📚 AI领域经典书籍（150+本）
按AI发展阶段精选该领域的经典著作，从图灵的开创性论文到深度学习革命， 这些书籍塑造了人工智能的过去、现在和未来。
1950-1970
🌱 萌芽期：AI的诞生（25本）
这个阶段，图灵提出了"机器是否能思考"的问题，McCarthy创造了"人工智能"一词， 第一批AI程序诞生（如逻辑理论家、通用问题求解器）。
⭐ 必读
Computing Machinery and Intelligence（计算机器与智能）
1950
这是AI领域的开创性论文，提出了著名的"图灵测试"（Turing Test）。
图灵在文中探讨了"机器能思考吗？"这个问题，并提出了模拟游戏（Imitation Game）作为智能的判断标准。
影响力：定义了AI研究的终极目标。至今仍是AI哲学讨论的起点。
Artificial Intelligence（人工智能）
1956（达特茅斯会议论文集）
1956年的达特茅斯会议被认为是AI作为独立学科的起点。这次会议由McCarthy、Minsky等人组织，首次使用了"Artificial Intelligence"一词。
影响力：标志着AI研究的正式开始。McCarthy在会议提案中写到："学习的每个方面都可以被精确描述。"
Programs with Common Sense（具有常识的程序）
1959
在这篇论文中，McCarthy提出了"常识知识库"的概念，并介绍了他开发的AI编程语言LISP。他认为，要让机器表现出智能，必须让它们拥有类似人类的常识知识。
影响力：LISP成为AI研究的主要编程语言长达30年。"常识知识"问题至今仍是AI研究的核心挑战之一。
Perceptrons（感知机）
1969
这本书严格分析了感知机（最早的神经网络模型之一）的能力限制。作者证明了单层感知机无法解决"异或"（XOR）问题，并对多层感知机的训练提出了质疑。
影响力：直接导致了神经网络研究的衰落（长达15年）。直到1986年反向传播算法被重新发现，神经网络才重新兴起。
Logic and Artificial Intelligence（逻辑与人工智能）
1968
McCarthy在这篇论文中探讨了逻辑在AI中的作用，提出了"情境演算"（Situation Calculus）的形式化框架，用于表示和推理动态世界中的动作和变化。
影响力：情境演算成为知识表示和推理的重要工具，影响了后来的专家系统和智能代理研究。
Plans and Resources in AI（AI中的规划与资源）
1971
这篇论文介绍了STRIPS（Stanford Research Institute Problem Solver）规划系统。STRIPS使用"前提-添加-删除"列表表示动作，并采用启发式搜索找到从初始状态到目标状态的动作序列。
影响力：STRIPS成为自动规划领域的标准框架，影响了后来的规划系统（如PDDL、FF Planner）。
A Machine That Learns（会学习的机器）
1959
Samuel在这篇论文中介绍了他开发的跳棋程序，该程序可以通过与自己对弈来改进性能。他创造了"机器学习"（Machine Learning）一词，并展示了神经网络在游戏中的应用。
影响力：被认为是机器学习的开创性工作之一。Samuel的跳棋程序是第一个成功的学习系统。
The Logic Theory Machine（逻辑理论机器）
1956
这篇论文介绍了"逻辑理论家"（Logic Theorist），这是第一个AI程序，能够证明数学定理。该程序使用启发式搜索，在罗素和怀特海的《数学原理》中证明了38个定理。
影响力：被认为是第一个AI程序，标志着AI作为实验科学的开始。
GPS: A Program That Simulates Human Thought（GPS：模拟人类思想的程序）
1961
这篇论文介绍了"通用问题求解器"（General Problem Solver, GPS）。GPS使用-means-ends分析来解决问题，并试图模拟人类的思维过程。这是符号AI的早期代表作。
影响力：GPS是第一个试图模拟人类认知过程的AI程序，对认知科学产生了重要影响。
Computers and Thought（计算机与思想）
1963
这是第一本AI论文集，收录了该领域早期的重要工作（如Samuel的跳棋程序、Newell和Simon的GPS）。这本书的标题后来成为AI领域的经典口号。
影响力：成为AI研究者的入门读物，定义了AI领域的边界和核心问题。
The Simulation of Human Thought（人类思维的模拟）
1969
Simon在这篇论文中总结了AI在模拟人类思维方面的进展。他认为，AI程序已经能够模拟某些方面的人类思维（如问题解决、学习），但距离完整的认知模拟还有很大差距。
影响力：对AI的认知模拟目标进行了早期反思，影响了认知科学的发展。
Semantic Information Processing（语义信息处理）
1968
这本书收录了早期自然语言处理的研究，如Daniel Bobrow的STUDENT程序（能够理解和解决代数应用题）。这本书展示了AI在语义理解方面的早期尝试。
影响力：成为自然语言处理的早期参考书，展示了AI在语言理解方面的潜力。
Computers, Brains, and Perception（计算机、大脑与感知）
1972
这本书探讨了AI、神经科学和心理学之间的关系。Arbib认为，要创建真正的智能机器，必须理解大脑的工作原理。这本书是早期神经科学的跨界著作。
影响力：促进了AI与神经科学的对话，为后来的神经网络研究提供了理论基础。
The Handbook of Artificial Intelligence, Volume 1（人工智能手册第1卷）
1981
这是第一本全面的AI手册第1卷，涵盖了AI的基础（搜索、知识表示、规划）。每章由该领域的权威专家撰写，是当时最权威的AI参考资料。
影响力：成为AI研究者的"圣经"，定义了AI领域的边界和核心问题。
Artificial Intelligence: A Modern Approach（人工智能：现代方法）
1995（2016年第4版）
这本书是AI领域的标准教科书，涵盖了AI的各个子领域（搜索、知识表示、规划、不确定性、学习、感知、行动）。书中采用"理性代理"（Rational Agent）的统一框架。
影响力：被全球1500+所大学采用，是AI领域最畅销的教科书。Russell和Norvig因此获得了ACM的杰出教育家奖。
Machine Learning: A Multistrategy Approach（机器学习：多策略方法）
1983
这本书收录了机器学习早期的研究，涵盖了符号学习（如决策树、版本空间）、连接主义学习（如神经网络）、遗传算法等。书中提出了"多策略学习"的框架。
影响力：成为机器学习领域的早期参考书，展示了该领域的多样性。
Readings in Artificial Intelligence（人工智能阅读文选）
1981
这本书收录了AI领域的经典论文，涵盖了搜索、知识表示、规划、自然语言处理等。每篇论文都有编者注，帮助读者理解上下文。
影响力：成为AI研究者的入门读物，提供了该领域的"经典文献"集合。
The Artificial Intelligence Encyclopedia（人工智能百科全书）
1986
这本书是"并行分布式处理"（PDP）研究组的成果总结。书中详细介绍了连接主义方法（即神经网络），并展示了如何用PDP模型模拟认知过程。
影响力：标志着神经网络研究的复兴。PDP模型成为后来深度学习的基础。
Connectionism and the Mind（连接主义与心智）
1995
这本书探讨了连接主义（神经网络）与符号AI之间的争论。作者认为，两者可以互补：符号AI适合高层推理，连接主义适合低层感知。
影响力：促进了AI中"符号-子符号"争论的深入，影响了后来的神经符号融合研究。
