我發現問題的整個前提很奇怪。首先，要回答您的問題：我想說，在大多數情況下，我會回答“否”，您不能將科普文章作為主要來源。

也就是說，我嚴重懷疑它們是否存在。 Google致力於解決這個問題：他們想出了這個辦法，卻沒人聽說過或研究過嗎？大眾媒體如何得知這個奇妙的主意，而這個主意卻使整個AI研究社區（除了Google和您的顧問之外）無所作為？我覺得您是在尋找錯誤的來源，您的顧問沒有將您指向正確的方向，或者是其他錯誤。

從您的描述方式來看，這聽起來確實很奇怪，尤其是因為有大量關於AI的實際研究。我不敢相信您只能使用這些文章。但是，您的主管是問的合適人-最有可能的是，他們將獨自決定您的論文是否足夠。

為所有從社會科學等領域遇到此問題的人提供答案，因為它有些不同。我們可以使用流行的媒體資源，但只能用於某些方面。

作為使用流行新聞文章作為我研究的“來源”並建議從事相同研究的學生的人，您需要做出重要的區分並需要大量的方法論上的解釋可以使用很多流行的媒體。

區別：您可以將流行媒體用作事實的信息來源，或者用作當代圍繞某個主題的公共評論的來源。您不能將流行媒體用作分析來源。因此，例如，您可以使用這段時期內的流行媒體文章以及立法記錄，以了解有關1980年澳大利亞稅法變更的詳細信息和流行觀點。您不能（僅）使用帖子作為分析為什麼稅法變化在學術上具有重大意義的唯一來源。

解釋：您必須指出，您已經充分意識到使用流行媒體作為分析信息源的弊端，並且您已經考慮了這樣做的問題。然後，您必須說明為什麼在方法上有必要使用媒體源。我在研究中使用了許多拉丁美洲當地犯罪報告，並與可訪問的政府記錄進行了對照。本地報告為政府記錄增加了背景，風味和更多細節，有時會揭示官方報告中不存在的信息類型。媒體來源還提供了我可以跟進的人的名字。在解釋研究方法時會注意到這一點。

在我看來，兩件事之間存在混淆：

• 研究動機：恕我直言，使用非學術來源來證明為什麼研究正在進行中，特別是在新的應用程序/域的情況下。這部分甚至可能需要對它的用途，由誰以及什麼是現有解決方案（例如可用的商業解決方案）進行徹底分析。此類工作本身甚至可以被視為（可能很小的）貢獻，例如以介紹新應用程序的一些初步工作的形式。
• 實際的研究貢獻，即正在做的事情以及方式：非學術來源不太可能提供該應用程序所基於的所有必要背景（尤其是理論上的）。即使這樣做，其科學有效性也可能受到質疑。因此，對於這一部分，很難想像一種情況，即人們並不主要依靠常規學術資源，通常是以對現有相關作品的文獻綜述的形式。請注意，相關作品不必解決完全相同的問題：只要它們具有某些相似性（例如，針對不同任務的相似方法），它們就是相關的。在這一部分中，重要的是要提供有關現有工作與貢獻之間的異同的詳細信息。

使用熱門文章作為信息源沒有任何問題-例如，如果我想了解一個新領域，那麼Wikipedia是我使用的第一批資源之一。但是將它們用作 primary 來源非常困難。這些通俗易懂的文章是由閱讀研究作品然後將其簡化為外行的人們撰寫的。如果您是在博士學位級別工作，那麼您當然也可以閱讀和理解研究成果。

您描述的情況很奇怪。如果您只是在尋找“ Google已經做到這一點”的參考，那麼它將作為源。但是，如果您想要更重要的內容，並且Google保留了一些他們不告訴他人的私人信息，那麼流行級別的文章將無濟於事。它們也將不包含相關信息，並且您將不能僅使用這些信息來重複其結果。那麼您希望從他們那裡得到什麼？

無論如何，您的顧問是最好的人，因為他/她將對您希望研究的問題有一個更好的主意。答案，以及如何回答。您的顧問可能希望您根據熱門文章對Google的產品進行逆向工程，如果這確實是您的目標，那麼對您的問題的答案是“是”。

讓我提供一個可能與您當前情況相類似的示例。

GPGPU（通用GPU）編程首先以當前形式開始發展，這是因為NVIDIA發行了GTX 8800顯卡家族以及CUDA編程語言可以追溯到2006年到2008年。

這是對以前的GPGPU技術的一步轉變，因為它是第一個真正的專用編程環境，不需要連接到傳統的圖形渲染管道。

GPU硬件體系結構的詳細信息尚未得到很好的理解，唯一可用的材料是NVIDIA的一些營銷材料。

各種研究論文在那時開始出現。試圖找出底層硬件架構的細節。基本上，他們嘗試使用專有的NVIDA R&D，了解其完成方式並向學術界解釋。本文的一個很好的例子：

Hong，Sunpyo和Hyesoon Kim。 “具有內存級和線程級並行性意識的GPU架構分析模型。” 在《 ACM SIGARCH計算機體系結構新聞》第一卷中。 37號3，第152-163頁。 ACM，2009年。

這些早期論文傾向於引用兩個主要信息來源：

1. NVIDIA的營銷和技術出版物（在您的情況下，是從NVIDIA Google產品/服務）
2. 有關GPU，硬件架構和專用編程語言的一般技術資料（在您的情況下，是指一般的AI以及您的特定AI應用程序所基於的數學或其他技術）

以所有應有的尊重，我相信您是錯誤的。關於AI的已發表的研究很多，包括在Google所做的工作。當然，他們不會發布他們曾經做過的所有工作，但是還有很多工作要做。例如，如果您對與AlphaGo相關的內容感興趣，則應查看

Silver，David等。 “一種通用的強化學習算法，可以掌握國際象棋，將棋和自我練習。”科學362.6419（2018）：1140-1144。

話雖如此，我看到很多人，尤其是剛接觸該領域的人發現論文難以閱讀或難以追踪回答他們問題的文件。如果要了解如何使用特定方法的特定實現，我現在已經聽到很多次了，閱讀博客文章要比閱讀研究論文容易得多。

如果這就是您正在做的，那很好。技術論文並非始終是學習“ Hello World”的最佳場所。在所寫的任何論文中，通常都不會引用教您如何使用所用軟件包的網站，而是引用與所用軟件包相關的論文。例如，如果您使用TensorFlow，則應引用

Abadi，Martín等。 “ Tensorflow：用於大規模機器學習的系統。”第12屆{USENIX}操作系統設計和實現專題討論會（{OSDI} 16）。 2016。

比引用

https://www.tensorflow.org/tutorials

即使那是您學習如何使用代碼的地方，也請使用blockquote>

。

我可以建議一個合適的案例，但是總的來說，這是有風險的。就像您說的那樣，您正在探索的子領域是新的，幾乎沒有出版。

假設您在一篇文章中找到了可以作為研究依據的主張，無論是證明還是反駁。研究的“想法”來自對文章的閱讀。我認為，駁斥已發表聲明的研究可能比支持該聲明更強大。這是因為提出索賠的人可能尚未進行過未發表的研究，並且有“證據”證明它是正確的。如果您只是確認，那麼您只是在跟隨，而不是領先。

但是，您也不會說自己在研究中走了多遠。如果您剛開始，那麼事情可能會發生變化，並且其他出版物在您完成之前可能會遇到相同的問題。因此，這個問題可能是有爭議的。但是，如果您就近而終了，那麼您將盡力而為。

當然，除了大範圍的一般文獻以外，“綠色領域”主題幾乎找不到其他引用。