会写会画 ≠ 真懂：从图灵测试到大模型，"聪明"的标尺被它所改写
ChatGPT 能写论文、AI 能画出以假乱真的画、语音助手能陪你聊到深夜。这些能力让人很容易脱口而出"它真聪明，它真的懂"。可我们不妨先停一下：一个会写会画系统的"会"，和一个小学生把乘法口诀背得滚瓜烂熟的"会"，是同一回事吗？童声朗朗地背口诀，孩子不一定理解了乘法的意义；同样，落笔千言的大模型，是不是也可能只是在"背"，而不是在"懂"？
这篇文章带着一个问题走完 AI 七十年的脉络：一个系统到底算不算"懂"？这个问法很重要，因为它不等同于"机器强不强、快不快"，而是问它是不是真的在学、真的理解。我们将看到，围绕这个问题生长出一根贯穿始终的标尺：先是用"行为像不像"代替"是否真懂"，再一路推高能力，最后在能力的顶点被迫承认，行为光鲜并不等于真正理解。
它又快又强，凭什么还不算"智能"？先把自动化的假 AI 关在门外
先做一次直觉测试。计算器算得飞快，洗衣机能按固定程序自动完成一整套流程，为什么我们不会说它们是"智能"？因为它们的本领是事先写死的，不会从经验里学，不会面对没见过的状况自己调整。快、自动、强大，这些都不是"智能"的门票。真正的门槛在于三件事：能不能从数据里学习，能不能应对不确定，能不能自己适应新情况。Turing-1950
把这个标尺举起来，很多号称 AI 的东西就现了形。一个只能按预设剧本回答的客服机器人，就算话术再流畅，本质仍是一台高级洗衣机。反过来，一个真能从你给的数据里总结规律、并在下次碰到类似状况时调整做法的系统，哪怕它当前还笨，也已经摸到了"智能"的门。
那么，怎么判定一个系统算不算会思考？这个问题困住了早期研究者很久。机器能不能思考，讨论起来往往各说各话，谁也说服不了谁。1950 年，数学家艾伦·图灵给出了一个巧妙的逃逸方案：与其争论"机器会不会思考"这种谁也证不清的问题，不如把它替换成一个可以实际操作的任务。
图注：图灵 1950 年设计的"模仿游戏"示意图。审讯者与另外两人分处不同房间，只能通过电传打字机（teleprinter）用文字交流，看不见也听不见对方。判断的依据只看对话行为像不像人，不追究机器内部的思考方式。Turing-1950
图灵把问题从"机器能否思考"，改写成"隔着纯文字通道，机器能不能让审讯者分不出来"。他设想三人在不同房间靠打字沟通：一个真人扮演 A，一个待测机器顶替 A 的位置，审讯者负责判断哪一头是机器。如果机器成功骗过了审讯者，我们就按一个可检验的标准承认它"会思考"了。图灵原话对这场博弈的预期是：普通审讯者经过五分钟提问，做出正确判断的概率不会超过 70%。需要说明的是，现代教材里常说的"审讯者区分准确率低于 50% 就通过"是后世的通俗简化版，与 1950 年原文的直接说法并不一致，正文以原文的 ≤70% 为准。
把"懂不懂"这种说不清的哲学争论，换成"像不像"这种能实际检验的行为判据，这招在当时非常超前，也正是这根贯穿七十年的标尺在历史上打下的第一根桩。可它埋下一个隐患，我们先把这个问题存起来，等连载到第六章再来引爆：万一系统只是"装得像"，行为上无懈可击，内里却根本没有理解，那该怎么办？
几乎同时，1956 年在美国达特茅斯学院开了一场会议，"人工智能"（artificial intelligence）作为一门学科的名字就此确立。不过请注意，这场会议的雄心是研究"怎么造出智能的机器"，而不是吹嘘已经造出来了。"AI"作为学科诞生，与"AI 已经做到像人一样思考"，是两件完全不同的事。
所以，第一把尺子的握法是：判断一个东西是不是 AI，先别被它的"快"和"自动"冲昏头脑，先问它会不会真的学习、会不会应对不确定、能不能自己适应。做到了这些，它才谈得上踏入智能的门；剩下的，才是它现在够不够聪明的问题。
机器到底凭什么"学"？一次迟到的科学背书
上一章我们把"会不会学"当成智能的门票。可机器凭什么能学？一个会按程序执行指令的机器，怎么突然就有能力从数据里自己发现规律了？答案藏在一个大胆的想法里：模仿大脑。大脑里有几十亿个神经元，它们互相连接、协同放电，才产生了思考。研究者把这种结构抽象成数学：把神经元变成一个简单的计算单元，接受几个输入、给出一个输出，再把成千上万这样的单元连成一张网。1943 年前后，这种把神经元数学化的想法已经出现，它给"会学的机器"提供了最早的蓝图。
