近年来，人工智能（AI）（特别是以大语言模型LLM为基础的AI）正以前所未有的速度席卷全球，其深远影响已从实验室走向产业实践，重塑了我们的工作方式、生活模式乃至社会结构。从生成式AI到自动驾驶，从医疗诊断到金融风控，AI 的应用几乎无处不在。在这场变革浪潮背后，一批奠定技术基础的里程碑论文发挥了决定性作用。它们不仅推动了算法的突破，更深刻地影响了整个学术界和工业界的技术演进。

本文盘点了截至目前被引用次数最多的十篇AI顶级论文。这些论文的引用量大多超过了十万次，堪称“AI 知识金字塔的基石”。它们所提出的算法和框架，如 ResNet、Adam、Transformer、BERT 等，已经深度融入当今主流 AI 系统中，成为无数工程和产品背后的“隐形支柱”。

1. “Deep Residual Learning for Image Recognition” (He et al., 2016)

🔗 Google Scholar: Kaiming He et al.

在深度神经网络训练中，随着层数加深，往往会出现梯度消失或退化问题（训练误差不降反升）。为解决这一瓶颈，何恺明等人在 2015 年提出了残差网络（ResNet）。其核心是将“学习残差”（residual）作为目标，即模型学习输入 xxx 与输出 F(x)F(x)F(x) 的增量，而不是直接拟合 H(x)H(x)H(x)。具体通过“恒等映射跳跃连接”（identity skip-connections）把输入直接加到输出上，使网络优化更稳定。

他们构建了 ResNet-50、101、152 等多个版本，最深的达到 152 层，却依然能高效训练。在 ImageNet 图像分类任务上，ResNet‑152 以仅 3.57% 的错误率获胜，并在 ImageNet、COCO等多项竞赛上获得多项任务冠军，该论文突破了“网络越深越容易”“深度必须受限”的迷思，成为 CV 和视觉 AI 的里程碑。

截止目前，它仍是AI领域的论文引用冠军。

✨ 影响

ResNet 架构被广泛应用于图像分类、目标检测、分割
引导后续深度模型设计，如 DenseNet、Inception‑ResNet
跳跃连接思想被引入 Transformer、AlphaFold 等多种领域

2025-06-18截图

2. Adam: A method for stochastic optimization（DP Kingma, J Ba 2014）

🔗 Google Scholar: Kingma & Ba, 2015

2015 年，Diederik P. Kingma 与 Jimmy Ba 在 ICLR 上发表的论文《Adam: A Method for Stochastic Optimization》提出了一种高效的随机优化算法——Adam（Adaptive Moment Estimation），成为深度学习领域最常用的参数优化器之一。该方法结合了 Momentum（一阶矩估计）和 RMSProp（二阶矩估计）思想，能以自适应的学习率对每个参数进行动态调整。

Adam 通过对梯度的一阶和二阶动量分别进行指数加权平均，并引入偏差校正，在训练早期提供稳定估计。其更新公式不仅鲁棒，而且对超参数不敏感，默认设置即可适用于大多数深度学习任务。

与 SGD 相比，Adam 具有快速收敛、处理稀疏梯度的能力，因此被广泛应用于神经网络训练，尤其是在自然语言处理、图像生成、强化学习等领域。它也成为 TensorFlow、PyTorch 等主流框架中的默认优化器之一。

✨ 影响