GPU 大模型系统论文解读站

深度学习讲解者图鉴：全球与中文圈最出圈的 9 位导读人

论文原文负责「正确」，讲解者负责「讲得让人懂」。这份图鉴盘点国际上与中文圈最出圈的深度学习讲解者：他们是谁、代表作在哪、怎么与本站的 i 系列解读搭配使用，最后附上一条从零搞懂 Transformer 的最短学习路径。

为什么值得认识他们

深度学习的经典论文大多写得很省：默认你熟悉前置工作、数学符号从简、直觉一笔带过。于是这个领域形成了一个特殊的生态位——讲解者。他们不一定是论文作者本人，却能把论文「翻译」成图、动画、逐行代码或者一门课。一份图解的阅读量常常超过原文一个数量级。

下面的 9 位是国际与中文圈公认出圈的代表。每人给三样东西：身份背景、代表作入口（链接均已验证可访问）、以及与本站解读页的关联。

国际篇

Christopher Olah

colah.github.io 博主 · Distill 期刊创办人之一 · 现任 Anthropic，做神经网络可解释性

公认的「用图讲深度学习」天花板。一篇《Understanding LSTM Networks》用「传送带与阀门」的类比把 LSTM 的门结构讲成了图解科普的范本，十年后仍是入门标准读物。

本站关联：i12 理解 LSTM 解读的正是这篇原文。

Jay Alammar

图解机器学习博主 ·「Illustrated」系列作者

最贴近「给每篇大模型经典配图解」定位的人：《The Illustrated Transformer》《The Illustrated GPT-2》起，几乎所有大模型里程碑都有他的图解版，被大量课程与论文直接引用。

本站关联：读 i16 Attention Is All You Need 前先看 Illustrated Transformer 建立直觉，效果最好。

Andrej Karpathy

OpenAI 创始成员 · 前 Tesla AI 负责人 · CS231n 讲师

「教学型工程师」的典范：博客图文经典，YouTube 频道《Neural Networks: Zero to Hero》从零手写反向传播、直到一行行搭出 GPT，是目前最有影响力的代码向课程之一。

本站关联：i11 RNN 的惊人有效性 解读的就是他的博客原文；i07 CS231n 是这门课的解读。

Lilian Weng

前 OpenAI 研究员 · Lil'Log 博主

以长文综述著称：注意力机制、扩散模型、Agent 框架等主题的系统性长文是很多研究者的标准参考资料，兼顾综述广度与文献细节。

本站关联：本站的注意力与推理系统主题（i15、i16）读完后，适合用她的对应综述做延伸。

Sasha Rush

哈佛教授 ·《The Annotated Transformer》作者

「论文逐行变代码」路线的开创者：《The Annotated Transformer》把 Attention Is All You Need 的每一段公式旁边放上可运行的 PyTorch 实现，成为论文精读与实现之间的标准桥梁。

本站关联：i17 Annotated Transformer 解读的正是这篇。

3Blue1Brown（Grant Sanderson）

数学动画作者（严格说不是教授）

用自研动画引擎把神经网络、反向传播、注意力机制做成可视化经典，是无数人的深度学习第一课。动画的直觉价值在「反向传播」这种纯文字难讲的主题上尤其突出。

本站关联：他的反向传播动画适合作为整个 i 系列的前置直觉课。

Michael Nielsen

科学家 · 科普作家 · 交互式出版先驱

免费在线书《Neural Networks and Deep Learning》是最早的深度学习系统免费教程之一，书中「边读边动手」的交互式章节是交互式科普的先声。

本站关联：适合零基础读者在读 i06 AlexNet 之前补齐卷积网络直觉。

中文圈篇

李宏毅

台大教授

机器学习课程图文并茂还全是梗，每年随当年热点更新（从 Transformer 到扩散模型到 Agent），B 站与 YouTube 上的搬运与正版合集都是现象级，公认的中文入门首选。

本站关联：他的课程讲完的模型，本站 i 系列基本都配了解读页，可作为「课后精读」材料。

李沐

亚马逊资深首席科学家

「跟李沐学AI」论文精读系列的作者：一篇篇带读 Transformer、ResNet、BERT 等经典，兼具作者视角与工程判断；《动手学深度学习》（D2L）中文版作者之一。

本站关联：他的论文精读视频与本站解读页是「先看视频、再来读字」的天然搭档。

与本站 i 系列的搭配阅读

一个实用结论：本站 i11、i12、i17 三篇解读页的原作者（Karpathy、Olah、Rush）正是上面国际篇的前几位——他们既是被解读的原作者，也是讲解者生态里的顶流。推荐搭配如下：

本站解读页与讲解者内容搭配表
本站解读页建议先读 / 配套讲解者
i07 CS231nCS231n 课程讲义Karpathy
i11 RNN 的惊人有效性The Unreasonable Effectiveness of RNNsKarpathy
i12 理解 LSTMUnderstanding LSTM NetworksOlah
i16 Attention Is All You NeedThe Illustrated TransformerAlammar
i17 Annotated TransformerThe Annotated TransformerRush

使用建议：先用图解或动画建立直觉（Alammar、3Blue1Brown），再回本站读论文级解读（i 系列），需要逐行实现时走 Annotated 与 Zero to Hero（Rush、Karpathy）。中文读者可以在任意环节换用李宏毅的课程或李沐的精读视频替代。

从零搞懂 Transformer：最短学习路径

如果只为一件事来这个站——搞懂 Transformer 架构——业界的讲解者们已经把路铺好了。按下面顺序走，每一步都踩在上一步建立的直觉上：

  1. 看图建立直觉：The Illustrated Transformer（Jay Alammar）。把注意力画成「每个词环顾四周」的图解，30 分钟建立整体图景，是业界公认的第一站。
  2. 动画补数学直觉（可选）：3Blue1Brown 的神经网络与注意力系列。把注意力权重、矩阵乘法与词向量的关系做成可视化，适合对「Q/K/V 到底在算什么」没有感觉的读者。
  3. 读原文：Attention Is All You Need（arXiv:1706.03762）。带着第 1 步的图回去读，陌生的只剩符号而不是概念；配套本站 i16 逐节解读。
  4. 逐行读代码：The Annotated Transformer（Sasha Rush）。论文每一段旁边放着可运行的 PyTorch，读完等于用代码把论文复述了一遍；配套本站 i17 解读。
  5. 亲手从零搭一个：Karpathy《Let's build GPT: from scratch, in code, spelled out》（Zero to Hero 系列）。从空文件开始手写一个能训练的小 GPT，配套仓库 ng-video-lecture 与 nanoGPT。这一步做完，Transformer 对你就不再是「听说过」。
  6. 补细节与延伸：The Illustrated GPT-2（看清解码器栈怎么一层层接龙）、Attention? Attention!（Lilian Weng）（注意力变体系统综述）、Karpathy 的 Intro to Large Language Models（一小时讲座，把 GPT 放进大模型全景）。

中文替代方案：第 1-2 步的直觉环节可以换李沐团队的《注意力机制》章节（D2L 中文版，图文+代码），或李宏毅课程里 Transformer 对应讲次；第 5 步之后回本站 i16、i17 做论文级精读。