sigma y_\nu^{(\sigma)}$ 代入并对 $\nu$ 求和，关键是把含 $\nu$ 的因子聚到一起：$\sum_\nu y_\nu^{(\sigma)}D_{\rho\nu}$。于是 \[ C(\mathbf{Y})=\sum_{p,j}A_{j,p}\sum_{\rho=1}^{r-1}T_{j,p,\rho}\Big(\sum_{\sigma=1}^{r}K_\sigma\underbrace{\sum_\nu y_\nu^{(\sigma)}D_{\rho\nu}}_{\text{只含 }\sigma,\rho}\Big). \]
让最内层括号为零：方程组 \[ \sum_{\sigma=1}^{r}K_\sigma\Big(\sum_\nu y_\nu^{(\sigma)}D_{\rho\nu}\Big)=0,\qquad\rho=1,\dots,r-1 \] 是关于 $r$ 个未知数 $K_1,\dots,K_r$ 的 $r-1$ 个齐次线性方程。未知数比方程多一个，必有非零解（齐次方程组里方程数少于未知数时总有非零解）。
取成整数：系数 $\sum_\nu y_\nu^{(\sigma)}D_{\rho\nu}$ 可取有理（$D_{\rho\nu}$ 是局部坐标的导数，可安排为有理数；$y_\nu^{(\sigma)}$ 是整数）。有理系数的齐次方程组，把非零有理解通分即得非零整数解 $K_1,\dots,K_r$。
结论 $C(\mathbf{Y})=0$：一旦每个 $\rho$ 的内层括号为零，第 2 步右端整体为 $0$，故 $C(\mathbf{Y})=0$。

原文收尾：于是 $\mathbf{Y}=\sum_p K_p\mathbf{y}^{(p)}$ 是非零整点（因 $\mathbf{y}^{(p)}$ 线性无关、$K$ 不全为零），又 $C(\mathbf{Y})=0$，与“$C$ 不表示零”矛盾。结论得证。∎

$K_1,\dots,K_r$ 为整数，$\mathbf{y}^{(p)}$ 坐标为整数，故 $\mathbf{Y}$ 是整点。
$\mathbf{y}^{(p)}$ 线性无关（5.2 末），且 $K$ 不全为零，所以 $\mathbf{Y}\neq\mathbf{0}$。这一步用到了“$\mathbf{x}^\star\in\mathcal{X}$”（在 $\mathcal{X}$ 上秩恰为预期值，$r$ 个解才真线性无关）。
得到非零整点 $\mathbf{Y}$ 使 $C(\mathbf{Y})=0$，推翻“$C$ 不表示零”。所以最初的反设“$|\mathcal{X}|\ge R^{n-r+\varepsilon}$”不成立，即这种 $\mathbf{x}$ 少于 $R^{n-r+\varepsilon}$ 个。∎

注（不可忽视的逻辑陷阱）. 上述证明中，$K_1,\dots,K_r$ 的选取没有用到数 $A_{j,p}$。否则推理就是谬误，因为 $A_{j,p}=K_pY_j$ 本身依赖 $K$——若选 $K$ 时又去迁就 $A_{j,p}$，就成了“用结果定原因”的循环论证。我们只用 $\sum_\nu y_\nu^{(\sigma)}D_{\rho\nu}$（与 $A_{j,p}$ 无关）来定 $K$，干净地避开了循环。

为什么这套又长又绕的推导是必须的读到这里你可能会问：第 2 节那么短，为什么第 5 节这么长？区别在于：引理 14.1 处理的是“$H\equiv0$（全局退化）”，可以直接用一个解、一次求导就拼出 $C(\mathbf{y})=0$；而引理 14.3 处理的是“在某一片 $\mathcal{X}$ 上退化、但不是全局恒等”，此时子式 $\Delta_{j,p}$ 不恒为零，求导后会冒出讨厌的右端项 $\Delta_{j,p}^{(\nu)}$。正是为了驯服这些非零的导数项，才需要引理 14.2 提供“雅可比秩 $\le r-1$ ⟹ 导数能用 $r-1$ 个 $D$ 配出来”，再用 $r-1$ 个方程定 $K$ 把它们一举清零。长度来自这份额外的“清理工作”。

