AlexNet

从采用判断看，AlexNet 今天更像“深度学习历史坐标”和教学基线，而不是当前生产环境里还在被积极采用的主流视觉模型。现有证据更强地支持它的学术里程碑地位：多条回顾帖、科普帖和知乎长文都把它视为 2012 年 ImageNet 转折点；但没有证据显示它仍是新项目的常用首选。这里的热度证明主要来自 X 回忆帖与转发、人物回顾和榜单式叙事，只能说明它持续被讨论，不等于现在最好用。

实际作用上，它不是文生图模型、也不是现成可调用的视觉 API，更准确的类比是“经典 CNN 教材案例”或“计算机视觉版 LeNet 到 ResNet 之间的关键桥梁”。证据里有论文解读、36 行 PyTorch 改写教程、以及关于原版代码 13 年后公开的报道，这些比单纯转发更能证明：AlexNet 适合用来理解大卷积核、ReLU、Dropout、多 GPU 训练等早期设计思路，也适合做课程讲解、论文复现和框架入门。

门槛和成本方面，证据能支持的结论较保守：社区教程表明现在用 PyTorch 复现一个教学版并不高，但这只能说明学习成本下降；不能据此推断原始 ImageNet 训练已变成“低成本”。X 讨论提到当年使用 GTX 580、显存仅 3GB，这属于历史背景，不是今天官方成本信息。由于缺少官方定价、API 或托管服务证据，应视为需要自行编码和训练/推理环境的开源复现对象，而非开箱即用产品。

适合谁方面，它适合想补视觉史、学 CNN 基础、写教学内容、做模型演化对比的人；不太适合追求当前 SOTA 精度、移动端高效部署、或直接落地复杂视觉应用的团队。社媒共识相对清楚：大家普遍认可其历史意义，并讨论过早期代码难懂、工程实现偏手工。讨论质量上，这批 evidenceSources 以回顾帖、转载报道、论文解读和教程为主，教程与长文能支持能力/门槛判断，但真实当代生产实测样本有限，因此对“现在是否好用”的结论应保持保守。