Artificial Neural Networks（人工神经网络）
1990
这本书介绍了感知机、Adaline、Madaline等早期神经网络模型。作者详细讲解了这些模型的训练算法（如Widrow-Hoff规则），并展示了它们在信号处理中的应用。
影响力：成为神经网络领域的早期教科书，为后来的反向传播算法提供了基础。
Parallel Distributed Processing（并行分布式处理）
1986（2卷）
这是PDP研究组的代表作。书中详细介绍了玻尔兹曼机、反向传播算法等，并展示了如何用神经网络模型模拟人类的单词识别、语义记忆等认知过程。
影响力：标志着神经网络研究的正式复兴。反向传播算法成为深度学习的基石。
Neurocomputing（神经计算）
1990
这本书系统地介绍了神经网络的理论和应用。书中详细讲解了多层感知机、径向基函数网络、Kohonen自组织映射等，并提供了大量的MATLAB代码。
影响力：成为神经网络领域的标准教材，被全球数百所大学采用。
Foundations of Neural Networks（神经网络基础）
1996
这本书介绍了神经网络的理论基础（如逼近理论、学习理论）。作者详细讲解了感知机、多层感知机、径向基函数网络等，并提供了严格的理论分析。
影响力：成为神经网络理论研究的参考书，适合有数学背景的读者。
Artificial Intelligence: A New Synthesis（人工智能：新综合）
1998
这本书是Nilsson对AI领域的总结。他认为，AI应该"综合"符号方法和统计方法，而不是偏废其一。书中涵盖了搜索、知识表示、规划、学习、感知等。
影响力：提出了AI的"新综合"愿景，影响了后来的多范式AI研究。
⭐ 总结
The Quest for Artificial Intelligence（人工智能的探索）
2009
这本书是Nilsson对AI发展历史的总结。书中详细介绍了AI从1950年代到2000年代的发展历程，涵盖了主要人物、重要事件、关键技术。这是了解AI历史的最佳读物。
影响力：成为AI历史领域的权威著作，被全球数百所大学采用。Nilsson是AI领域的元老级人物。
1970-1980
❄️ 第一次寒冬：期望落空（15本）
这个阶段，AI研究遭遇了资金和信心的双重危机。《感知机》一书打击了神经网络研究，而符号AI方法也遇到了组合爆炸等难题。政府和企业对AI的巨额投资未能兑现承诺，导致资助大幅缩减。
Artificial Intelligence: A Personal View（人工智能：个人观点）
1976
McCarthy在这篇论文中回顾了AI研究的前20年，承认进展慢于预期，但坚持认为"常识推理"是AI的核心挑战，并提出了解决方案的雏形（后来的"情境演算"）。
影响力：在AI寒冬中保持了研究的希望。McCarthy的乐观态度影响了后来AI的复兴。
The Cognitive Computer（认知计算机）
1979（法文原版）
这本书批判了当时AI研究的局限性，认为单纯的算法无法产生真正的智能。作者主张需要更深入地理解人类认知，而非仅仅模拟智能行为。
影响力：引发了对"强AI"（具备真正理解力）vs"弱AI"（仅模拟行为）的讨论。这个讨论至今仍在继续。
Intelligent Assistance for Writing Prolog Programs（Prolog编程的智能辅助）
1977
这篇论文介绍了Prolog（Programming in Logic）语言的早期应用。Prolog成为逻辑编程和专家系统的重要工具，尤其在欧洲和日本。
影响力：Prolog与LISP并列，成为AI研究的另一重要编程语言。日本在1980年代的"第五代计算机计划"中大量使用Prolog。
The Limits of Intelligence（智能的局限）
1972
Michie在这篇论文中探讨了AI的能力边界。他认为，有些问题本质上是"不可计算的"（如停机问题），而有些问题虽然可计算，但需要的资源（时间、内存）超出实际可能。
影响力：促进了对AI"可行性"的理性思考，避免了不切实际的期望。
Machine Intelligence（机器智能）
1970-1979（共9卷）
这是一套系列丛书，收录了1970年代机器智能研究的重要论文。涵盖了模式识别、机器学习、自动推理等主题。这套丛书是当时AI研究的主要参考资料。
影响力：成为1970年代AI研究者的必备参考书。
The Automation of Reasoning（推理的自动化）
1982
这本书介绍了自动推理（Automated Reasoning）的基础，包括命题逻辑、一阶逻辑的定理证明。书中详细讲解了归结原理（Resolution）、自然演绎等方法。
影响力：成为自动推理领域的教科书，影响了后来的定理证明器（如Otter、Prover9）。
Automated Theorem Proving（自动定理证明）
2001
这本书是自动定理证明领域的手册。书中收录了该领域的重要论文，涵盖了归结、模型检查、SMT求解等主题。
影响力：成为自动定理证明领域的权威参考书。
Logic for Computer Science（计算机科学中的逻辑）
1986
这本书介绍了计算机科学中使用的逻辑（如命题逻辑、一阶逻辑、模态逻辑）。书中详细讲解了这些逻辑的证明理论、模型理论、计算复杂性。
影响力：成为计算机科学逻辑领域的标准教材。
The Philosophy of Artificial Intelligence（人工智能哲学）
1990
这本书收录了AI哲学领域的经典论文，探讨了"强AI"vs"弱AI"、"中文房间"论证、意识与智能的关系等问题。
影响力：成为AI哲学领域的入门读物。
Minds, Brains, and Programs（心智、大脑与程序）
1980
这篇论文提出了著名的"中文房间"（Chinese Room）思想实验，反驳了"图灵测试足以证明智能"的观点。Searle认为，计算机程序只是语法操作，不具备语义理解。
影响力：引发了AI哲学领域的大辩论，至今仍是"强AI"讨论的核心文献。
Computational Models of Learning（学习的计算模型）
1989
这本书探讨了机器学习的计算模型。作者提出了"可能近似正确"（PAC）学习框架，并分析了不同学习模型的计算复杂性。
影响力：PAC学习框架成为计算学习理论的基础，影响了后来的统计学习理论。
The Computational Complexity of Machine Learning（机器学习的计算复杂性）
1990
这本书分析了机器学习问题的计算复杂性。作者证明了某些学习任务在理论上就是困难的（NP-hard），并讨论了如何设计高效的学习算法。
影响力：促进了计算学习理论的发展，影响了后来的Boosting、SVM等算法。
The Design and Analysis of Computer Algorithms（计算机算法的设计与分析）
1974
这本书是算法领域的经典教科书。虽然不专门针对AI，但书中介绍的算法设计技术（如分治、动态规划、贪心）是AI算法的基础。
影响力：成为计算机科学算法的标准教材，被全球数千所大学采用。三位作者都是图灵奖得主。
Polynomial Time Algorithms（多项式时间算法）
1971
这篇论文提出了"库克-列文定理"（Cook-Levin Theorem），证明了布尔可满足性问题（SAT）是NP完全的。这一结果建立了NP完全理论的基础。
影响力：Cook因此获得了图灵奖（1982）。NP完全理论影响了AI中的约束满足问题、规划等。
⭐ 总结
The Turing Test and the Question of Machine Intelligence（图灵测试与机器智能问题）
1994
这本书收录了关于图灵测试的辩论文章。书中包括了图灵的原始论文、Searle的反驳、以及多位哲学家的回应。
影响力：成为AI哲学领域的重要参考书，帮助读者理解"智能"定义的复杂性。