第 6 节　引理 14.4：备择情形 A 蕴涵 $C$ 表示零（收官）

引理 14.4. 引理 13.4 的备择情形 A 蕴涵 $C(\mathbf{x})$ 表示 $0$。

原文证明：若 $C(\mathbf{x})$ 不表示零，则引理 14.1 与 14.3 蕴涵：存在 $\ll R^{n-r+\varepsilon}$ 个 $\mathbf{x}$ 使双线性方程关于 $\mathbf{y}$ 恰有 $r$ 个线性无关解。因此存在 $\ll R^{n+\varepsilon}$ 对满足 \(0<|\mathbf{x}|

这是把前面所有引理“算总账”的一步。逐步看清那两个相乘的幂次怎么恰好凑成 $R^{n+\varepsilon}$。

反设：假设 $C$ 不表示零。这样引理 14.1（保证 $H\not\equiv0$）与引理 14.3（计数）的前提都满足。
按秩分类数点对：每个满足双线性方程的整点对 $(\mathbf{x},\mathbf{y})$，其 $\mathbf{x}$ 必使 $M(\mathbf{x})$ 退化（有非零 $\mathbf{y}$ 解）。按解空间维数 $r=1,2,\dots,n-1$ 把这些 $\mathbf{x}$ 分类。
固定 $r$，数 $\mathbf{x}$：由引理 14.3，“恰有 $r$ 个线性无关解”的 $\mathbf{x}$ 有 $\ll R^{n-r+\varepsilon}$ 个。
固定这样一个 $\mathbf{x}$，数 $\mathbf{y}$：满足 $M(\mathbf{x})\mathbf{y}=\mathbf{0}$ 的整数 $\mathbf{y}$ 构成一个秩 $r$ 的格（解空间维数 $=r$）。在 \(|\mathbf{y}|
相乘：固定 $r$ 时点对数 $\ll R^{n-r+\varepsilon}\cdot R^{r}=R^{n+\varepsilon}$。注意 $R^{-r}$ 与 $R^{+r}$ 正好抵消！——“$\mathbf{x}$ 越退化越稀少（$R^{-r}$）”与“每个退化 $\mathbf{x}$ 配的 $\mathbf{y}$ 越多（$R^{+r}$）”精确平衡，这正是第 3 节那张图想说的事。
对 $r$ 求和：$r$ 只取 $1,\dots,n-1$（有限项，项数 $\le n$），每项 $\ll R^{n+\varepsilon}$，加起来仍 $\ll R^{n+\varepsilon}$。故满足双线性方程的整点对总数 $\ll R^{n+\varepsilon}$。
撞上情形 A 得矛盾：情形 A 断言这种点对“多于 $R^{n+\varepsilon_A}$ 个”。把本章用的 $\varepsilon$ 取成 $\varepsilon=\tfrac12\varepsilon_A$，则本章得到的上界 $R^{\,n+\frac12\varepsilon_A}$ 当 $R$ 充分大时小于情形 A 要求的下界 $R^{\,n+\varepsilon_A}$。一个量既要 $>R^{n+\varepsilon_A}$ 又要 \(
结论：反设“$C$ 不表示零”不成立。故在情形 A 下，$C$ 必表示零——存在非零整点 $\mathbf{z}$ 使 $C(\mathbf{z})=0$。∎

“$\ll R^n$”那句括注是什么意思原文最后说“本证明实际表明点对数 $\ll R^n$”。看第 5、6 步：固定 $r$ 时上界其实是 $R^{n-r+\varepsilon}\cdot R^r=R^{n+\varepsilon}$，这里的 $\varepsilon$ 只来自引理 14.3 的计数余量。若改用本章开头提到的“更弱假设 $AR^n$”那套写法，可把余量收紧到纯 $R^n$（不带 $\varepsilon$）。这呼应了第 1 节的取舍说明：$\varepsilon$ 只为行文方便，本质结果是 $R^n$ 量级。