把蓝图变成真正的机器，中间隔了好几十年。直到 1980 年代，物理背景出身的科学家们才做出关键突破。2024 年诺贝尔物理学奖，就颁给了其中两位代表人物：约翰·霍普菲尔德（John Hopfield）和杰弗里·辛顿（Geoffrey Hinton）。奖项官方给出授奖理由，称他们的工作"使人工神经网络的机器学习成为可能"，而对两人的分工说得很清楚：霍普菲尔德造出了一种能存储并重建信息的结构；辛顿发明了一种能从数据中自主发现模式的方法。
先看霍普菲尔德的贡献。他受磁性材料的启发（每个原子的自旋让它成了小磁铁，邻近自旋相互影响会抱团）造出一张由节点和连接组成的网络，把整张网的状态描述成一个"能量"大小。训练时给节点喂一幅图像，再调整连接，让要存的图像对应一个很低的能量；以后想回忆时，只要给一个残缺或带噪声的版本，网络就会自己往低能量的方向走。
图注：诺贝尔官方科普把霍普菲尔德的联想记忆比作"在峰谷错落的能量地形上滚一个带摩擦的小球"。给一个残缺输入，球就沿地形滚进最近的低谷，等于找回了训练时保存在那里的最接近模式，因此能重建含噪声或被部分擦除的数据。Nobel-2024
辛顿则往前再走一步。他不满足于让网络"记住给定的模式"，而是在统计物理的启发下（统计物理擅长研究海量相似成分组成的系统，比如气体分子）发明了玻尔兹曼机。它有接收信息的可见节点与藏起的隐藏节点，整体能量由所有节点取值和连接共同决定。训练不再靠人类指令，而是靠喂给示例：反复出现的模式，运行时出现的概率越高。训练好的玻尔兹曼机能识别出训练材料所属类别里的全新样例，就好比见到朋友的一个兄弟姐妹，能一眼看出"他们是一家人"。Nobel-2024
到这里，"会学的机器"有了物理层面的正统背书：网络能存能回忆（霍普菲尔德），网络也能自己从数据里学出模式（辛顿）。但请注意一个惊人的尺度落差。霍普菲尔德 1982 年搭的那台网络，只有 30 个节点、不到 500 个参数，再大的就超过当时计算机的能力了；而今天的大语言模型，参数可以超过一万亿。同样都是从学里变聪明，中间的差距足足有十几个数量级。
所以第二把尺子的握法是：所谓会学的机器，根源在于用"能学习的计算单元"搭成网络。但"单元很小、学得动"只解决了"机器能不能学"这个问题，并没有回答另一个更要命的问题：既然 1980 年代就能学了，为什么直到二十一世纪的第二个十年，这些会学的机器才真正学会复杂的东西？
会学会算的技术很早就有了，为什么拖到 2010 年代才真正爆发？
答案惊人的简单又反直觉：会学的算法和网络架构，其实很早就有了，真正缺的从来不是点子，而是一口气凑齐算力、数据和规模化实验这三样东西。
2015 年，深度学习三巨头 Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton 在《自然》杂志合写了一篇纲领性综述《Deep learning》。它解释了深度学习是什么：由多个处理层组成的计算模型，从数据中逐层学习"多级抽象"的表示。展开说，当你让它"看"一幅沙摩耶犬的图，最底层的神经元先学会检测边缘的方向和位置，中间层把边缘组合成图案、再组合成"熟悉物体的某个部分"，更高层才识别出完整的狗。关键在于，这些逐层抽象不是人类工程师手工设计的规则，而是训练过程自己从海量数据里学出来的。这就是"深度学习"里"深"的含义：层数越多，能表达的抽象层次越高。Nature-DL
那这个逐层学习的能力为什么 2012 年才真正爆发？综述给出了清晰的因果链。反向传播算法这个"告诉网络该怎么调内部参数"的办法，思想上早在 1970、80 年代就被独立发现了。但有了算法不等于能跑起来，卡点一直在算力与数据：训练一个像样的深层网络要多得吓人的计算，还要海量标注好的样本。时间线是这么走过来的：2006 年，一批研究者引入无监督预训练，让深层网络的初始权重不再随便乱设；同年前后，NVIDIA 发布 CUDA，可编程 GPU 让训练提速十到二十倍；再配上大规模标注数据集，火候才慢慢凑齐。