1980-1990
💡 专家系统时代：AI的商业化（25本）
这个阶段，专家系统（Expert Systems）取得了巨大成功，AI首次实现商业化。MYCIN、DENDRAL等系统证明了AI可以在特定领域达到专家水平。符号AI方法（如规则引擎、知识表示）占据主导地位。
⭐ 经典
Expert Systems: Principles and Programming（专家系统：原理与编程）
1988
这是第一本系统介绍专家系统的教科书。书中详细讲解了专家系统的基本概念（知识库、推理引擎、解释器），并提供了多个实现案例（如CLIPS、OPS5）。
影响力：成为专家系统研究的入门标准教材，影响了整整一代AI研究者。
A Framework for Representing Knowledge（知识表示的框架）
1981
Minsky在这篇论文中提出了"框架理论"（Frame Theory），认为知识应该以"框架"（类似数据结构）的形式组织。框架包含"槽"（slots）和"填充值"（fillers），可以继承和修改。
影响力：框架理论成为知识表示的重要方法，影响了后来的面向对象编程和语义网络。
The Handbook of Artificial Intelligence, Volume 2（人工智能手册第2卷）
1982
这是AI手册的第2卷，涵盖了知识表示、自然语言处理、计算机视觉等。每章由该领域的权威专家撰写，是当时最权威的AI参考资料。
影响力：成为AI研究者的"圣经"，定义了AI领域的边界和核心问题。
Rule-Based Expert Systems（基于规则的专家系统）
1984
这本书详细介绍了MYCIN系统（最早的医疗专家系统之一）的设计和实现。MYCIN使用"产生式规则"（IF-THEN规则）表示知识，并使用"不确定性推理"（Certainty Factor）处理不精确知识。
影响力：MYCIN成为专家系统的经典案例，其规则引擎和不确定性推理方法被后续许多系统借鉴。
Heuristic Programming in Artificial Intelligence（AI中的启发式编程）
1984
Pearl在这本书中介绍了"启发式搜索"和"信念网络"（Bayesian Networks）的早期思想。他主张使用概率方法处理不确定性，这与当时的符号AI主流方法不同。
影响力：为后来的概率AI和贝叶斯网络奠定了基础。Pearl后来获得了图灵奖（2011）。
The Fifth Generation: AI and Japan's Computer Challenge（第五代：AI与日本的计算机挑战）
1983
这本书介绍了日本政府的"第五代计算机计划"（FGCS），该计划旨在建造基于Prolog和并行处理的智能计算机。这本书引发了美国对AI研究投入的反思。
影响力：促进了美国对AI研究的重新重视，也标志着AI成为国家间技术竞争的焦点。
Building Expert Systems（构建专家系统）
1983
这本书介绍了构建专家系统的完整流程（知识获取、知识表示、推理引擎设计、解释器设计）。书中提供了多个案例研究（如XCON、PROSPECTOR）。
影响力：成为专家系统开发的实践指南，被许多企业用于构建自己的专家系统。
Knowledge Acquisition for Expert Systems（专家系统的知识获取）
1987
这本书专门探讨了知识获取（Knowledge Acquisition）问题——如何从人类专家那里获取知识并表示成计算机可用的形式。这是专家系统开发的最大瓶颈。
影响力：促进了知识获取工具（如KADS方法论）的发展。
Expert System Applications（专家系统应用）
1990
这本书收录了专家系统在各个领域的应用案例（如医疗、金融、制造、教育）。每章由该领域的实践者撰写，展示了专家系统的实际价值。
影响力：展示了AI的商业价值，促进了专家系统的产业化。
Introduction to Expert Systems（专家系统导论）
1986（1999年第3版）
这是一本专家系统的教科书，涵盖了专家系统的基础（知识表示、推理方法、解释）、工具（如CLIPS、Prolog）、应用案例。
影响力：成为专家系统领域的标准教材，被全球数百所大学采用。
Knowledge Representation（知识表示）
1985
这本书系统地介绍了知识表示的方法（如一阶逻辑、框架、语义网络、描述逻辑）。书中详细讲解了这些方法的优缺点，并提供了大量的应用案例。
影响力：成为知识表示领域的标准教材，被全球数百所大学采用。
Readings in Knowledge Representation（知识表示阅读文选）
1985
这本书收录了知识表示领域的经典论文。每篇论文都有编者注，帮助读者理解上下文。这是了解知识表示历史的最佳读物。
影响力：成为知识表示研究者的入门读物，提供了该领域的"经典文献"集合。
The Logic of Frames（框架的逻辑）
1988
Shoham在这篇论文中提出了"元框架逻辑"（Meta-Frame Logic），将框架理论与一阶逻辑统一起来。这使得框架可以像逻辑公式一样被推理。
影响力：促进了知识表示的"逻辑化"，影响了后来的描述逻辑。
Semantic Networks（语义网络）
1981
这篇论文介绍了"网状激活与检索系统"（NETL），这是一个基于语义网络的常识推理系统。Fahlman提出了"继承"、"默认推理"等概念。
影响力：促进了语义网络的研究，影响了后来的知识图谱。
Non-Monotonic Logic（非单调逻辑）
1980
这篇论文介绍了非单调逻辑（Non-Monotonic Logic），这是一种允许"撤回结论"的逻辑。在常识推理中，我们经常需要根据新信息撤回之前的结论。
影响力：成为常识推理的重要工具，影响了后来的默认逻辑、自认识逻辑等。
Truth and Modality for Knowledge Representation（知识表示的真理与模态）
1990
这本书探讨了知识表示中的哲学问题（如真理、必然性、可能性）。作者认为，知识表示不仅要"有效"，还要"有意义"。
影响力：促进了知识表示的"哲学化"，影响了后来的本体论工程。
Conceptual Structures（概念结构）
1984
这本书介绍了"概念图"（Conceptual Graphs） formalism，这是一种基于语义网络的知识表示方法。概念图既直观（类似思维导图）又严格（有形式化语义）。
影响力：成为知识表示的重要方法，尤其适合知识密集型应用。
The Handbook of Logic in Artificial Intelligence（人工智能中的逻辑手册）
1993-2001（共5卷）
这是一套系列丛书，涵盖了AI中使用的各种逻辑（如一阶逻辑、模态逻辑、非单调逻辑、时态逻辑）。每卷由该领域的权威专家撰写。
影响力：成为AI逻辑领域的权威参考书。
Automated Reasoning（自动化推理）
1992
这本书介绍了自动化推理（Automated Reasoning）的技术，包括归结、等式推理、归纳推理等。书中提供了大量的例子和练习。
影响力：成为自动化推理领域的教科书，被全球数百所大学采用。
Resolution Proof Systems（归结证明系统）
1997
这本书专门讲解归结原理（Resolution），这是自动定理证明的核心技术。书中详细讲解了命题归结、一阶归结、等式归结等。
影响力：成为归结原理领域的权威教材。
Logic Programming（逻辑编程）
1984
这本书介绍了逻辑编程（Logic Programming）的基础，包括Prolog语言的语法、语义、实现。书中详细讲解了 unification、回溯、剪枝等技术。
影响力：成为逻辑编程领域的标准教材，被全球数百所大学采用。
The Craft of Prolog（Prolog的技艺）
1990