四条引理的依赖关系：14.1、14.2 是基石，14.3 借它们完成计数，14.4 把计数与情形 A 对撞出矛盾，逼出“$C$ 表示零”。

回头看：本章在整个证明里的位置第 13 章用圆法把“$C(\mathbf{x})=0$ 有解吗”逼到引理 13.4 的岔路口：情形 A（双线性方程解多到反常）或情形 B（指数和有非平凡上界，可继续圆法）。本章证明的引理 14.4 表明：走情形 A 这条路，直接到达终点“$C$ 表示零”。剩下的情形 B 由第 15–18 章用主弧/次弧、奇异积分、奇异级数、$p$-adic 问题等圆法机器处理。两路合流，便得到 Davenport 关于足够多变量的三次型必有非平凡零点的著名定理。历史上，这类结果（Davenport 1959、1963 及后续 Davenport–Lewis 等）确立了“变量够多时三次方程一定有整数解”，是解析数论用圆法攻克高次型的里程碑；本章这套“用解的反常多迫出退化、再用代数几何收尾”的技巧，正是其中不依赖圆法、纯代数的关键一环。

返回全书目录

三次型：双线性方程Cubic forms: bilinear equations

第 0 节　先把“舞台”和记号讲清楚

0.1　三次型 \(C(\mathbf{x})\) 与对称系数 \(c_{ijk}\)

0.2　双线性型 \(B_j(\mathbf{x}\mid\mathbf{y})\)

0.3　“大小” \(|\mathbf{x}|\) 与“整点对很多”的含义

第 1 节　把双线性方程组看成线性方程组，引出 Hessian \(H(\mathbf{x})\)

第 2 节　引理 14.1：\(C\) 不表示零 ⟹ Hessian 不恒为零

2.1　反设与“恒等秩”的设定

2.2　用 Cramer 法则写出一个非零解

2.3　对恒等式求导，挤出 \(C(\mathbf{y})=0\)

2.4　代入一个具体整点，导出矛盾

第 3 节　从 \(r=1\) 到一般 \(r\)：要数的到底是什么

第 4 节　引理 14.2：一条代数几何工具（“低维 ⟹ 格点少 ⟹ 雅可比矩阵退化”）

4.1　把方程组的解集看成“代数簇”，挑出一块主分量

4.2　用维数把“格点数”与 \(s\) 挂钩，得 \(s\ge n-r+1\)

4.3　在 \(\mathcal{V}\) 上，凡处处为零的函数其梯度只占 \(n-s\) 维

第 5 节　引理 14.3：秩恰为 \(r\) 的 \(\mathbf{x}\) 不超过 \(R^{\,n-r+\varepsilon}\) 个

5.1　锁定研究对象 \(\mathcal{X}\)，套上引理 14.2

5.2　在每个 \(\mathbf{x}\) 上造出 \(r\) 个线性无关解 \(\mathbf{y}^{(p)}\)

5.3　建立恒等式，并对它求导、配对

5.4　对解空间里的一般点 \(\mathbf{Y}\) 求和，固定 \(\mathbf{x}^\star\)

5.5　乘 \(Y_\nu\) 求和得 \(C(\mathbf{Y})\)，再用 \(K\) 把它逼成 \(0\)

第 6 节　引理 14.4：备择情形 A 蕴涵 \(C\) 表示零（收官）

第 0 节 先把“舞台”和记号讲清楚

0.1 三次型 \(C(\mathbf{x})\) 与对称系数 \(c_{ijk}\)

0.2 双线性型 \(B_j(\mathbf{x}\mid\mathbf{y})\)

