簇有维数——曲线 1 维、曲面 2 维、$\mathbb{A}^n$ 是 $n$ 维。在代数几何中，维数有三种等价定义：（1）Krull 维数，（2）超越次数，（3）切空间维数（在光滑点）。本章我们看到这三种定义如何统一，并由此引出最迷人的话题：奇点（singular point）——那些"几何形状破裂"的点，它们是代数几何的灵魂。
维数测量"自由度"，奇点测量"形状的破损"。两者一起构成了仿射簇的"局部 DNA"。
1. 维数的三种定义
Krull 维数（代数）
$X$ 的 Krull 维数 $\dim X$ = 坐标环 $k[X]$ 的素理想链 $$ \mathfrak{p}_0 \subsetneq \mathfrak{p}_1 \subsetneq \cdots \subsetneq \mathfrak{p}_d $$ 的最大长度 $d$。
超越次数（场论）
设 $X$ 不可约。函数域 $K(X) = \mathrm{Frac}(k[X])$ 是 $k$ 的有限生成域扩张。 $$ \dim X = \mathrm{tr.deg}_k K(X) $$ 即 $K(X)$ 在 $k$ 上的超越次数（最多有几个互相代数独立的元素）。
三种定义一致
对仿射簇 $X$（$k$ 代数闭）： $$ \dim_{\mathrm{Krull}} k[X] \;=\; \mathrm{tr.deg}_k K(X) \;=\; \dim_k T_p X \quad (\text{光滑点 } p). $$ 三个角度殊途同归——这是代数几何的早期惊喜。
例：常见簇的维数
- $\dim \mathbb{A}^n = n$，因为 $k[x_1,\ldots,x_n]$ 中 $0\subsetneq(x_1)\subsetneq(x_1,x_2)\subsetneq\cdots\subsetneq(x_1,\ldots,x_n)$ 是长度 $n$ 的素理想链。
- $\dim$ 单点 $= 0$。
- $\dim$ 平面曲线（如圆、抛物线、椭圆曲线）$= 1$。
- $\dim V(xy) = 1$（两轴并起来仍 1 维），但它不不可约。
图解 1：维数直觉 — 曲线 / 曲面 / 三维簇
2. 切空间：$T_p X = (\mathfrak{m}_p / \mathfrak{m}_p^2)^*$
在微积分里，曲面在一点的切平面是用偏导数构造的——它捕捉"无穷小线性逼近"。代数几何把这一思想纯代数化：
切空间（代数定义）
设 $X$ 是仿射簇，$p \in X$，$\mathfrak{m}_p \subset k[X]$ 是 $p$ 对应的极大理想。则 $X$ 在 $p$ 处的切空间定义为： $$ T_p X \;=\; (\mathfrak{m}_p / \mathfrak{m}_p^2)^* $$ 即 $\mathfrak{m}_p / \mathfrak{m}_p^2$ 作为 $k[X]/\mathfrak{m}_p \cong k$ 上的向量空间的对偶。$\mathfrak{m}_p / \mathfrak{m}_p^2$ 称为 $X$ 在 $p$ 处的余切空间。
切空间的微积分公式
设 $X = V(f_1,\ldots,f_r) \subset \mathbb{A}^n$，$p\in X$。则 $$ T_p X \cong \ker\!\big(J(p)\big),\qquad J(p) = \left[\frac{\partial f_i}{\partial x_j}(p)\right]_{i,j} $$ 其中 $J(p)$ 是Jacobian 矩阵在 $p$ 处的求值。即 $T_p X$ 是 Jacobian 的核（一个 $\mathbb{A}^n$ 中的线性子空间）。
直观：取一个在 $p$ 处消失的多项式 $g \in \mathfrak{m}_p$，把它的"线性部分"$\sum \frac{\partial g}{\partial x_i}(p)\,(x_i - p_i)$ 提取出来——这恰好是 $g$ 在 $\mathfrak{m}_p / \mathfrak{m}_p^2$ 中的像。所以 $\mathfrak{m}_p / \mathfrak{m}_p^2$ 把"在 $p$ 处的多项式"压成"它的线性部分"。
图解 2：切空间 = 簇在一点的"线性逼近"
3. 光滑点与奇点
光滑点（Smooth Point / Regular Point）
设 $X$ 不可约，$p \in X$。$p$ 称为 $X$ 的光滑点（或正则点），若 $$ \dim_k T_p X = \dim X. $$ 否则 $p$ 是奇点（singular point），此时必有 $\dim_k T_p X > \dim X$。
Jacobian 判别法
设 $X = V(f_1,\ldots,f_r) \subset \mathbb{A}^n$ 是 $d$ 维不可约簇。点 $p \in X$ 是光滑的 ⟺ $$ \mathrm{rank}\, J(p) = n - d. $$ 即 Jacobian 矩阵在光滑点处达到"最大可能秩"，在奇点处秩降低。
例：$y^2 = x^3$ 的尖点
令 $f = y^2 - x^3$，$X = V(f)$ 是 1 维曲线（在 $\mathbb{A}^2$ 中）。Jacobian $$ J = \begin{pmatrix} -3x^2 & 2y \end{pmatrix}. $$ 在 $(0,0)$ 处 $J = (0, 0)$，秩 $= 0 \neq 1 = n - d$，所以 $(0,0)$ 是奇点（尖点 cusp）。在其他点 $(x_0, y_0)\neq (0,0)$ 处 $J\neq 0$，秩 $=1$，光滑。
图解 3：奇点分类对比 — 光滑 / 尖点 / 结点（本章核心）