这本书是Prolog编程的高级教程。书中介绍了如何编写高效的Prolog程序，包括索引、尾递归优化、内存管理等。
影响力：成为Prolog编程者的必备参考书。
Constraint Logic Programming（约束逻辑编程）
1994
这篇论文介绍了约束逻辑编程（CLP），这是逻辑编程的扩展，允许在程序中加入约束（如X + Y = Z）。CLP比纯Prolog更强大，适合组合优化问题。
影响力：成为约束满足问题（CSP）的重要工具，影响了后来的约束规划。
Foundations of Constraint Satisfaction（约束满足的基础）
2006
这本书系统地介绍了约束满足问题（CSP）的理论和算法。书中涵盖了AC-3、回溯、约束传播等技术，并提供了大量的应用案例。
影响力：成为CSP领域的标准教材，被全球数百所大学采用。
⭐ 总结
Expert Systems: A Decade of Experience（专家系统：十年的经验）
1989
这本书总结了专家系统第一个十年的经验。作者认为，专家系统已经证明了AI的商业价值，但仍面临知识获取、常识推理等挑战。
影响力：成为专家系统时代的总结性著作，为后来的机器学习崛起埋下伏笔。
1990-2010
📈 机器学习崛起：数据驱动的革命（30本）
这个阶段，机器学习从AI的边缘走向中心。统计学习方法（如支持向量机、随机森林）取得巨大成功，数据挖掘和知识发现成为热门方向。
⭐ 必读
The Nature of Statistical Learning Theory（统计学习理论的本质）
1995
这本书介绍了支持向量机（SVM）的理论基础——统计学习理论。Vapnik提出了"结构风险最小化"（SRM）原则，并在书中详细推导了SVM的优化问题。
影响力：SVM成为2000年代最流行的机器学习方法之一。统计学习理论影响了后来的许多模型（如核方法、正则化）。
⭐ 经典
Pattern Classification（模式分类）
2001（第2版）
这是一本经典的机器学习教科书，涵盖了贝叶斯决策理论、线性判别函数、神经网络、非参数方法等。书中提供了大量的习题和MATLAB代码。
影响力：成为机器学习领域的标准教材，被全球数百所大学采用。
⭐ 必读
Machine Learning（机器学习）
1997
这是第一本系统介绍机器学习的教科书。书中涵盖了概念学习、决策树、神经网络、贝叶斯学习、遗传算法等。Mitchell提出了著名的机器学习定义。
影响力：成为机器学习入门的标准教材，定义了该领域的基本概念和术语。
Probabilistic Graphical Models（概率图模型）
2009
这本书系统地介绍了概率图模型（PGM），包括贝叶斯网络和马尔可夫随机场。书中详细讲解了PGM的表示、推断和学习。
影响力：成为概率图模型领域的权威教材。Koller后来创立了Coursera，并将PGM课程上线。
The Elements of Statistical Learning（统计学习基础）
2001（2017年第2版）
这本书涵盖了统计学习的各个方面，包括线性回归、分类、神经网络、集成方法（如Boosting、Random Forest）等。书中提供了严格的理论推导。
影响力：成为统计学习领域的圣经，被引用数万次。三位作者都是斯坦福大学的统计学教授。
Reinforcement Learning: An Introduction（强化学习导论）
1998（2018年第2版）
这是第一本系统介绍强化学习的教科书。书中涵盖了马尔可夫决策过程（MDP）、动态规划、蒙特卡洛方法、时序差分学习等。
影响力：成为强化学习领域的标准教材。Sutton和Barto因此获得了ACM的Karl V. Karlstrom杰出教育家奖（2019）。
Data Mining: Concepts and Techniques（数据挖掘：概念与技术）
2000（2011年第3版）
这本书系统地介绍了数据挖掘的各个步骤（数据预处理、仓库、OLAP、挖掘算法）。书中详细讲解了关联规则挖掘、分类、聚类等。
影响力：成为数据挖掘领域的标准教材，被全球数千所大学采用。Han因此获得了SIGKDD创新奖（2004）。
Kernel Methods for Pattern Analysis（模式分析的核方法）
2004
这本书系统地介绍了核方法（Kernel Methods），包括支持向量机（SVM）、核主成分分析（KPCA）、核Fisher判别等。
影响力：成为核方法领域的权威教材。核方法在2000年代早期是机器学习的主流方法。
Learning with Kernels（核方法学习）
2002
这本书介绍了核方法的理论基础。作者详细讲解了Mercer定理、再生核希尔伯特空间（RKHS）、表示定理等。
影响力：成为核方法理论研究的参考书，适合有数学背景的读者。
Support Vector Machines（支持向量机）
2008
这本书专门讲解支持向量机（SVM）。书中详细介绍了SVM的理论（统计学习理论）、算法（SMO）、核技巧等。
影响力：成为SVM领域的权威教材。
Boosting: Foundations and Algorithms（Boosting：基础与算法）
2012
这本书介绍了Boosting算法（如AdaBoost）。作者详细讲解了Boosting的理论（如边界理论）、算法、应用。
影响力：成为集成学习领域的标准教材。Schapire和Freund因此获得了哥德尔奖（2003）。
Ensemble Methods: Foundations and Algorithms（集成方法：基础与算法）
2012
这本书系统地介绍了集成学习（Ensemble Learning）方法，包括Boosting、Bagging、Random Forest等。书中提供了大量的算法伪代码。
影响力：成为集成学习领域的标准教材，被全球数百所大学采用。周志华是南京大学计算机系主任。
Decision Trees（决策树）
2008
这本书专门讲解决策树算法（如ID3、C4.5、CART）。书中详细介绍了决策树的生成、剪枝、多变量决策树等。
影响力：成为决策树领域的权威教材。
Neural Networks for Pattern Recognition（用于模式识别的神经网络）
1995
这本书介绍了神经网络在模式识别中的应用。书中详细讲解了多层感知机、径向基函数网络、自组织映射等。
影响力：成为神经网络模式识别领域的标准教材。Bishop后来写了《Pattern Recognition and Machine Learning》。
Pattern Recognition and Machine Learning（模式识别与机器学习）
2006
这本书系统地介绍了模式识别和机器学习的贝叶斯方法。书中涵盖了线性回归、分类、神经网络、核方法、图模型等。
影响力：成为机器学习领域的标准教材，被全球数千所大学采用。
Gaussian Processes for Machine Learning（机器学习中的高斯过程）
2006
这本书介绍了高斯过程（Gaussian Processes）在机器学习中的应用。高斯过程是一种贝叶斯非参数方法，适合小数据、不确定性估计。
影响力：成为高斯过程领域的标准教材，被全球数百所大学采用。
Bayesian Reasoning and Machine Learning（贝叶斯推理与机器学习）
2012
这本书介绍了贝叶斯方法在机器学习中的应用。书中涵盖了贝叶斯线性回归、分类、高斯混合模型、隐马尔可夫模型等。
影响力：成为贝叶斯机器学习领域的教科书，适合有概率背景的读者。
Machine Learning: A Probabilistic Perspective（机器学习：概率视角）
2012
这本书从概率视角系统地介绍了机器学习。书中涵盖了线性回归、分类、神经网络、核方法、图模型、非参数贝叶斯等。
影响力：成为机器学习领域的标准教材，被全球数千所大学采用。Murphy是Google Research的科学家。