转折点出现在 2012 年。AlexNet 在 ImageNet 图像分类挑战赛（ILSVRC 2012）上，把冠军的 top-5 错误率做到 15.3%，而第二名的方法高达 26.2%。这个巨大差距第一次让整个领域确信：深层网络在"深度 + GPU + 大数据"的条件下，真的能大规模赢过手工设计的传统方法。它的架构本身不难懂：8 个学习层，5 个卷积层加 3 个全连接层，约 6000 万参数，跑在两块 GPU 上训练了大约五六天。它成功靠的正是深度本身、重新激活单元的加速，以及 dropout 这类防止过度自信的招数。AlexNet
2012 年的胜利漂亮地把"越深越强"写进了经验法则，可研究者随即撞上了一个悖论：继续往深了加层，网络反而更差了。看下面这张图，它演示的正是这个反直觉的现象。
图注：ResNet 论文给出的退化实证：在 CIFAR-10 数据集上比较 20 层与 56 层的"普通"（不含残差捷径）网络，56 层的训练误差反而压着 20 层跑不动，说明"更深却更差"。这是排除了过拟合之后的结论，纯粹是深了反而训不动的退化问题。ResNet
为什么更深反而更难训？直觉上可以这样想：信号穿过一层层网络时要不断做连乘，每层系数小于 1 就会一路衰减直到信号"消失"，大于 1 又会一路放大直到"爆炸"，几十层连乘下来信号早就面目全非。归一化手段能缓解一部分梯度问题，但几十层之后网依然训不动。微软研究院的何恺明等人的解法非常优雅：与其让网络硬着头皮学会"我是我自己"这个恒等映射，不如给网络开一条直连的捷径，让它只负责学"我还差多少"的残差。
图注：ResNet 论文的残差块（residual building block）示意。输入 x 进入堆叠起来的权重层，输出是 F(x)；底部另有一条"恒等捷径"把 x 直接引到求和节点，两路相加得到 F(x)+x 再继续向下。这条捷径不加任何参数，却让网络在反向传播时多了一条梯度直达的通道，越深也不容易退化。ResNet
用一句话概括它的聪明之处：与其让深层网络硬学"输出等于输入"这件未必简单的事，不如让网络在"做得还差多少"上使劲，而把"保持不变"这件麻烦事交给捷径直接跳过。这个思路被证明极其有效：ImageNet 上残差网络一路加深到 152 层，集成模型拿到 ILSVRC 2015 分类第一，比当时流行的 VGG 深了八倍，复杂度反而更低。ResNet
从这里，我们能总结第三把尺子。深度网络并不是"旧概念换了个新名字"，而是算法反向传播、算力 GPU、大数据三者刚好凑齐，才把"会学"从前几个玩具层推成能识别百万种图像的实用技术；而真正让它能一路加深到几十上百层的，是那条"恒等捷径"绕开了越深越退化的坎。有了能认的深度网络，"会学"总算名副其实了。
一路只会"认"的神经网络，是怎么学会"造"的？
到此为止，神经网络的本事都还是"认"：认出这是一只猫，认出这是一个数字，认出这是哪个明星的脸。可你今天用 AI 画画，它却在凭空"造"出一张从没存在过的、细节严丝合缝的新图。从只会认到能凭空造，这个跨越是怎么发生的？
2014 年，Ian Goodfellow 等人提出了生成对抗网络（GAN），头一次让深度网络学会了"自己造数据"。它的结构像一场聪明的猫鼠游戏，有两个模型互相较劲：一个叫生成器 G，负责从一堆随机噪声里"做"出看起来像真的假样本（造假者）；一个叫判别器 D，负责分辨眼前这个样本到底来自真实数据，还是生成器伪造的（打假者）。造假者拼命让假货以假乱真，打假者拼命练就火眼金睛，两个对手就这么互相当陪练一起进步。理想终局是整个系统达到一种平衡：生成器产的假货和真数据已经分不出来，判别器猜中的概率只剩一半，即 D=1/2，等于真伪难辨。GAN
请看下面这张四格图，它把这场博弈的训练过程演得明明白白。
图注：GAN 论文的对抗训练动态示意，(a) 到 (d) 依次展示训练推进：真实数据分布（黑色点线）与生成样本分布（绿色实线）逐渐逼近，判别器曲线（蓝色虚线）也随之变化，直到最右侧生成分布等于真实分布、判别器 D=1/2 真假难分。它演示的是"互相逼着学造数据"的框架直觉，不是某一层网络的具体结构。GAN
这里必须插一句术语提醒，因为我们马上会遇到一个同名异义的大坑。GAN 里讲的"对抗"（adversarial），指训练过程中生成器与判别器互相博弈逼着学；而后面第六章要讲的"对抗样本"也是同一个英文词，含义却完全不同，那是指往输入里加一点几乎看不见的干扰去骗过一个已经训练好的模型。一个是训练里打闹着进步，一个是完工后被骗着犯错，两码事千万别混。
