21世纪，要说哪个技术方向是日产论文最多的领域，人工智能领域绝对有发言权。对于想要跟踪了解AI领域进展的人们来说，快速并有效阅读一篇文献的能力显得特别重要。AI领域的发展确实是太快了，这种能力也构成了高效信息呈现能力的一部分。对于学术领域从业者来说，读论文可能是一件和吃喝拉撒一样日常的活动。参加会议或课堂，与领域最新进展保持同步，都要求他们必须养成这个习惯。
一个“经典”的研究人员每年可能会花费数百小时来阅读论文。学习有效阅读论文是一项至关重要的技能，但却很少得到充足的教授。尤其对于从本科进入到研究生阶段的学术新人来说，他们可能会经历较长时间的试错和碰壁。
第一步：上哪发现有趣的AI论文？A、Papers With Code。这个网站提供大量的人工智能论文，并且进行了仔细的分类；B、Reddit。Reddit上有一个社交新闻站点，类似于国内的贴吧，大佬频繁出没，很多的新闻都是第一时间从上面爆出。Reddit在美国可是流量仅次于Google、YouTube、Facebook、Amazon，排行第五的网站；C、Medium等其他垂直社区。
第二步：掌握论文的背景信息。理解文献中所涉及的背景信息特别是背景研究，往往会对我们理解一篇文献起到很大的帮助。可以采用一个思路是，以列表或者清单的方式，清晰地整理出论文试图解决的具体问题，该问题现有的替代解决方案，这些解决方案的优缺点，以及为何论文的作者认为论文中所介绍的方案，能比现有的一些或所有方案都好。
第三步：把握主要观点。从阅读各个章节和小节的标题开始，把它们与论文所描述的模型架构联系起来，如此，你便能在阅读细节之前，提前在脑海中对论文的整体信息有概念，降低读到一半就迷失的可能性。
第四步：客观看待实验结果。检查比较基准——是否有其他的方法没有被作者拿进来比较？检查Ablation——在论文给出的Pipeline的每个组成部分对于结果的贡献上，这些组成部分的贡献大小是否都有被合理检验？检查数据——是否有那些大家都知道的，适合检验论文所提出的方法的数据集没被提及？
第五步：整理结果。在理解论文的内容后，将论文结果整理为可被自己使用的信息，更进一步地，可以设想一些自己能用到论文所提出的方法的情景。当然，以上内容都只是建议而非适用一切场景的万金油，如果有条件，仔细阅读完一篇论文还是首选推荐。针对这种深度阅读，在这里我们也推荐一种方法——“3次阅读法”。
“3次阅读法”的关键思想是，你应该把这篇论文按照一种递进的逻辑读三遍，每一遍都有不同的目标，而不是一次性地从头到尾一字不漏地读完。第一遍：对论文有一个大致的了解。仔细读标题、摘要和介绍；读各个章节/小节的标题，不必阅读具体内容；读结论；浏览参考文献，在心里标记那些你已经读过的文献。在第一遍结束时，你掌握的信息应该能够回答一下问题：分类：这是什么类型的论文？背景：它与哪些其他论文有关？
正确性：论文的假设看起来有效吗？贡献：论文的主要贡献是什么？清晰度：论文写得清楚吗？
第二遍：更仔细地阅读论文，但忽略具体证明等细节。仔细查看论文中的图形、图表和其他插图。特别注意检查图表。各种轴是否正确标记？结果是否显示有误差标记（以便确认结论具有统计意义）？像这样的细微错误，能帮你快速判断这篇论文是粗制滥造还是用心雕琢。在记事本中记录下文中列出的你未读过的参考文献。
第三遍：深入理解论文。
要完全理解一篇论文（特别如果你是审稿人），往往需要阅读第三遍。第三遍的关键是尝试重新实现论文，即做出与作者相同的假设，重新思考怎么展开工作。将这种重新创作与实际论文进行比较，你不仅可以更好地辨别论文的创新之处，还可以发现如果这个假设失败了它可能会因什么失败。这一步对于刚刚入行的初学者来说，可能会需要大约四五个小时，而对于有经验的读者来说，大约需要一个小时。
第三遍阅读结束时，你应该能够重建论文的整个结构，并清楚其优缺点所在，甚至应该能看出来研究隐含的假设、缺失了哪些相关工作的引用、实验或分析技术的潜在问题等。
总而言之，每个人在不同阶段的学术论文的阅读诉求不一样，丰俭由人，最好的方法永远是适合自己的方法。【学术头条】与【数据实战派】是我们科学+科技内容联合体的主要成员。
【数据实战派】致力于打造一个不用感叹号的新兴AI内容自媒体，围绕“计算+智能（computing+intelligence）”技术，力求从种种杂音和噪声中，压缩出更纯粹且重要的知识，助力中国AI开发者的高速成长。目前，【数据实战派】由一批具有AI/CS专业背景的作者及资深科技编辑共同运营，并已聚拢一大批有着深度阅读习惯、优质内容品位的读者。我们期待有志之士的加入，共同打造高规格的AI技术社区。