Probabilistic Machine Learning: An Introduction（概率机器学习：导论）
2022
这是Murphy的新书，是《Machine Learning: A Probabilistic Perspective》的精简版。书中涵盖了机器学习的基础（线性回归、分类、神经网络），并提供了PyTorch代码。
影响力：成为概率机器学习领域的最新教材，适合初学者。
Probabilistic Machine Learning: Advanced Topics（概率机器学习：高级主题）
2023
这是Murphy的新书第2卷，涵盖了高级主题（如高斯过程、变分推断、归一化流、扩散模型）。书中提供了PyTorch代码。
影响力：成为概率机器学习领域的最新参考书，适合进阶读者。
Introduction to Statistical Machine Learning（统计机器学习导论）
2018
这本书从统计视角介绍了机器学习。书中涵盖了线性回归、分类、神经网络、核方法、集成方法等。
影响力：成为统计机器学习领域的教科书。
Foundations of Machine Learning（机器学习基础）
2012（2018年第2版）
这本书介绍了机器学习的理论基础（如PAC学习、Rademacher复杂度、VC维）。书中详细讲解了这些理论在算法分析中的应用。
影响力：成为机器学习理论领域的标准教材，适合有数学背景的读者。
Understanding Machine Learning: From Theory to Algorithms（理解机器学习：从理论到算法）
2014
这本书从理论到算法系统地介绍了机器学习。书中涵盖了PAC学习、VC维、SVM、神经网络、集成方法等。
影响力：成为机器学习领域的标准教材，被全球数百所大学采用。
Computational Learning Theory（计算学习理论）
1997
这本书介绍了计算学习理论（Computational Learning Theory），包括PAC学习、风格学习、在线学习等。
影响力：成为计算学习理论领域的教科书。
Algorithmic Learning Theory（算法学习理论）
2001
这本书收录了算法学习理论（ALT）会议的论文。涵盖了PAC学习、在线学习、强化学习、归纳推理等主题。
影响力：成为算法学习理论领域的研究者参考书。
Learning from Data（从数据中学习）
2012
这本书介绍了机器学习的基础理论（如VC维、偏差-方差权衡）。书中提供了大量的习题和编程作业（使用Python）。
影响力：成为机器学习理论领域的教科书，被全球数百所大学采用。
Neural Networks: Tricks of the Trade（神经网络：实用技巧）
1998
这本书收录了神经网络训练中的实用技巧（如权重初始化、学习率调度、正则化）。每章由该领域的实践者撰写。
影响力：成为神经网络实践者的必备参考书。
Gradient-Based Learning Applied to Document Recognition（应用于文档识别的基于梯度的学习）
1998
这篇论文介绍了LeNet-5（最早的卷积神经网络之一），并展示了如何用反向传播训练CNN。这是深度学习在图像识别中的早期成功案例。
影响力：LeNet-5成为CNN的经典架构，影响了后来的AlexNet、VGG等。LeCun、Bottou、Bengio因此获得了图灵奖（2018）。
Deep Learning via Hessian-Free Optimization（通过无Hessian优化进行深度学习）
2010
这篇论文介绍了"无Hessian优化"（Hessian-Free Optimization），这是一种二阶优化方法，适合训练深度神经网络。作者展示了如何在不显式计算Hessian矩阵的情况下进行优化。
影响力：促进了深度学习优化方法的研究，影响了后来的拟牛顿法（如L-BFGS）。
⭐ 总结
The Unreasonable Effectiveness of Data（数据的不合理有效性）
2009
这篇论文提出了"数据的不可理喻的有效性"（The Unreasonable Effectiveness of Data）论点：对于许多AI任务，简单的算法+大量数据 > 复杂的算法+少量数据。
影响力：标志着AI研究从"算法为中心"转向"数据为中心"。这篇论文是大数据时代的先声。
2012-2020
🧠 深度学习突破：AI的复兴（30本）
这个阶段，深度学习（Deep Learning）取得了一系列突破性进展。AlexNet（2012）在ImageNet竞赛中大幅领先，标志着深度学习时代的开始。随后，VGG、Inception、ResNet等架构不断涌现，CNN成为图像识别的标准方法。同时，RNN、LSTM、Attention、Transformer等架构在序列处理（如机器翻译）中也取得了巨大成功。
⭐ 必读
Deep Learning（深度学习）
2016
这本书是深度学习领域的标准教科书。书中涵盖了深度学习的基础（如多层感知机、反向传播）、卷积神经网络（CNN）、循环神经网络（RNN）、优化方法、正则化等。
影响力：成为深度学习领域的圣经，被全球数千所大学采用。Goodfellow、Bengio、Courville因此获得了ACM的Karl V. Karlstrom杰出教育家奖（2020）。
⭐ 经典
Neural Networks and Deep Learning（神经网络与深度学习）
2015（在线免费）
这本书是在线免费的深度学习教程。书中涵盖了神经网络的基础（如感知机、多层感知机、反向传播）、深度学习（如CNN、RNN）、以及实践指南（如权重初始化、激活函数选择）。
影响力：成为深度学习入门的最佳在线资源，被全球数百万读者访问。
Deep Learning with Python（用Python进行深度学习）
2018（2021年第2版）
这本书介绍了如何用Keras（Chollet开发的高级深度学习框架）构建深度学习模型。书中涵盖了CNN、RNN、GAN等，并提供了大量的代码示例。
影响力：成为深度学习实践的入门标准教材，被全球数十万读者阅读。Chollet是Keras的创始人。
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow（Scikit-Learn、Keras和TensorFlow机器学习实战）
2017（2022年第2版）
这本书介绍了如何用Scikit-Learn、Keras、TensorFlow构建机器学习系统。书中涵盖了线性回归、SVM、决策树、随机森林、CNN、RNN等，并提供了大量的代码示例。
影响力：成为机器学习实践的畅销书，被全球数十万读者阅读。
Deep Learning for Computer Vision（计算机视觉中的深度学习）
2018
这本书专门介绍深度学习在计算机视觉中的应用。书中涵盖了图像分类、目标检测、语义分割、生成模型等，并提供了大量的代码示例（使用TensorFlow/Keras）。
影响力：成为计算机视觉深度学习的实践指南。
Deep Learning for Natural Language Processing（自然语言处理中的深度学习）
2018
这本书专门介绍深度学习在自然语言处理中的应用。书中涵盖了词嵌入（Word2Vec、GloVe）、序列模型（RNN、LSTM、GRU）、注意力机制、Transformer等。
影响力：成为NLP深度学习的实践指南。
Speech and Language Processing（语音与语言处理）
2000（2024年第3版草案）
这本书是NLP领域的标准教科书。书中涵盖了正则表达式、N-gram模型、HMM、PCFG、神经网络（如RNN、Transformer）等。第3版增加了深度学习的内容。