4. 奇点分类：尖点 vs 结点
虽然尖点和结点的 $\dim T_p$ 都是 2，但性质迥异：
- 尖点（cusp）：曲线在一点"折回"，只有一条切线方向（重数 2）。代数标记：$y^2 = x^3$ 中 $\mathfrak{m}_0 / \mathfrak{m}_0^2 \cong k^2$，但二阶项 $y^2$ 是个完全平方——退化的。
- 结点（node, ordinary double point）：曲线"自相交"，两条不同切线方向。代数标记：$y^2 = x^2(x+1)$ 中，二次形式 $y^2 - x^2 = (y-x)(y+x)$ 分解为两个线性因子——非退化二次型。
奇点的"代数化"
设 $f \in k[x,y]$ 在 $0$ 处消失，且 $0$ 是 $V(f)$ 的奇点。把 $f$ 在 $0$ 处的初等齐次分量 $f_d$（最低次齐次项）写成：
- 若 $f_2$ 不退化（两个不同线性因子）→ 普通双重点（结点）；
- 若 $f_2$ 是完全平方但 $f_3$ 不被 $f_2$ 因子整除 → 尖点；
- 更高的复杂情形 → 高阶奇点（如 tacnode、triple point 等）。
图解 4：Jacobian 秩 ↔ 光滑/奇点决策树
5. 奇点的代数指标 — 重数
奇点的重数（Multiplicity）
设 $X \subset \mathbb{A}^n$ 是不可约簇，$p \in X$。定义重数 $$ \mathrm{mult}_p X = \min\{d : f \in I(X),\ f \text{ 在 } p \text{ 处的初等齐次分量是 } d\text{ 次}\}. $$ 光滑点 $\Leftrightarrow$ $\mathrm{mult}_p X = 1$；普通双重点 $\Leftrightarrow$ $\mathrm{mult}_p = 2$，初等二次型分解为两个不同线性因子。
Bezout 定理（下一阶段会讲）：两条射影平面曲线 $C_1, C_2$（次数 $d_1, d_2$）的相交点重数之和 $= d_1 d_2$——奇点处重数叠加，是经典代数几何最深刻的恒等式之一。
6. 一窥未来：奇点解决（Resolution of Singularities）
奇点是代数几何最棘手的对象——它们破坏了"局部欧氏"的直觉。但 Hironaka（1964）证明了一条惊人定理：
Hironaka 奇点解决定理（特征 0）
设 $X$ 是 $\mathbb{C}$ 上的代数簇。则存在一个双有理的态射 $$ \pi: \tilde{X} \to X, $$ 使得 $\tilde{X}$ 是光滑的，且 $\pi$ 在 $X$ 的光滑部分上是同构。
例：尖点 $V(y^2-x^3)$ 通过 blow-up（"吹胀"）映射 $\mathbb{A}^1 \to V(y^2-x^3),\ t\mapsto(t^2,t^3)$ 解开——本质上是把 $\mathbb{A}^1$ 当作"参数化器"。Hironaka 因这条定理获 1970 年 Fields 奖。它是 Mori、Mumford 等后续工作的起点。
7. 生活实例：地形 vs 山脊 vs 火山口
把仿射簇想象成地形：
- 光滑点 = 平缓的山坡 — 你可以画出唯一的切平面，"沿坡平稳滑行"；
- 结点 = 两条山脊交汇的鞍点 — 在交点处有两个切线方向，左右各通往不同方向；
- 尖点 = 火山口的顶端或 山峰的针尖 — 看似一条切线，但实际曲线折回去了；
- $\dim T_p$ = "在该点能伸展的方向数"，光滑时刚好等于地形的维数；奇点处方向多余了；
- 奇点解决 = 把山脊"拉开"成两条独立的山，把尖点"卷开"成光滑曲线 — 复杂的几何被"分辨"。
8. 练习
练习 1（维数计算）
计算下列簇的维数。
- $V(xy - z) \subset \mathbb{A}^3$；
- $V(xy, yz, xz) \subset \mathbb{A}^3$；
- $V(x^2 - y^2, x^2 - z^2) \subset \mathbb{A}^3$。
练习 2（Jacobian 判别法）
找出 $V(y^2 - x^3) \subset \mathbb{A}^2$ 的所有奇点。再找出 $V(x^2 + y^2 + z^2) \subset \mathbb{A}^3$ 的奇点。
提示
(1) $J = (-3x^2, 2y)$，奇点 $\iff$ $J = 0$ $\iff$ $(0,0)$。验证 $(0,0)\in V$，所以唯一奇点是原点。(2) $J = (2x, 2y, 2z)$，奇点 $\iff$ $J = 0$ $\iff$ $(0,0,0)$。所以唯一奇点是原点 — 锥面的"顶点"。
练习 3（结点 vs 尖点）
对结点 $V(y^2 - x^2(x+1))$：求 $(0,0)$ 处的初等二次形式。证明它能分解为两个不同的线性因子，因此是普通双重点（结点）。
练习 4（切空间计算）
用代数方法（$\mathfrak{m}_p / \mathfrak{m}_p^2$）计算 $V(x^2+y^2-1)$ 在 $(1,0)$ 处的切空间。验证它是 1 维的。
练习 5（深度学习联想：损失景观的奇点）
一个损失函数 $\mathcal{L}(\theta)$ 的临界集 $\{\nabla\mathcal{L} = 0\}$ 是参数空间中的代数集（多项式损失下）。临界集中的"退化临界点"（Hessian 不满秩）是这个代数集的奇点。讨论：
- 结点对应"鞍点附近的两条逃逸方向"——SGD 易于沿此逃离；
- 尖点对应"高度退化的局部极小"——梯度下降可能卡住；
- "双下降现象"对应临界集 Krull 维数变化时的相变。
能否用 Hironaka 风格的"奇点解决"思想给训练动力学加上"预热与退火"的几何解释？