来源：https://www.zhihu.com/question/638660013
作者：小满哥
个人名单，排名不分先后：
1、AlexNet （深度学习复兴的源头）
2、GAN（左右互博的思想到现在依然很惊艳）
3、Attention （提出注意力机制并应用于NLP）
4、ResNet （残差思想简洁有效，广泛应用于深度学习各个领域，毋庸置疑的top10）
5、UNet (对称编解码器架构，泛化性能很好，广泛应用于医疗遥感以及AIGC领域)BatchNormalization （有效加快模型收敛并防止过拟合）
6、YOLO系列 （端到端目标检测模型，简洁优雅高效，落地最广泛的目标检测模型）Transformer （同样毋庸置疑，大模型基石）
7、GPT系列 (基于Transformer解码器的大语言模型，掀起LLM浪潮的领航员)
8、StableDiffusion （图像生成里程碑，与LLM并列的AIGC模型）
以上是个人排名，仅限于本人涉足的领域，存在一定主观性，很难达到全面客观的标准。还有很多非常好的算法也可排进特定领域top10，候选名单：
VGG，Seq2seq，Faster-RCNN，Mask RCNN，Bert，ViT，Swin Transformer，DALLE，CLIP，GCN，GAT，RoPE等，这些都是非常经典的算法，经过了后续研究实践的考验。
还有一些很有创新性，有希望进入特定领域top10候选的作品，例如：
DiT, RWKV，Mamba，LORA等
作者：
theigrams
实际效果不一定是最好的，但背后的理论肯定是优美而深刻的，以下是我喜欢的 Top10：
Word2vec
第一次接触机器学习时，看到书中的例子「中国-北京 = 法国-巴黎」，感觉整个人的认知都被颠覆了，从此踏进了机器学习的深坑。
Variational Autoencoder (VAE)
变分推断与自编码器的完美融合，与传统自编码器相比，通过随机采样的方式强迫特征网络学到的编码具备局部空间结构，这种范式对整个生成模型领域产生了深远的影响。
Generative Adversarial Network (GAN)
超脱于传统 Encoder-Decoder 结构，走出了一条全新的路，将 min-max 优化问题转化为生成器网络和判别器网络的对抗学习过程。
Graph Convolutional Network (GCN)
这里指的是广义的图卷积网络，一共包括 Spectral Networks and Locally Connected Networks on Graphs，Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering，Semi-Supervised Classification with Graph Convolutional Networks 三篇论文。
Spectral CNN 是开山之作，基于谱图理论首次将卷积推广到了图网络。
Chebyshev Spectral CNN 用拉普拉斯矩阵的Chebyshev多项式来代替滤波函数，极大减少了计算量。
GCN 则是集大成者，继续做减法，最终将图卷积浓缩成一个矩阵，优美到了极致。
可惜自此之后的 GNN 再无图卷积，只剩消息传递。
PointNet
用神经网络处理点云的开山之作，解决了点云数据的无序性和不规则性，从此三维视觉进入深度学习时代。
Neural Radiance Field (NeRF)
用神经网络学习空间中每一点的光场，然后用体渲染积分成图像，简直是暴力美学。
虽说三维视觉领域又多了个新方向，但搞这个掉头发很快。
Deep Q-Network (DQN)
毋庸置疑的经典，将 Q-learning 的天赋带到深度学习，产生了很好的化学反应，强得不可思议。
AlphaGo
蒙特卡洛树
搜索+深度学习，击败柯洁算得上是 AI 领域的历史性时刻。
Proximal Policy Optimization (PPO)Schulman
在 TRPO 中引入了信赖域来缓解学习不稳定的问题，但是计算开销太大，于是他又将其简化成了 PPO，显然他觉得这种改进工作贡献不大，甚至都没投论文，就挂在Arxiv上。
没想到的是 PPO 太好用了，简单稳定高效，搞应用的人手一个，甚至 ChatGPT 也用的 PPO。
Neural Tangent Kernel (NTK)
解释了神经网络（在无限宽的情况下）的训练为什么能稳定收敛，为什么收敛性与网络的初始化无关，而与网络的结构有关。
作者：
兵临
城下
0 AlexNet: 我觉得是卷积神经网络最具代表的工作；
1 ResNet: 至少不比之前差；
