人工智能发展历程中的六篇里程碑式论文
人工智能发展历程中的六篇里程碑式论文
在人工智能快速发展的今天，了解其发展历程中的关键论文对于从业者和爱好者都具有重要意义。本文将介绍六篇在计算机视觉（CV）和自然语言处理（NLP）领域具有里程碑意义的论文，这些论文不仅推动了技术的进步，也在实际应用中产生了深远影响。
1.《A Convolutional Neural Network for Modelling Sentences》 (2014)
官方描述：这篇论文提出了一个用于句子建模的卷积神经网络(CNN)架构，该模型使用一维卷积来学习句子嵌入的层次特征。
论文意义：传统的认知是，CNN就是做图片分析的，现在可以跨界做NLP的活，为以后新的特征提取器transformer（本来这个特征提取器的定位和RNN一样，是为了做NLP）在Sora上的应用开辟了新篇章！
2.《Attention is All You Need》 (2017) ---谷歌公司
官方描述：这篇论文提出了Transformer模型，它在处理序列数据时不依赖于循环网络结构，而是使用注意力机制，对NLP领域产生了革命性影响。
论文意义：里程碑式的论文，一种全新的特征提取器，一开始只是取代了两架马车中的RNN，但是现在正在慢慢的也要取代CNN。不仅在ChatGPT上应用，而且在Sora上应用。包括国内目前所有的主流语言大模型---文心一言、清华智谱。不过清华智谱死不承认自己是用的transformer，非得叫自己glm，其实就是换汤不换药。
3.《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》 (2018)---谷歌公司
官方描述：BERT模型通过双向Transformer预训练，显著提高了多种语言理解任务的性能。
论文意义：当所有的算法工程师都对中文NLP感到绝望的时候，这篇论文给全国的顶级NLP工程师带来了希望，并且一步步的工程化应用，至今都在百度、腾讯、美团、字节跳动公司的平台发光发热。
4.《Deep Residual Learning for Image Recognition》2015---华人之光（也可称为广州之光）何恺明，该论文获得顶会CVPR Best
官方描述：何恺明的残差网络（ResNet）是人工智能视觉算法领域的一个重大突破。ResNet通过引入残差学习框架来解决深度神经网络训练中的退化问题，使得训练深层网络成为可能。ResNet的影响力非常广泛，它不仅在图像分类任务中取得了显著的性能提升，也推动了其他计算机视觉任务的发展，如目标检测和人脸识别等。
论文意义：有了Resnet，才有了深度学习。没有Resnet，就什么都没有。没有人脸识别、没有目标检测、没有ChatGPT、没有Sora。
5.《Generative Pre-trained Transformer 3 (GPT-3)》2020---OpenAI
官方描述：这是一个强大的语言生成模型，能够执行各种语言任务。
论文意义：让所有的行业内的技术从业人员，开始将目光投向生成式人工智能技术。但是大部分都是静静的看着，没有动作，普遍心态是--->你这个gpt3，也就是比bert强一丢丢，先看着再说。没想到，3.5的问世，翻天覆地。
6.《You Only Look Once: Unified, Real-Time Object Detection (YOLO)》2015
官方描述：它能够实时进行目标检测，对实时应用产生了重要影响。
论文意义：没有该技术，也就没有所谓的人体检测、人脸检测、旗帜检测等所有目标识别类的国内蓬勃应用。也就不会有所谓的商汤、旷视、依图等公司，海康威视要砍掉一半市值。
总结
有些论文已经完成了它的历史使命，有些论文仍在发光发热，有些论文将在未来的某天，决定着真正的类人智能体。以上列举的文章，不是权威的业界排名，只是一个从业10余年的资深用户的深刻体验。有的是极具落地价值的，比如1、3、5、6. 有的是人工智能领域里程碑意义的（堪比人类登月），比如2、4.
声明：本文所有配图，均来自于GPT4作图。