细数AI领域的那些神文 -- 系列引言及目录

本系列文章致力于为大家介绍那些改变了人工智能轨迹的神文，以技术演进为脉络，以思想突破为锚点，重回AI史上的顿悟时刻。我们将从卷积神经网络唤醒深度学习的黎明开始，穿越Transformer架构重构世界的狂飙年代，最终抵达多模态大模型重塑人类认知的前沿战场。  

每一篇经典论文的背后，都藏着三个核心问题：  
1. 为何是它？——在技术演进的十字路口，这篇论文如何突破时代的技术天花板？  
2. 突破何来？——从数学推导到工程实现，创新者如何将思想火花转化为可复现的里程碑？  
3. 涟漪效应？——当论文走出实验室，究竟在产业界掀起了怎样的范式革命？  

我们将以技术侦探的视角，解剖论文中那些被历史验证的关键公式；以产业观察的维度，还原技术突破与商业浪潮的共振轨迹；更会标注出现代复现指南——当2025年的开发者重读这些经典时，该如何用PyTorch等新工具重新演绎旧日智慧。  

从Yann LeCun的手写数字识别到Demis Hassabis的蛋白质折叠魔法，从Geoffrey Hinton的Dropout到Ilya Sutskever的Scaling Law，这不仅是一场论文精读之旅，更是一次穿越AI思想史的时空探险。

以下是该系列的快速链接：

细数AI领域的那些神文 -- 系列引言及目录

细数AI领域的那些神文(一) -- Attention Is All You Need(1)原文及翻译

作为一名刚刚踏入AI领域的大学生，我决定以经典论文精读作为自己的自学开篇。这个系列既是我的学习笔记，也是一份献给同样初学者的探索地图——我们将从最基础的里程碑论文出发，探索AI的奥妙。

作为AI领域的萌新，部分文章或许会存在理解偏差甚至技术错误。若您在阅读时发现：

• 公式推导有逻辑断裂
• 历史背景解读不准确
• 代码实现可优化空间
• 更值得加入的经典论文

请务必在评论区留下您的建议！您的每一条宝贵指正都将被接受，我希望这个自学项目成为集体智慧的结晶。