有了"能造"的能力之后，下一个问题轮到规模。GAN 能造出逼真的图，可造文字呢？尤其要让 AI 写出长而连贯、前后呼应的文章，老一代方法有个致命短板：句子是一个词一个词串行生成的，相隔很远的两处要绕很久才能把关系接上。想象一根很长的输油管里一段一段地传递压力，一头到另一头要走很久。这就是为什么直到 2017 年 Transformer 登场，生成式 AI 才终于等到了能把它规模化喂大的技术底座。
Transformer 提出"自注意力"机制，一举解决了两件事：它让句子里的任何两个词都能在一次操作里直接"看"到对方，不再需要隔着很多步一层层传；又因为各位置之间互不依赖次序，可以并行计算而不用坐等前一个词算完。它彻底抛弃了递归和卷积，完全靠注意力机制建模序列里任意位置之间的依赖。Transformer
下面这张图也许是最能让零基础读者会心一笑的演示。
图注：Transformer 论文中编码器第 5 层（共 6 层）的自注意力可视化。以动词 making 为出发词，不同颜色的连线（每种颜色代表一个注意力头）同时指向句子里相隔很远的 more difficult，直观演示"相隔很远的词被一次操作直接建立联系"，这正是老式串行方法做不到的长程依赖。Transformer
再配合它的整体骨架，你会看到 Transformer 由编码器与解码器两大堆叠组成，每层里都有多头自注意力与前馈网络，还借用了我们上一章讲过的残差捷径做加法。Transformer
图注：Transformer 结构的极简示意：输入先注入位置编码送进编码器，编码器把整句编码成上下文表示，交给解码器；解码器自回归地一次生成下一个词。自注意力让编码器能全局并行地处理整句。（本文据论文 Figure 1 架构自绘简化示意）
到这里，第四把尺子立住了：把"只会分类判别"推到"自己生成全新内容"，靠 GAN 这类对抗框架先证明了"能造"；而 Transformer 用自注意力的全局并行，把这种生成能力规模化到可以一代一代越喂越大。这正是后文"为什么 ChatGPT 一夜之间能写会画"的底层原因。可生成能力越强，一个悬在头顶的问题就越尖锐：它写出来的东西，是真的"懂"吗？
Transformer 之后的大模型时代：能力爆发，又为何并不万能
Transformer 2017 年登场后，一个叫"大语言模型"（large language model，LLM）的东西接过了火炬，在最近五年内迎来总爆发。所谓大语言模型，据一篇权威综述的定义，是参数量达数百亿（通常取大于 100 亿）以上的 Transformer 语言模型，在海量文本上预训练而成。
真正把这一切推向全民的，是 2022 年 11 月发布的 ChatGPT，它把语言模型包装成普通人都能对话的产品，一夜之间让全世界重新讨论"机器是否接近人类智能"。一个可感知的数字是：ChatGPT 发布后，arXiv 上头尾标题或摘要含"large language model"的论文，从日均 0.40 篇猛跳到 8.58 篇，研究社区几乎是被一夜点亮。LM-Survey
这张时间轴纵览，能帮我们把"一夜爆发"落到看得见的密度上。
图注：LLM 综述给出近几年代表性大语言模型的发布时间线，黄色高亮的是公开提供权重（open-weight）的模型。它能看出"近五年模型如雨后春笋般出现及哪些开放"，但只标注发布时间与权重是否开放，并不承载性能排名或参数量，别从中读出"谁比谁强"。LM-Survey
为什么模型够大才会"开窍"？综述提出了"涌现能力"这个概念：有些能力小模型怎么训都学不会，只有参数规模堆到某个量级才开始出现，这也是大语言模型区别于以往小预训练语言模型的最显著特征。最典型的三种涌现能力是：上下文学习（从例子里现学现用，而不用改参数）、指令遵循（听懂人话照着办），以及思维链（把问题一步步拆开推理）。这正好回应了上一章的疑问：Transformer 给了"能并行生成的底座"，而规模、数据、算力把它放大到"小模型做不到"的用量级，能力于是如同触发的火花般集中出现。
可能力越到顶峰，裂缝就越藏不住。同样是这篇综述，在"开放问题"一栏白纸黑字地列着几件"还没修好的事"：幻觉（模型一本正经地编造不存在的资料）、长上下文建模、鲁棒性与可信度、对齐人类价值观、以及高昂的算力成本。它越是无所不能，就越是会被公开承认会在细枝末节上自信地胡说。LM-Survey