0.3 “大小” \(|\mathbf{x}|\) 与“整点对很多”的含义

第 1 节 把双线性方程组看成线性方程组，引出 Hessian \(H(\mathbf{x})\)

第 2 节 引理 14.1：\(C\) 不表示零 ⟹ Hessian 不恒为零

2.1 反设与“恒等秩”的设定

2.2 用 Cramer 法则写出一个非零解

2.3 对恒等式求导，挤出 \(C(\mathbf{y})=0\)

2.4 代入一个具体整点，导出矛盾

第 3 节 从 \(r=1\) 到一般 \(r\)：要数的到底是什么

第 4 节 引理 14.2：一条代数几何工具（“低维 ⟹ 格点少 ⟹ 雅可比矩阵退化”）

4.1 把方程组的解集看成“代数簇”，挑出一块主分量

4.2 用维数把“格点数”与 \(s\) 挂钩，得 \(s\ge n-r+1\)

4.3 在 \(\mathcal{V}\) 上，凡处处为零的函数其梯度只占 \(n-s\) 维

第 5 节 引理 14.3：秩恰为 \(r\) 的 \(\mathbf{x}\) 不超过 \(R^{\,n-r+\varepsilon}\) 个

5.1 锁定研究对象 \(\mathcal{X}\)，套上引理 14.2

5.2 在每个 \(\mathbf{x}\) 上造出 \(r\) 个线性无关解 \(\mathbf{y}^{(p)}\)

5.3 建立恒等式，并对它求导、配对

5.4 对解空间里的一般点 \(\mathbf{Y}\) 求和，固定 \(\mathbf{x}^\star\)

5.5 乘 \(Y_\nu\) 求和得 \(C(\mathbf{Y})\)，再用 \(K\) 把它逼成 \(0\)

第 6 节 引理 14.4：备择情形 A 蕴涵 \(C\) 表示零（收官）

第 0 节　先把“舞台”和记号讲清楚

0.1　三次型 \(C(\mathbf{x})\) 与对称系数 \(c_{ijk}\)

0.2　双线性型 \(B_j(\mathbf{x}\mid\mathbf{y})\)

0.3　“大小” \(|\mathbf{x}|\) 与“整点对很多”的含义

第 1 节　把双线性方程组看成线性方程组，引出 Hessian \(H(\mathbf{x})\)

第 2 节　引理 14.1：\(C\) 不表示零 ⟹ Hessian 不恒为零

2.1　反设与“恒等秩”的设定

2.2　用 Cramer 法则写出一个非零解

2.3　对恒等式求导，挤出 \(C(\mathbf{y})=0\)

2.4　代入一个具体整点，导出矛盾

第 3 节　从 \(r=1\) 到一般 \(r\)：要数的到底是什么

第 4 节　引理 14.2：一条代数几何工具（“低维 ⟹ 格点少 ⟹ 雅可比矩阵退化”）

4.1　把方程组的解集看成“代数簇”，挑出一块主分量

4.2　用维数把“格点数”与 \(s\) 挂钩，得 \(s\ge n-r+1\)

4.3　在 \(\mathcal{V}\) 上，凡处处为零的函数其梯度只占 \(n-s\) 维

第 5 节　引理 14.3：秩恰为 \(r\) 的 \(\mathbf{x}\) 不超过 \(R^{\,n-r+\varepsilon}\) 个

5.1　锁定研究对象 \(\mathcal{X}\)，套上引理 14.2

5.2　在每个 \(\mathbf{x}\) 上造出 \(r\) 个线性无关解 \(\mathbf{y}^{(p)}\)

5.3　建立恒等式，并对它求导、配对

5.4　对解空间里的一般点 \(\mathbf{Y}\) 求和，固定 \(\mathbf{x}^\star\)

5.5　乘 \(Y_\nu\) 求和得 \(C(\mathbf{Y})\)，再用 \(K\) 把它逼成 \(0\)

第 6 节　引理 14.4：备择情形 A 蕴涵 \(C\) 表示零（收官）