Transformer 不是一个机器人，是一条流水线

一句话：Transformer 是今天几乎所有大模型的骨架。它不是什么神秘的「电子大脑」，而是一条把同样几道工序重复几十遍的流水线。上一篇讲的注意力只是其中一道——而且如果只有它，模型连词的先后顺序都分不清。

反幻觉声明：架构描述基于 2017 年的原始论文《Attention Is All You Need》（作者、年份已核实）。本文不涉及任何厂商未公开的实现细节，也不引用未经核实的参数规模。

一、先看一条流水线

你可以把 Transformer 想成工厂里的一条传送带。文字从这头进去，经过几道固定的工序，重复很多遍，最后从那头出来一个预测：下一个词最可能是什么。

二、进厂前的两步准备

第一步，切词。 上一篇讲过：文字先被切成一块块 token（文字积木）。

第二步，变成数字。 每块积木被换成一串数字（几百到几千个数）。这串数字就是这个词的「坐标」——意思相近的词，坐标也靠得近。

到这里为止都还好懂。接下来是最容易被漏讲、但极其关键的第三步。

三、关键：注意力根本不知道谁在前谁在后

这是这篇文章最想让你记住的一点。

上一篇说，注意力做的事是「拿我在找什么，去和每一条的标签比一比」。

请你仔细想想这个操作：它跟顺序有关系吗？

没有。 比对第 1 条和比对第 100 条，用的是完全一样的算法，谁先谁后完全不影响结果。

也就是说，如果只有注意力，那么这两句话在模型眼里一模一样：

今天我请你 ／ 今天你请我

同样的词、同样的数量，只是顺序不同——而注意力对顺序视而不见。

所以必须额外给每块积木加一个「位置信息」，明确告诉模型「你是第 3 个」「你是第 7 个」。这一步叫位置编码（positional encoding）。

少了它，Transformer 就是个只会看「有哪些词」、不会看「什么顺序」的袋子。这也是为什么说「Transformer 就是注意力」是错的。

四、一层里面发生什么

准备好之后，数据进入层。每一层做两件事，然后这一整层会重复几十次。

① 注意力：大家互相看一眼

每块积木去看看别的积木，决定「我该参考谁」。这一步的本质是交流——让每个词的表示里融进上下文的信息。

同一个「苹果」，在「苹果很好吃」和「苹果发布会」里，经过这一步之后就变成了两个不同的东西。

② 前馈网络：各自回去消化

交流完，每块积木单独再做一遍加工，这次不看别人。这一步叫前馈网络（FFN），本质是独立思考。

这里有个反直觉的事实：前馈网络的参数量通常比注意力还大。很多研究认为模型「记住的知识」主要就存在这部分里。所以「Transformer 的核心是注意力」这个说法，连在参数占比上都站不住。

③ + ④ 两个保命零件

• 残差连接：每做完一道工序，把「加工前的原样」也一并带到下一步。好比抄作业时保留原稿——万一这步加工搞砸了，还有原件兜底。没有它，几十层堆下去信息会越传越糊。
• 归一化：每步之后把数值拉回正常范围，防止数字越滚越大或越缩越小。

这两个零件不产生新信息，但没有它们，深层网络根本训练不起来。

五、然后重复几十次

上面这一整套（注意力 → 前馈 → 残差 → 归一化）会原样重复几十遍。

• 浅层：处理比较表面的东西，比如词性、搭配
• 深层：处理比较抽象的东西，比如指代、逻辑关系

最后一层出来，接一个输出，给出「下一个词是什么」的概率分布。然后挑一个词，把它接到后面，整条流水线再跑一遍——一个字一个字地，就这么写出来了。

六、为什么这个设计赢了

2017 年之前的主流做法要按顺序一个词一个词读，没法并行。Transformer 把这件事变成了「所有词同时比对」¹，特别适合显卡这种「一次算一大批」的硬件。

能并行 → 能用更多显卡 → 能训练更大的模型 → 效果更好。

这条路径基本解释了过去这些年 AI 的爆发。不是某个算法突然变聪明了，而是一个可以无限加机器的架构被找到了。

七、小结

下次再看到「Transformer 就是注意力机制」这种说法，你可以补一句：那它怎么知道词的顺序呢？