参考来源与置信度

本页列出全站内容所依据的主要参考来源，并说明调研方法与各部分内容（特别是 2025–2026 年近期发展）的置信度。

如何使用本页：每一类来源都标注了其覆盖范围和适用场景。对于关键事实（年份、人物、论文出处），建议优先查阅「关键原始论文」；对于分类框架的口径争议，参考「综述与分类框架」；对于初学者入门，从「教科书体系」开始。

---

教科书体系

以下教科书是各分支领域的标准参考，适合系统学习，也是本站分类框架的基础依据。

教材	作者	覆盖范围	说明
Artificial Intelligence: A Modern Approach（AIMA, 4th ed., 2021）	Russell & Norvig	全 AI 领域	全球高校使用最广的 AI 教材，涵盖符号主义到深度学习全谱系。第 4 版新增了深度学习、机器学习最新进展章节
The Elements of Statistical Learning（2nd ed., 2009）	Hastie, Tibshirani & Friedman	传统机器学习 / 统计学习	统计学习理论的圣经，从线性回归到 SVM、boosting、图模型，数学推导详尽。官方免费 PDF
Reinforcement Learning: An Introduction（2nd ed., 2018）	Sutton & Barto	强化学习	RL 领域的奠基教材，Sutton 被称为「强化学习之父」，获 2024 年 ACM Turing 奖。官方免费 PDF
Probabilistic Graphical Models（2009）	Koller & Friedman	概率图模型	贝叶斯网络、马尔可夫随机场、变分推断的权威教材，内容硬核
Deep Learning（2016）	Goodfellow, Bengio & Courville	深度学习	深度学习的经典教材，Bengio 获 2018 年 Turing 奖。官方免费在线版
Dive into Deep Learning（d2l.ai）	Zhang, Lipton, Li & Smola	深度学习（交互式）	开源交互式教材，带可运行代码（PyTorch/MXNet/TensorFlow），适合动手实践。d2l.ai
《统计学习方法》（2nd ed., 2019）	李航	传统机器学习	中文世界最流行的 ML 入门教材，推导清晰，覆盖 SVM、决策树、boosting 等
《机器学习》（2016）	周志华	全 ML 领域概览	中文 ML 教材的标杆（「西瓜书」），覆盖面广，适合建立全局认知
《动手学深度学习》（d2l 中文版）	阿斯顿·张、李沐等	深度学习（实战）	d2l.ai 的中文版，李沐主讲视频系列广受好评

综述与分类框架

以下综述论文提供了本站使用的核心分类框架，特别是生成模型的分类体系和扩散模型的统一视角。

• Goodfellow, NIPS 2016 Tutorial on Generative Adversarial Networks——提出了生成模型的显式密度 / 隐式密度分类框架（VAE/Flow = 显式，GAN = 隐式），本站生成模型分类的基础。
• Kaelbling, Littman & Moore 1996, Reinforcement Learning: A Survey——RL 经典综述，梳理了 RL 的核心问题和早期方法分类。
• Luo 2022, Understanding Diffusion Models: A Unified Perspective——从变分推断视角统一了 DDPM、score-based model 和 SDE，是理解扩散模型最好的入门综述之一。
• Song et al. 2021, Score-Based Generative Modeling through SDE——用随机微分方程统一了 DDPM 和 NCSN 两大扩散模型分支，是理论统一的里程碑。
• YOLOv1→YOLO11 十年综述——梳理 YOLO 从 2015 到 2024 十年间的版本演变和技术谱系。
• Schmidhuber, Annotated History of Modern AI and Deep Learning——Schmidhuber 个人视角的 AI 深度学习史，注意：作者在优先权归属问题上有鲜明立场（倾向强调自己及早期工作者的贡献），需与其他来源交叉验证。
• Bommasani et al. 2022, On the Opportunities and Risks of Foundation Models——斯坦福 HRI 提出的「基础模型」（Foundation Model）概念白皮书，讨论了预训练大模型范式的机遇与风险。
• Wei et al. 2022, Emergent Abilities of Large Language Models——提出大模型的「涌现能力」概念，引发了持续的学术争论。
• Schaeffer et al. 2023, Are Emergent Abilities of Large Language Models a Mirage?——对「涌现能力」的质疑，认为可能是评估指标造成的假象。与上文对照阅读。

