OpenAI联合创始人Ilya精选的AI论文清单来了！Ilya称，读懂这30篇论文，就掌握了90%的AI底层原理。 22篇基础篇（经典神经网 & 结构）：RNN/LSTM、CNN、Transformer、记忆模型、VAE 等 3篇优化篇（正则化、规模、推理）：dropout、残差、MDL、GPipe、Scaling Laws、关系网络等 5篇应用篇（ASR、检索、生成、对齐）：Deep Speech2、DPR、RAG、Zephyr、fact‑checking 基础篇： The First Law of Complexodynamics：用复杂性 vs 熵探讨世界演化曲线 Unreasonable Effectiveness of RNNs、Understanding LSTM Networks：RNN/LSTM 入门与结构讲解 RNN Regularization：LSTM 加 dropout 的技巧 MDL 权重最小化：从 Hinton 的信息论视角正则化 Pointer Networks：用注意力抠 token 索引问题 AlexNet (ImageNet Classification…)：CNN 崛起启蒙作 Order Matters for Sets：Seq2Seq 模型处理无序数据策略 GPipe：跨 GPU 按片训练大模型 ResNet (Deep Residual Learning)：残差块首创，后续身份映射优化版本 Dilated Convolutions：不降采样却扩大感受野 Neural Message Passing：化学图建模的 message passing 神经网 Attention is All You Need：Transformer 架构诞生经 Bahdanau Attention for NMT：早期注意力机制在翻译上的关键贡献 Relation Networks、Relational RNNs：关系推理模块与记忆网络 Variational Lossy Autoencoder：VAE+自回归混合，把握全局结构 Neural Turing Machines：神经控制器+可微记忆，做算法学习 Deep Speech 2：端到端中英 ASR 高精度实践 Scaling Laws for LMs：参数/数据/算力规模与性能关系 MDL 原理教程：信息压缩+模型选择理论 Machine Super Intelligence：Shane Legg 关于超智能框架与安全 Kolmogorov Complexity：算法复杂性与信息论基础 Stanford CS231n：CNN 图像识别课程一手教程 二、优化篇： Multi‑token Prediction（Better & Faster LLMs）：预测多个 token，效率与性能提升 Dense Passage Retrieval：双编码检索模块 DPR，开放问答 retrieval 主力 RAG：检索增强生成模型，用检索器+seq2seq 模型融合生成事实性回答 三、应用篇： Zephyr：LM Alignment：无人工反馈，直接用 distillation + dDPO 达到 alignment 效率 Lost In The Middle：揭开 LLM 在超长上下文中中段 recall 的“U 型”性能坍缩现象 Precise Zero‑Shot Dense Retrieval：HyDE 方法，用生成器创造伪标注，做真正 zero‑shot 检索 ALCUNA：构造新知识 benchmark，看 LLM 如何接纳未见实体 Fact‑checking with LLMs：评估 GPT‑3.5/4 用于事实核查的潜力与局限 网页链接在这，赶快码起来吧：aman.ai/primers/ai/top-30-papers/
