资源介绍
这本书由杜克大学的陈怡然和李海以及亚利桑那大学的杨桓锐三位学者合著，2026年由施普林格出版，是一本从计算机工程视角系统讲解机器学习与神经网络的教材。前言由著名学者李凯撰写，开篇便回顾了人工智能自图灵1950年那篇开创性论文以来的发展脉络，特别指出过去二十年深度学习的爆发式进步其实得益于三种力量的协同汇聚：深度神经网络架构、ImageNet这样的大规模数据集，以及GPU所代表的强大计算系统和软件栈。这个观点贯穿全书，也是它区别于市面上大多数机器学习教材的核心所在。传统的AI教育往往把重心放在理论和算法上，优化方法、统计学习、神经架构、数学推导讲得很透彻，但对这些模型究竟是如何在真实硬件上运行起来的，却着墨甚少。三位作者在杜克大学教授ECE661课程多年，深感这一断层给学生带来的困扰——很多学生理解了神经网络应该怎么工作，却对它们在实际部署中如何运行知之甚少，于是就有了写这本书的动机。全书的内容编排呈现出清晰的递进结构，从神经网络的历史发展讲起，涵盖感知机时代到反向传播算法的复兴，再到激活函数、卷积网络、序列模型、注意力机制、Transformer等基础主题，随后逐步深入到大语言模型、稀疏化与量化、训练后优化、分布式与联邦学习，以及鲁棒性与安全性等前沿议题。这种安排不是简单的算法罗列，而是始终贯穿着一条主线：算法设计、硬件特性、系统性能之间是如何相互制约又彼此成就的。书中对量化、剪枝、内存层次结构、通信瓶颈、软硬件协同设计等计算机工程核心话题都有详细讨论，这些恰恰是在通用机器学习教科书里很难看到的内容。随着大语言模型的迅速崛起，AI系统的复杂度已经到了前所未有的程度，仅靠优雅的算法远远不够，必须深入理解数据流水线、专用加速器、分布式执行等系统层面的工程问题，才能真正构建出可靠高效的AI系统。这本书正是面向这个需求而写的。书中还探讨了在LLM时代算法、数据与系统三者之间持续演化的关系，对希望理解现代AI全栈技术的学生和从业者来说极具参考价值。从适合的读者群体来看，本书最理想的受众是计算机工程、电子工程或相关方向的高年级本科生和研究生，特别是那些已经学过基础机器学习课程、希望进一步深入理解AI系统底层实现细节的人；对于在工业界从事AI加速器设计、模型部署、推理优化等工作的工程师来说，本书也是一份难得的系统性参考资料，能够帮助他们把零散的工程经验串联成完整的知识体系。总的来说，这本书填补了AI教育中算法与系统之间的关键空白，把深度学习从数学公式的层面拉回到真实硬件运行的语境中，既有学术深度，又不失工程实用性，是近年来这个交叉领域里非常值得关注的一本著作。