关键原始论文

以下按技术分支分组列出本站引用的核心论文。这些论文定义了各自领域的范式，是所有二手资料最终追溯的源头。

符号主义 AI

• Newell & Simon 1976, Computer Science as Empirical Inquiry: Symbols and Search（Physical Symbol System Hypothesis，物理符号系统假说）
• McCarthy et al. 1955, A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence（「人工智能」一词的首次正式使用）

传统机器学习

• Breiman 2001, Random Forests（Machine Learning 45:5–32）——随机森林的正式论文。
• Quinlan 1986, Induction of Decision Trees（ID3 算法）——原文 PDF。
• Cortes & Vapnik 1995, Support-Vector Networks（SVM）——最大间隔分类器的奠基论文。

深度学习架构

• Vaswani et al. 2017, Attention Is All You Need——Transformer 架构的提出，当今 NLP/CV 统一架构的起点。
• He et al. 2015, Deep Residual Learning for Image Recognition——ResNet，残差连接解决了深层网络训练难题。
• Redmon et al. 2015, You Only Look Once——YOLO，单阶段目标检测的开创之作。
• LeCun et al. 1998, Gradient-Based Learning Applied to Document Recognition——LeNet，CNN 在手写数字识别上的成功应用。
• Dosovitskiy et al. 2020, An Image is Worth 16x16 Words——ViT，Vision Transformer 的提出。

生成模型

• Ho et al. 2020, Denoising Diffusion Probabilistic Models (DDPM)——扩散模型在图像生成上的突破。
• Sohl-Dickstein et al. 2015, Deep Unsupervised Learning using Nonequilibrium Thermodynamics——扩散模型的最早理论框架。
• Rombach et al. 2022, High-Resolution Image Synthesis with Latent Diffusion Models——Latent Diffusion（Stable Diffusion 的基础）。
• Goodfellow et al. 2014, Generative Adversarial Networks——GAN 的提出。
• Kingma & Welling 2013, Auto-Encoding Variational Bayes——VAE 的提出。

LLM 与 NLP

• Brown et al. 2020, Language Models are Few-Shot Learners (GPT-3)——少样本学习的突破，LLM 时代的开端。
• Devlin et al. 2018, BERT: Pre-training of Deep Bidirectional Transformers——掩码预训练的标杆。
• Radford et al. 2018/2019, GPT / GPT-2——GPT 系列的起点。
• Radford et al. 2021, CLIP——对比学习图文对齐。
• Lewis et al. 2020, Retrieval-Augmented Generation (RAG)——RAG 的提出。

强化学习

• Mnih et al. 2015, Human-level control through deep reinforcement learning (DQN)——深度强化学习在 Atari 游戏上的里程碑。
• Silver et al. 2016, Mastering the game of Go with deep neural networks and tree search (AlphaGo)——击败李世石的 AlphaGo。
• Schulman et al. 2017, Proximal Policy Optimization Algorithms (PPO)——RLHF 的标配 RL 算法。

对齐与偏好学习

• Christiano et al. 2017, Deep Reinforcement Learning from Human Preferences——RLHF 的早期框架。
• Ouyang et al. 2022, Training language models to follow instructions with human feedback (InstructGPT)——RLHF 在 LLM 上的首次大规模应用。
• Rafailov et al. 2023, Direct Preference Optimization (DPO)——绕过奖励模型的简化对齐方法。