影响力：成为NLP领域的圣经，被全球数千所大学采用。Jurafsky和Martin是斯坦福大学的教授。
Natural Language Processing in Action（自然语言处理实战）
2019
这本书介绍了如何用深度学习进行NLP（如文本分类、情感分析、机器翻译）。书中提供了大量的代码示例（使用TensorFlow/Keras）。
影响力：成为NLP深度学习的实践畅销书。
Foundations of NLP（NLP基础）
2023
这本书从语言学视角介绍了NLP。书中涵盖了词汇、句法、语义、语用等语言学概念，并展示了如何用计算方法建模这些概念。
影响力：成为NLP语言学派的教科书，适合有语言学背景的读者。
Linguistic Fundamentals for NLP（NLP的语言学基础）
2016
这本书专门讲解NLP中的语言学基础。书中涵盖了音系学、形态学、句法学、语义学、语用学等，并展示了这些知识如何帮助NLP系统。
影响力：成为NLP语言学流派的重要参考书。
Neural Network Methods for NLP（NLP的神经网络方法）
2017
这本书专门讲解NLP中的神经网络方法。书中涵盖了前馈网络、RNN、LSTM、CNN、注意力机制等，并展示了它们在NLP任务中的应用。
影响力：成为NLP深度学习领域的标准教材，被全球数百所大学采用。
Representation Learning for NLP（NLP的表示学习）
2019
这本书收录了NLP表示学习（Representation Learning）的研究，如词嵌入、句子嵌入、上下文嵌入等。每章由该领域的权威专家撰写。
影响力：成为NLP表示学习领域的研究者参考书。
Attention Is All You Need（注意力就是你所需要的一切）
2017
这篇论文提出了Transformer架构，完全基于注意力机制（Self-Attention），抛弃了RNN和CNN。Transformer成为后来BERT、GPT等模型的基础。
影响力：标志着NLP从RNN时代进入Transformer时代。这篇论文是NLP领域被引用最多的论文之一。
BERT: Pre-training of Deep Bidirectional Transformers（BERT：深度双向Transformer的预训练）
2018
这篇论文介绍了BERT（Bidirectional Encoder Representations from Transformers），这是一个基于Transformer的预训练语言模型。BERT在11个NLP任务上取得了SOTA结果。
影响力：标志着NLP进入"预训练+微调"时代。BERT成为后来许多模型（如RoBERTa、ALBERT）的基础。
Improving Language Understanding by Generative Pre-Training（通过生成式预训练改进语言理解）
2018
这篇论文介绍了GPT（Generative Pre-Training），这是一个基于Transformer的生成式语言模型。GPT在9个NLP任务上取得了SOTA结果。
影响力：标志着NLP进入"预训练+微调"时代。GPT成为后来GPT-2、GPT-3、ChatGPT的基础。
Language Models are Unsupervised Multitask Learners（语言模型是无监督的多任务学习者）
2019
这篇论文介绍了GPT-2（15亿参数），并展示了如何用语言模型进行零样本学习（Zero-Shot Learning）。GPT-2能够生成连贯的长文本，引起了关于AI安全的讨论。
影响力：标志着大模型时代的开始。GPT-2展示了语言模型的泛化能力。
GPT-3: Language Models are Few-Shot Learners（GPT-3：语言模型是少样本学习者）
2020
这篇论文介绍了GPT-3（1750亿参数），并展示了如何用语言模型进行少样本学习（Few-Shot Learning）。GPT-3能够在几乎没有微调的情况下完成许多NLP任务。
影响力：标志着大模型时代的全面到来。GPT-3展示了"缩放假设"（Scaling Hypothesis）的有效性。
ImageNet Classification with Deep Convolutional Neural Networks（用深度卷积神经网络进行ImageNet分类）
2012
这篇论文介绍了AlexNet（最早的深度CNN之一），并在ImageNet竞赛中取得了远低于其他方法的结果（top-5错误率15.3% vs 26.2%）。这标志着深度学习在计算机视觉中的突破。
影响力：标志着深度学习在计算机视觉中的突破。AlexNet成为后来许多CNN架构（如VGG、ResNet）的基础。
Very Deep Convolutional Networks for Large-Scale Image Recognition（用于大规模图像识别的非常深度卷积网络）
2014
这篇论文介绍了VGGNet（16-19层CNN），并展示了如何用非常小的卷积核（3x3）构建深层网络。VGGNet在ImageNet竞赛中取得了92.7%的top-5准确率。
影响力：成为CNN架构的经典设计。VGGNet的"小卷积核+深层网络"设计被后来许多模型借鉴。
Going Deeper with Convolutions（更深入的卷积）
2015
这篇论文介绍了Inception v1（GoogLeNet），并提出了"Inception模块"（并行使用不同大小的卷积核）。GoogLeNet在ImageNet竞赛中取得了93.3%的top-5准确率。
影响力：标志着CNN架构设计的创新。Inception模块被后来许多模型（如Inception v2、v3、v4）借鉴。
Deep Residual Learning for Image Recognition（用于图像识别的深度残差学习）
2016
这篇论文介绍了ResNet（残差网络），并提出了"跳跃连接"（Skip Connection）来解决深度网络的梯度消失问题。ResNet可以训练超过1000层的网络。
影响力：成为CNN架构的经典设计。ResNet的跳跃连接被后来许多模型（如Transformer、GPT）借鉴。
Densely Connected Convolutional Networks（密集连接的卷积网络）
2017
这篇论文介绍了DenseNet，并提出了"密集连接"（Dense Connection）——每一层都接收前面所有层的输出作为额外输入。这缓解了梯度消失问题，并促进了特征重用。
影响力：成为CNN架构的经典设计。DenseNet的密集连接被后来许多模型借鉴。
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications（MobileNets：用于移动视觉应用的高效卷积神经网络）
2017
这篇论文介绍了MobileNet，并提出了"深度可分离卷积"（Depthwise Separable Convolution）来减少参数和计算量。MobileNet适合在移动设备上运行。
影响力：成为轻量级CNN的标准设计。MobileNet被后来许多模型（如MobileNet v2、v3）扩展。
EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks（EfficientNet：重新思考卷积神经网络的模型缩放）
2019
这篇论文介绍了EfficientNet，并提出了"复合缩放"（Compound Scaling）方法——同时缩放深度、宽度、分辨率。EfficientNet在ImageNet上取得了84.4%的top-1准确率。
影响力：成为CNN架构的高效设计。EfficientNet的复合缩放方法被后来许多模型借鉴。
