苏茨克维的名单：现代 AI 的基础思想：内容简介
本书不是简单罗列论文，而是追问这些研究为什么在当时重要。作者从 Ilya Sutskever 的经历和 GPT-2 争议切入，回到 AlexNet 之前的怀疑、特征工程传统与 ImageNet 转折，再沿清单梳理塑造现代深度学习的思想。每章把论文结果放进研究问题、失败路径和人物选择中，并给出帮助建立直觉的解释。它适合作为 AI 研究史与论文阅读入口，不能替代阅读原始论文、代码和后续修正。
《苏茨克维的名单》主要内容
- 理解苏茨克维论文清单的来历
- 回顾 AlexNet 与 ImageNet 转折
- 连接关键论文的研究问题
- 观察深度学习思想的演变
- 建立阅读原始研究的背景框架
适合哪些读者
适合希望理解现代 AI 思想来源的工程师、学生和产品研究者；有机器学习基础会更容易跟随技术脉络，但历史叙事也适合普通技术读者。
研究解释应与原论文及后续证据一并阅读。
目录、试读与相关阅读
可在本页“目录与试读”中查看章节和正文节选，在“书籍资料”中核对作者、版本、语言与 EPUB 文件大小。同主题读本包括面向平台工程的智能体 AI、AI 智能体实战（第二版），以及智能体 AI 系统思维：软件架构师指南。
继续浏览人工智能与 AI 工程，或查看EPUB 阅读与下载帮助。
目录与试读
目录
章节与主要小节（依据 EPUB 导航整理）：
苏茨克弗的清单
献词
前言
前言
致谢
关于本书
关于作者
关于封面插图
1 伊利亚看到了什么？
1.1 Ilya 的崛起
1.2 GPT-2 争议
1.3 清单
2 AlexNet时刻
2.1 特征工程
2.2 AlexNet 之前的怀疑论
2.3 ImageNet
2.4 为什么训练如此困难
2.5 AlexNet
3 ResNet 革命
3.1 传话游戏
3.2 与其他主要架构的对比
3.3 现实世界的应用
3.4 ResNet v2
3.5 扩展 ResNet 以支持密集预测
3.6 人类的度量标尺
3.7 CS231n
3.8 扩展什么？
4 深度学习加速了……
4.1 RNN 的非合理有效性
4.2 理解 LSTM 网络
4.3 循环神经网络的正则化
4.4 Deep Speech 2
5 注意力就是你所需要的一切
5.1 Transformer
5.2 注释版 Transformer
5.3 Bahdanau 注意力机制
5.4 只需指向它！
5.5 神经图灵机
5.6 顺序很重要
5.7 反转输入句子
5.8 效果
6 The birth of hyperscale
6.1 扩展的正统观念
6.2 扩展的曲折
6.3 并行性
6.4 舍入误差
7 转向推理
7.1 变分有损自编码器
7.2 关系推理
7.3 用于量子化学的神经消息传递
7.4 关系循环神经网络
7.5 推理模型
7.6 对论文的质疑
8 隐于复杂之中的简约
8.1 咖啡自动机
8.2 Kolmogorov 复杂度与算法随机性
8.3 最小描述长度原则的入门教程
8.4 保持人工神经网络简单
8.5 Grokking 现象
8.6 模糊的 JPEG
9 安全的超级智能
9.1 机器超智能
9.2 人工智能安全
9.3 解释过少且承诺过多
尾声缺失的部分
附录工程师的设计模式
参考
试读节选
2023 年 11 月，埃隆·马斯克发推称：“有什么东西吓到伊利亚，让他想解雇 Sam。那是什么？”随后，“伊利亚看到了什么？”这一短语迅速走红，激发了人工智能研究者和爱好者的好奇心 [1][2]。OpenAI 联合创始人伊利亚·苏茨克维是否瞥见了一种他人未曾察觉的生存风险？许多人认为是这样。