权威在线资源

以下非论文但高度权威的在线资源，适合持续跟踪最新进展。

资源	链接	说明
Papers With Code	paperswithcode.com	论文 + 代码 + SOTA 排行榜，按任务分类。查看某个任务上最好的方法首选此处
Hugging Face	huggingface.co	模型/数据集/Demo 托管平台，开源 NLP/CV 生态核心。Learn 子站有优质教程
arXiv cs.AI / cs.LG / cs.CL	arxiv.org	AI 领域预印本服务器，最新论文的首发平台（注意：未经同行评审）
Distill.pub	distill.pub	交互式可视化解释 ML 概念的在线期刊（已停更但内容经典）
Google AI Blog / DeepMind Blog	ai.googleblog.com / deepmind.google/discover/blog/	工业级研究成果的第一手解读
MIT 6.S191	introtodeeplearning.com	MIT 深度学习入门公开课，每年更新，视频+讲义+代码
Stanford CS224N / CS231N	online.stanford.edu	Stanford NLP（CS224N）/ CV（CS231N）经典公开课
Sebastian Raschka’s Magazine	magazine.sebastianraschka.com	LLM/深度学习技术深度解读，代码+原理并重
Lil’Log (Lilian Weng)	lilianweng.github.io	OpenAI 研究员的高质量 AI 技术博客，覆盖 RL、LLM、Agent 等

Wikipedia 条目（分类口径基准）

Wikipedia 的英文条目在术语定义和分类口径上具有较好的交叉验证价值，适合作为快速查证的基准。以下条目与本站内容密切相关：

• Symbolic artificial intelligence / Deep learning / Machine learning
• You Only Look Once / Diffusion model / Generative model
• Large language model / Transformer (deep learning architecture)
• Reinforcement learning / Q-learning
• Ensemble learning / Random forest / Gradient boosting
• History of artificial intelligence / AI winter
• Expert system / Knowledge graph / Physical symbol system
• A* search algorithm / Alpha–beta pruning

历史类

• History of AI (Wikipedia)——AI 全史概览。
• 两次寒冬界定——AI 寒冬的时间线梳理。
• 2024 年 ACM Turing Award（Andrew Barto & Richard Sutton）——表彰其在强化学习领域的奠基性贡献。
• 2018 年 ACM Turing Award（Bengio, Hinton, LeCun）——深度学习三巨头的获奖理由。
• Nils Nilsson, The Quest for Artificial Intelligence (2009)——斯坦福出版的 AI 通史，从古代自动机到 2000 年代。

附：调研方法与置信度说明

调研方法

本站内容源自多路并行网络调研（符号主义/经典 AI、传统机器学习、深度学习与 CV、强化学习、生成式 AI 与 LLM、历史时间线）汇总而成的报告。关键事实（年份、人物、论文出处）经至少一个独立来源交叉验证。交叉验证的优先级为：原始论文 > 教科书 > 权威综述 > Wikipedia > 科普文章/博客。

置信度分级

级别	覆盖范围	说明
高置信度	分类归属关系、2000 年以前的历史事实、经典算法原理	这些内容已被多本教科书和大量论文反复验证，几十年来无本质争议
中置信度	存在多来源分歧的细节	已在对应页面标注分歧点（如 MYCIN 规则数、AI 寒冬起止年份、Q-learning/DQN/ResNet 年份双标注等）
需注意时效	2025–2026 年的模型版本与厂商格局	GPT-5、Claude 4、Gemini 3、YOLO26 等属进行中的事件，以技术社区综述和新闻报道为来源，建议以各厂商官网公告复核

特别说明

• 预印本（arXiv）：本站引用的大量论文来自 arXiv 预印本。预印本未经同行评审，但 AI 领域的惯例是首发预印本后经会议/期刊评审。引用时已尽量标注后续正式发表信息。
• 优先权争议：涉及发明权归属的内容（如反向传播、LSTM、注意力机制），本站尽量呈现多方说法，标注争议方观点，不单方面采信某一来源。
• 厂商信息：涉及具体模型性能的厂商数据（如 benchmark 分数），需注意自报数据的利益相关偏向，以独立评测（如 LMSYS Arena）为辅助参照。