这里正好给我们一个悬崖刹车。七十年一路走高，从图灵的行为判据到深度网络能认、GAN 能造、Transformer 能全局并行、大模型能涌现，能力的确被推到了一个不可思议的高度。可就在顶点附近立着一句绕不开的问话：会答对，甚至答得很自信，就真的算"懂"吗？下一章，我们就拿这把尺子回去量一量那些看起来无所不能的 AI。
能把所有题都"答对"的 AI，凭什么可能根本没"懂"？
一九五〇年图灵用"行为像不像"换掉了"懂不懂"，给后人省了无数空谈。但这项设定从一开始就埋着一颗雷：万一某样东西的外部行为做得无懈可击，内里却根本没有理解，它照样能通过"只问行为、不管内里"的考试。这一章教我们用一记重锤和几个真实案例，把图灵当年留着的那道口子补上。
先看最直观的一记重锤。2014 年，Goodfellow 等人研究了一个让深度学习圈坐不住的现象：给一张已经能高置信度正确识别的图片，叠加上一层几乎看不见的、约等于 8 位图像最末一位量级的小扰动，模型就被彻底骗晕了。那张经典的熊猫图，原本被 GoogLeNet 以 57.7% 的置信度正确认成熊猫，加了一点点扰动后，同一个模型竟然以 99.3% 的更高置信度，把它一口咬定成长臂猿。Adversarial
过程就在下面这张图上，注意它"越来越自信却越来越错"的诡异之处。
图注：Panda→Gibbon 示例三图并排：最左熊猫图像本以 57.7% 置信度被正确归类，中间是对抗扰动（途中曾短暂判成 8.2% 的线虫），最右加上扰动后同一图像被以 99.3% 的高置信度误判为长臂猿。扰动人眼几乎不可见，却把模型的判断彻底翻转还加倍了自信。Adversarial
这种"学会了就自信"的系统，只因为人眼看不见的蛛丝马迹就 99.3% 自信地犯错，说明它那过人的"行为"并不是建立在真正"理解"之上的。它更像一个高维空间里靠局部直线判断的学习者，换个没见过的小角度就被绊倒。这就是对抗样本要告诉我们的事：回答正确不等于内心有对错概念，"考试全对"和"真正悟了"是两码事。这也正面击中了图灵判据最软的那块肚皮：当年说好只看行为、不看内里，可一旦行为光鲜到能骗过判据、内里却连最基础的知觉都能犯傻，"行为等于智能"就问不住了。Adversarial
如果你觉得图像分类离生活还远，那我们把镜头拉回更日常的场面：大模型早已涌进医疗、教育、金融、心理等等几乎每一个行业。看这张广度分类图。
图注：LLM 综述给出的应用广度横切，分块展示大语言模型在代表性研究方向与具体下游领域（如医疗、教育、法律、金融、科研、心理、软件）中被研究应用的分布。它是一张"领域分类"图，不是具体公司或产品清单，别把框内的研究方向当成某一款 App。LM-Survey
遍布各行业不是缺点，正因如此，我们才需要学会"循证查看"，而不被五光十色的营销话术带跑。怎么查？拿"怎么不交智商税"当例子教一招：查一套产品时，别光看宣传页怎么说，去找它有没有同行评审的研究、样本量和统计量，以及作者自己白纸黑字承认了哪些局限。用这把尺子量一个真实的心理健康聊天机器人 Wysa，它正好是一份标准答案。
Wysa 是一款免费、匿名、24 小时可用的文本对话式心理健康 App，开发者宣称它整合了认知行为疗法等循证自助技术。要验证它到底靠不靠谱，最有说服力的是一篇 2018 年发表在《JMIR》上的同行评审真实世界评估：129 名匿名用户的样本里，重度使用者自报的抑郁改善（平均 5.84）显著高于轻度使用者（3.52），67.7% 的使用反馈认为体验"有帮助且鼓励人"。更难得的是，作者自己把局限一条条列了出来：这是准实验设计而非随机对照实验，样本小且分组不平衡，无法校正年龄性别等变量，还坦承"改善幅度可能被回归到均值效应放大了"；就连它能识别用户在对话中表达的拒绝/异议（objection）的分类器，准确率虽然达到 99.2%，召回率却只有 62.1%，作者坦言仍需继续调优以减少漏报Wysa
这样一份研究，最值钱的地方恰恰在于它的"不完美声明"。它既给了可核验的正面数据，又在同一篇里白纸黑字承认"永远不应取代严重心理问题的专业医疗"、定位只是补充支持，并把设计缺陷（非随机、样本小、可能是回归均值）逐条交代。真正的循证证据，从来不是十全十美的广告，而是带齐了统计量和局限说明的诚实记录。
