AlexNet：深度学习对传统算法的核爆

2012年，多伦多大学的Alex Krizhevsky、Ilya Sutskever和杰弗里·辛顿用深度卷积神经网络（命名为AlexNet）参加ImageNet竞赛，以16.4%的错误率获胜——而第二名是26.2%，差距大到让整个计算机视觉领域震惊。AlexNet的三大秘密武器：GPU加速训练（首次大规模使用）、ReLU激活函数（解决梯度消失）、Dropout正则化（防止过拟合）。这一胜利不是技术上的小步，而是整个领域的范式跃迁。

【为什么重要？】
AlexNet的惊天胜利让每个科技公司和研究机构意识到：深度学习是真实可用的、碾压性的技术，触发了全球深度学习研究和投资的爆发式增长。

【逻辑闭环】
解决了什么：彻底证明了数据+深层CNN+GPU的组合可以碾压所有传统手工特征方法，解决了计算机视觉的核心难题。局限是什么：AlexNet需要大量标注图像和昂贵GPU，无法处理语言、音频或时序数据。这些局限推动了RNN/LSTM对序列数据的处理，以及后来Transformer架构的统一——一套架构统治所有模态。