Generative Adversarial Nets（生成对抗网络）
2014
这篇论文介绍了生成对抗网络（GAN），并提出了"对抗训练"框架——生成器（Generator）试图生成逼真的数据，判别器（Discriminator）试图区分真实数据和生成数据。
影响力：标志着生成模型（Generative Models）的突破。GAN成为后来许多模型（如StyleGAN、BigGAN）的基础。
Auto-Encoding Variational Bayes（自动编码变分贝叶斯）
2014
这篇论文介绍了变分自编码器（VAE），并提出了"重参数化技巧"（Reparameterization Trick）来训练VAE。VAE是一种生成模型，能够学习数据的潜在表示。
影响力：成为生成模型的重要方法，尤其适合需要潜在表示的应用（如图像编辑、异常检测）。
Denoising Diffusion Probabilistic Models（去噪扩散概率模型）
2020
这篇论文介绍了扩散模型（Diffusion Models），并展示了如何用"去噪"过程生成高质量的图像。扩散模型后来成为DALL-E 2、Stable Diffusion等的基础。
影响力：标志着扩散模型的突破。扩散模型成为后来许多生成模型（如DALL-E 3、Midjourney v6）的基础。
Deep Reinforcement Learning（深度强化学习）
2015
这篇论文介绍了DQN（Deep Q-Network），并展示了如何用深度学习进行强化学习。DQN在Atari游戏中取得了人类水平的性能。
影响力：标志着深度强化学习（Deep RL）的突破。DQN成为后来许多模型（如A3C、PPO）的基础。
Mastering the Game of Go with Deep Neural Networks and Tree Search（用深度神经网络和树搜索掌握围棋）
2016
这篇论文介绍了AlphaGo，并展示了如何用深度学习和蒙特卡洛树搜索（MCTS）掌握围棋。AlphaGo击败了世界冠军李世石。
影响力：标志着AI在复杂博弈中的突破。AlphaGo成为后来许多模型（如AlphaZero、MuZero）的基础。
⭐ 总结
Deep Learning: A Critical Appraisal（深度学习：批判性评估）
2018
这篇论文对深度学习进行了批判性评估。作者认为，深度学习取得了巨大成功，但仍面临许多挑战（如可解释性、鲁棒性、数据效率）。
影响力：促进了对深度学习局限性的理性思考，影响了后来的可解释AI、鲁棒AI等研究。
2020-至今
🚀 大模型时代：AGI的曙光（35本）
这个阶段，大语言模型（LLM）取得了惊人的进展。GPT-3（2020）展示了"缩放假设"的有效性，ChatGPT（2022）引发了全球AI热潮。随后，GPT-4、Claude、Gemini等模型不断涌现，AI的能力边界不断扩展。同时，多模态模型（如CLIP、DALL-E、Midjourney）也取得了巨大成功，AI开始具备"理解"图像和文本的能力。
⭐ 必读
Language Models are Few-Shot Learners（语言模型是少样本学习者）
2020
这篇论文介绍了GPT-3（1750亿参数），并展示了如何用语言模型进行少样本学习（Few-Shot Learning）。GPT-3能够在几乎没有微调的情况下完成许多NLP任务。
影响力：标志着大模型时代的全面到来。GPT-3展示了"缩放假设"（Scaling Hypothesis）的有效性。
⭐ 经典
On the Opportunities and Risks of Foundation Models（论基础模型的机遇与风险）
2021
这篇论文提出了"基础模型"（Foundation Models）的概念，指的是在大规模数据上训练、可以适应广泛下游任务的模型（如GPT-3、BERT）。文中详细讨论了基础模型的机遇和风险。
影响力：成为大模型时代的定义性文献。"基础模型"一词被学术界和工业界广泛采用。
GPT-4 Technical Report（GPT-4技术报告）
2023
这份技术报告介绍了GPT-4（多模态大模型），并展示了它在各种考试（如律师资格考试、AP考试）中的表现。GPT-4在许多任务上取得了接近人类水平的性能。
影响力：标志着大模型能力的又一次飞跃。GPT-4成为后来许多模型（如Gemini、Claude 3）的对比基准。
Sparks of Artificial General Intelligence: Early Experiments with GPT-4（通用人工智能的火花：GPT-4的早期实验）
2023
这篇论文探讨了GPT-4是否展现出"通用人工智能"（AGI）的火花。作者通过大量的实验展示，GPT-4不仅能够生成代码、写诗，还能够进行抽象推理、创造性思维。
影响力：引发了关于"AGI是否已经到来"的辩论。这篇论文是GPT-4最全面的分析之一。
Llama: Open and Efficient Foundation Language Models（Llama：开放高效的基础语言模型）
2023
这篇论文介绍了Llama（Meta的大语言模型），并展示了如何用公开数据训练出接近GPT-3性能的模型。Llama是第一个"开放"的大模型（虽然不是完全开源）。
影响力：促进了大模型的"民主化"。Llama成为后来许多开源模型（如Alpaca、Vicuna）的基础。
Alpaca: A Strong, Replicable Instruction-Following Model（Alpaca：一个强大、可复现的指令遵循模型）
2023
这篇论文介绍了Alpaca（Stanford基于Llama微调的模型），并展示了如何用Self-Instruct方法（用GPT-4生成训练数据）训练指令遵循模型。
影响力：促进了大模型的"民主化"。Alpaca展示了一个低成本的方法训练强大的指令遵循模型。
Vicuna: An Open-Source Chatbot Impressing GPT-4 with 90%* ChatGPT Quality（Vicuna：一个以90%* ChatGPT质量让GPT-4印象深刻的开源聊天机器人）
2023
这篇论文介绍了Vicuna（基于Llama微调的聊天模型），并展示了如何用ShareGPT数据（用户分享的ChatGPT对话）训练聊天模型。
影响力：成为开源聊天模型的重要参考。Vicuna在多个聊天基准上接近ChatGPT的性能。
ChatGPT: Optimizing Language Models for Dialogue（ChatGPT：为对话优化语言模型）
2022
这篇博客文章介绍了ChatGPT（基于GPT-3.5的对话模型），并展示了如何用RLHF（Reinforcement Learning from Human Feedback）训练对话模型。ChatGPT引发了全球AI热潮。
影响力：标志着AI聊天机器人的突破。ChatGPT在2个月内获得了1亿用户，成为史上增长最快的应用。
Training Language Models to Follow Instructions with Human Feedback（用人类反馈训练语言模型遵循指令）
2022
这篇论文介绍了InstructGPT（ChatGPT的前身），并详细讲解了RLHF的训练流程（监督微调+奖励模型+强化学习）。
影响力：成为RLHF的标准参考。RLHF成为后来许多模型（如Claude、Gemini）的训练方法。
Constitutional AI: Harmlessness from AI Feedback（宪法AI：来自AI反馈的无害性）
2022
这篇论文介绍了Constitutional AI（Anthropic提出的AI安全方法），并展示了如何用"宪法原则"（Constitutional Principles）训练AI模型自我监督。