这里必须指出一处需要小心的时间差：Wysa 用的是 2017 年数据的早期对话式 AI，靠情绪识别与循证对话路径交互，论文并没有声称它用了大模型。把它和今天的"心理大语言模型"放在同一档，属于年代错置。课件里有时会把这类聊天机器人当"大模型产品"举出来，我们读到时应当区分"AI 使能"与"大模型使能"是两代产物。至于课件中提到的另一些产品（例如 DSA-GIST 医疗助手、某金融大模型、国家语言资源平台），目前找不到独立可核验的学术出处，属于"尚未能验证"的一类，应当保持审慎，不能当既定技术事实照单全收。
走到最后这一章的终点，我们可以把这根七十年标尺收成一枚可以随身携带的检查币。判断一个号称 AI 的东西到底可不可信，先做三问：第一，它到底是不是真的在学、在自适应，而不是靠预设规则硬撑？第二，它的能力证据在哪一级：是真实世界里经过同行评审、带样本量和统计量的研究，还是只是一份没有第三方检验的营销材料？第三，它的作者自己承认了哪些局限，有没有像 Wysa 研究那样把软肋摊开？这三问，就是图灵那年用"行为判据"立下的尺子，被七十年后的我们校准过的成熟版本。
回到开头那位背诵口诀的小学生。他嘴里流利的乘法口诀能骗过测验，却不一定代表他懂了乘法；一个大模型能写出通顺的段落、画出逼真的图，同样不代表它心里装着对错与真实。七十年的历史给我们的正是这份清醒：能力可以很高，行为的表象可以很光鲜，但"真懂"里面那份来自理解与边界的诚实，才是我们判断一个系统时真正要追问的东西。
参考文献
本专题引用的核心资料如下，建议深入学习时阅读原文：
- Computing Machinery and Intelligence (Turing, Mind 1950) — https://academic.oup.com/mind/article/LIX/236/433/986238
- The Nobel Prize in Physics 2024 (Popular Information) — https://www.nobelprize.org/prizes/physics/2024/popular-information/
- Deep learning (LeCun, Bengio & Hinton, Nature 2015) — https://www.cs.toronto.edu/~hinton/absps/NatureDeepReview.pdf
- ImageNet Classification with Deep Convolutional Neural Networks (AlexNet, NIPS 2012) — https://proceedings.neurips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf
- Deep Residual Learning for Image Recognition (ResNet) — https://arxiv.org/abs/1512.03385
- Generative Adversarial Networks (GAN) — https://arxiv.org/abs/1406.2661
- Attention Is All You Need (Transformer) — https://arxiv.org/abs/1706.03762
- A Survey of Large Language Models (Zhao et al.) — https://arxiv.org/abs/2303.18223
- Explaining and Harnessing Adversarial Examples — https://arxiv.org/abs/1412.6572
- An Empathy-Driven, Conversational AI Agent (Wysa) for Digital Mental Well-Being (JMIR 2018) — https://pmc.ncbi.nlm.nih.gov/articles/PMC6286427/