# I read every major CS paper of the last 100 years...

- Channel: [Fireship](https://www.youtube.com/channel/UCsBjURrPoezykLs9EqgamOA)
- Published: 2026-06-17
- Source video: [Watch on YouTube](https://youtube.com/watch?v=ML3q7Ok4hJg)
- Read on ReadTube: https://www.read.tube/p/videos/ML3q7Ok4hJg
- Language: Simplified Chinese

## Summary

**十篇论文塑造人工智能**

这段视频回顾了过去一百年里最关键的十篇计算机科学论文，说明人工智能和现代计算机并非一蹴而就，而是由一连串突破逐步堆叠而成。视频从图灵机、信息论、感知机、反向传播，到谷歌搜索、图像识别和变压器，再到大型语言模型，串起了当代人工智能的技术主线。

视频以计算机科学百年发展为主线，挑出十篇改变世界的论文，说明今天的大模型并不是突然出现，而是建立在一系列基础理论与工程突破之上。开头从图灵对可计算性的证明讲起，强调机器可执行算法的边界；随后转向香农的信息论，指出信息可以被量化为比特，而不确定性、压缩与预测也因此获得了统一的数学语言。

接着，视频把人工智能早期的起伏讲成一条“希望—幻灭—复兴”的曲线。感知机曾引发对机器智能的巨大乐观，但单层感知机的局限又导致第一次人工智能寒冬；后来，反向传播重新点燃多层神经网络的训练可能性，只是当时数据和算力都不够。与此同时，兰波特的分布式系统逻辑时钟为大规模协同计算打下基础，也解释了为什么现代数据库、区块链和大规模训练离不开一致性与排序。

后半部分则展示了互联网、深度学习和变压器如何把这些旧想法变成现实。谷歌的网页排名利用链接关系组织起全球文本资源，成为后续模型训练的数据土壤；AlexNet借助大规模图像数据与消费级 GPU 证明深度卷积网络真能在视觉任务上碾压传统方法；“注意力机制”进一步解决了序列模型长距离依赖和扩展性问题，催生了变压器架构。最后，OpenAI把这一架构继续放大到巨型参数规模，证明能力会随规模涌现，进而引爆当前的生成式人工智能浪潮。

- 图灵回答了“什么能被算法解决”，并奠定了计算机的抽象模型。
- 香农把信息变成可度量对象，引入比特、熵和预测思维。
- 感知机首次让机器具备学习能力，但单层结构很快暴露极限。
- 反向传播让多层神经网络可训练，成为现代深度学习核心。
- 兰波特的逻辑时钟解决了分布式系统中的事件排序问题。
- 谷歌搜索把网页链接变成排名信号，也积累了海量文本数据。
- AlexNet在图像识别竞赛中大幅胜出，证明深度学习在算力与数据到位时极其有效。
- 变压器用注意力机制摆脱顺序限制，成为大型语言模型的基础架构。
- GPT-3 通过极端扩规模展现出通用能力，推动了当代人工智能热潮。
- 视频的核心结论是：今天的人工智能是百年论文链条共同塑造的结果。