A Deliberately Small Library
核心书架
不是“AI 好书大全”，而是一套有限的阅读框架：十二本核心书共同覆盖原理、实践、判断与社会后果；八本选读补足技术或专题；十二篇论文负责关键转折。
12核心书8选读书12核心论文
Reading Track
原理
Artificial Intelligence: A Guide for Thinking Humans
从常识、类比和理解的难题出发，建立不被能力演示带偏的基本框架。
- 怎么读
- 通读；与“能力、理解与责任”配套。
- 注意
- 具体模型已经更新，问题框架仍有效。
Understanding Deep Learning
理论、图示和实现之间平衡良好，覆盖 Transformer 与扩散模型。
- 怎么读
- 有数学基础者精读前半；其他读者先读图示。
- 注意
- 技术细节仍会继续演进。
Build a Large Language Model (From Scratch)
亲手搭出小型 LLM，理解 token 化、预训练和微调。
- 怎么读
- 技术路线精读并运行代码。
- 注意
- 代码依赖会老化，流程长期有价值。
Artificial Intelligence: A Modern Approach
覆盖 AI 全领域的系统参考书。
- 怎么读
- 按主题查阅，不必从头通读。
- 注意
- 篇幅大，超出本站首读范围。
Deep Learning
深度学习理论经典。
- 怎么读
- 有数学基础者作为参考。
- 注意
- 缺少 Transformer 时代的新内容。
Reading Track
实践
Hands-On Large Language Models
图解与实践结合，是从概念走向应用的桥梁。
- 怎么读
- 先读图解原理，再按任务选做代码。
- 注意
- 工具接口更新较快。
AI Engineering
以模型选择、数据、评测、RAG、Agent、延迟和成本组织真实系统。
- 怎么读
- 重点读评测、反馈、部署与成本。
- 注意
- 产品示例会过时，权衡框架不会。
Co-Intelligence
把生成式 AI 当作协作对象，适合建立工作与教学中的使用习惯。
- 怎么读
- 与方法篇对读。
- 注意
- 经验法则不是技术定律。
Natural Language Processing with Transformers
理解 Transformer 生态、微调和部署。
- 怎么读
- 开发者按任务选读。
- 注意
- 依赖版本变化快。
Designing Machine Learning Systems
补足数据分布、监控、部署与迭代。
- 怎么读
- 工程与产品人员精读。
- 注意
- 不专门针对生成式 AI。
Build a Reasoning Model (From Scratch)
追踪推理模型训练技术。
- 怎么读
- 完成 LLM 基础路线后阅读。
- 注意
- 不作为入门起点。
How to AI
面向普通使用者的当代实践指南。
- 怎么读
- 快速建立习惯后回到原理与核验。
- 注意
- 具体产品建议时效较短。
Reading Track
判断
AI Snake Oil
区分生成式 AI、预测性 AI 和伪称能力，训练证据判断。
- 怎么读
- 通读预测、证据和问责部分。
- 注意
- 案例会更新，分类标准长期有效。
The Alignment Problem
从机器学习史讲清价值、奖励、偏差与对齐。
- 怎么读
- 重点读奖励、模仿和人类反馈。
- 注意
- 早于生成式 AI 大规模普及。
Human Compatible
从目标指定错误切入控制与长期安全。
- 怎么读
- 读核心论证，并与不同立场并读。
- 注意
- 政策主张具有争议。
Fairness and Machine Learning
严格解释公平概念和技术权衡。
- 怎么读
- 治理与研究读者选读。
- 注意
- 需要概率与机器学习基础。
Reading Track
社会
Atlas of AI
从资源、劳动、数据、分类和权力结构看 AI。
- 怎么读
- 按资源、劳动、分类三条线读。
- 注意
- 具体公司案例带有日期。
Code Dependent
以跨国个案展示 AI 对公共服务、劳动和普通人的影响。
- 怎么读
- 结合隐私和不可外包判断篇。
- 注意
- 个案不能代替总体统计。
The Worlds I See
通过 ImageNet 与个人经历理解数据、研究共同体和以人为本 AI。
- 怎么读
- 作为技术史与研究实践阅读。
- 注意
- 回忆录不是完整 AI 通史。
Power and Prediction
从预测成本与系统重构理解组织影响。
- 怎么读
- 管理与经济读者选读。
- 注意
- 分析框架不能替代行业实证。
Twelve Turning Points
十二篇核心论文
不要求逐篇全文精读。先抓住它解决的问题、结论、局限，以及今天为何仍重要。
- 2017
Attention Is All You Need
Transformer 架构
- 2020
- 2020
- 2022
- 2020
- 2022
ReAct
推理与行动交错
- 2023
Toolformer
模型学习调用工具
- 2023
Lost in the Middle
长上下文局限
- 2022
- 2021
TruthfulQA
真实性与人类误解
- 2021
- 2023