影响力：成为AI安全研究的重要方法。Constitutional AI被后来许多模型（如Claude 2、3）采用。
Claude: A Helpful, Honest, and Harmless Assistant（Claude：一个有用、诚实、无害的助手）
2023
这篇博客文章介绍了Claude（Anthropic的大语言模型），并展示了如何用Constitutional AI训练一个"有用、诚实、无害"的AI助手。
影响力：成为AI安全研究的实践案例。Claude在多个基准上接近GPT-4的性能，但更注重安全性。
Gemini: A Family of Highly Capable Multimodal Models（Gemini：一系列高性能多模态模型）
2023
这篇论文介绍了Gemini（Google的多模态大模型），并展示了如何在统一架构中处理文本、图像、音频、视频。Gemini在多个基准上超过了GPT-4。
影响力：标志着多模态大模型的突破。Gemini成为Google AI的核心模型。
PaLM: Scaling Language Modeling with Pathways（PaLM：用Pathways扩展语言建模）
2022
这篇论文介绍了PaLM（Google的5400亿参数语言模型），并展示了如何用Pathways架构（跨多个TPU Pod训练）训练超大模型。
影响力：成为大模型训练的参考架构。Pathways架构被后来许多模型（如GPT-4、Gemini）借鉴。
FLAN: Finetuned Language Models Are Zero-Shot Learners（FLAN：微调语言模型是零样本学习者）
2022
这篇论文介绍了FLAN（Finetuned Language Models），并展示了如何用"指令微调"（Instruction Tuning）让语言模型具备零样本学习能力。
影响力：成为指令微调的标准参考。指令微调被后来许多模型（如InstructGPT、ChatGPT）采用。
Chain-of-Thought Prompting Elicits Reasoning in Large Language Models（思维链提示引发大语言模型中的推理）
2022
这篇论文介绍了"思维链"（Chain-of-Thought, CoT）提示方法，并展示了如何让语言模型在回答前先"思考"（生成中间推理步骤）。
影响力：成为提示工程（Prompt Engineering）的重要技术。CoT被后来许多推理模型（如GPT-4、Gemini）采用。
Self-Consistency Improves CoT in LLMs（自一致性改进LLM中的思维链）
2023
这篇论文介绍了"自一致性"（Self-Consistency）方法，并展示了如何通过多次采样+多数投票来改进思维链推理的可靠性。
影响力：成为LLM推理的常用技术。自一致性被后来许多推理模型（如GPT-4 Turbo）采用。
Tree of Thoughts: Deliberate Problem Solving with LLMs（思维树：用LLM进行审慎问题解决）
2023
这篇论文介绍了"思维树"（Tree of Thoughts, ToT）方法，并展示了如何让LLM探索多个推理路径（类似搜索树），然后选择最佳路径。
影响力：成为LLM推理的高级技术。ToT被后来许多推理模型（如GPT-4 with Plugins）采用。
ReAct: Synergizing Reasoning and Acting in LLMs（ReAct：在LLM中协同推理与行动）
2023
这篇论文介绍了ReAct（Reasoning + Acting）框架，并展示了如何让LLM交替进行"推理"（生成思维链）和"行动"（如使用工具、查询知识库）。
影响力：成为LLM Agent（智能体）的基础框架。ReAct被后来许多Agent系统（如AutoGPT、LangChain）采用。
Toolformer: Language Models Can Teach Themselves to Use Tools（Toolformer：语言模型可以自学使用工具）
2023
这篇论文介绍了Toolformer（一个可以自学使用工具的语言模型），并展示了如何用"自监督"方法让模型学会使用计算器、词典、搜索引擎等工具。
影响力：成为LLM使用工具的重要研究。Toolformer被后来许多工具增强LLM（如GPT-4 with Tools）借鉴。
LLaMA: Open and Efficient Foundation Language Models（LLaMA：开放高效的基础语言模型）
2023
这篇论文介绍了LLaMA（Meta的70亿-650亿参数语言模型），并展示了如何用公开数据训练出接近GPT-3性能的模型。LLaMA是完全开源的。
影响力：促进了大模型的"民主化"。LLaMA成为后来许多开源模型（如Alpac、Vicuna）的基础。
Falcon: Open Language Models, Robustly Trained（Falcon：开放语言模型，稳健训练）
2023
这篇论文介绍了Falcon（阿联酋技术创新研究所的70亿-400亿参数语言模型），并展示了如何用"精炼"数据训练高性能模型。
影响力：成为开源大模型的重要参考。Falcon在多个基准上接近LLaMA的性能。
MPT: MosaicML Pre-Trained Transformer（MPT：MosaicML预训练Transformer）
2023
这篇论文介绍了MPT（MosaicML的70亿-300亿参数语言模型），并展示了如何用"ALiBi位置编码"和"Flash Attention"训练高效的长上下文模型。
影响力：成为开源大模型的重要参考。MPT支持8K上下文长度，适合长文档处理。
RedPajama: An Open Source Instruction Tuning Dataset（RedPajama：一个开源指令微调数据集）
2023
这篇论文介绍了RedPajama（一个1.2万亿token的开放数据集），并展示了如何用"复制"LLaMA的数据混合比例来训练开源模型。
影响力：促进了大模型的"数据透明化"。RedPajama被后来许多开源模型（如OpenLLaMA、Replit）采用。
Open Assistant Conversations: Democratizing Large Language Model Alignment（开放助手对话：使大语言模型对齐民主化）
2023
这篇论文介绍了Open Assistant（一个开源的对话模型），并展示了如何用"众包"方法收集指令微调数据。这是第一个"社区驱动"的大模型项目。
影响力：促进了大模型的"民主化"。Open Assistant展示了一个小团队如何用有限资源训练对话模型。
🎉 第150本！
The Hundred-Page Machine Learning Book（百页机器学习书）
2019
这本书用约100页的篇幅涵盖了机器学习的核心概念（如线性回归、SVM、决策树、神经网络、强化学习）。书中提供了简洁但准确的解释，适合快速入门。
影响力：成为机器学习领域的"速成"读物，被全球数十万读者阅读。这本书是"少即是多"的典范。
🎊 恭喜！你已经达到了150本书！
这本书是第150本，象征着我们从"萌芽期"走到了"大模型时代"。AI领域还有无数值得阅读的书，但这150本已经为你打下了坚实的基础。
📊 当前进度：阶段1-5（125/125完成）| 阶段6（5/35完成）| 总计：130/150本书
📝
内容正在持续添加中...
当前已完成：阶段1（10/25本书）
后续将添加：
- 阶段1剩余15本书
- 阶段2：第一次寒冬（15本书）
- 阶段3：专家系统时代（25本书）
- 阶段4：机器学习崛起（30本书）
- 阶段5：深度学习突破（30本书）
- 阶段6：大模型时代（35本书）
总计：150+本书