如果你想对当下 AI LLM(大语言模型) 的工作原理有所了解，揭开 ChatGPT、DeepSeek 背后的秘密，那一定要认识一下本文的主角 Transformer。
当提起 Transformer 这个话题时，仿佛人人都可以讲些相关名词出来，什么自注意力机制啊、encoder、decoder什么的，但若深入追问细节，却很少有人能真正地说清楚。
它最初来自一篇被称为“AI 大航海时代起点”的论文：
Attention is All You Need
这篇论文首次提出的 Transformer 架构，已经成为当下所有大模型的基础。
今天我们就从这篇最初的论文出发，真正理解下 Transformer 究竟是何方神圣。
本文不讨论公式，只解读图表，旨在让更多读者看完就能通俗地、成体系地给身边其他人讲清楚 Transformer 工作原理，从而真正理解它究竟为什么如此火爆。
首先，先引用这篇论文中的关于 Transformer 这个模型的整体架构图：
上来直接就看架构图是不是有些晕？
没关系，下面我们就来一步步通俗理解下这张架构图的深层含义。
图的左边一侧Input（输入），整体代表Encoder；右边一侧Output（输出），整体代表Decoder。
01｜输入是怎么被 Transformer“看懂”的？
整个输入流程你只需要先记住下面的关键流程：
词 → 向量 → 加位置 → Q/K/V → 注意力 → FFN → 输出
然后我们来一点一点看。
① Input Embedding：把词变成数字向量
模型不认识“我”、“你”、“猫”这些词，只能接受数字。
所以，需要把每个词转换成一个向量，也就是一组数字，例如：
我 → [0.12, -0.88, 0.43, ...]
这里简化了精度方便阅读，向量化这一步非常基础，但也是理解后面一切的起点。
② Positional Encoding：给模型装上“位置感”
Transformer 没有像传统 RNN 那样按顺序逐词处理输入，因此模型本身无法“天然”感知词的先后关系。
所以需要额外告诉模型：
“这是第 1 个词，这是第 2 个词……”
论文使用了 sin + cos 函数计算的位置编码方式，让每个词清楚自己的“位置”。
sin/cos 位置编码乍一看有点数学味，但对模型来说是非常简单高效的。
它像给每个位置贴上一段独一无二的“节奏标签”，让 Transformer 能分辨词的“位置”，同时又不需要多余的训练成本。
③ Q / K / V：Self-Attention 的灵魂
这是最让人拍案叫绝的设计之一。
句子中的每个词都会生成 3 个向量：
Q（Query）我想找什么？
K（Key）我是谁？我有什么特征？
V（Value）我的实际含义是什么？
它们不是概念，而是实实在在的矩阵乘法结果。
接下来，句子里的每个词都会：
拿着自己的 Q 到其他词的 K 那里去“打分”，问：
“你跟我有多相关？”
打分越高，就越关注这个词。
最后对 V 进行加权求和，得到“新含义”。
这就是单一的 Self-Attention。
02｜为什么需要 Multi-Head Attention？
有了单一的 Self-Attention，为啥又需要 Multi-Head Attention 呢？
因为我们需要从多个角度来理解自然语言。
注意力头的数量是一个超参（Hyperparameter），每个注意力头可以关注不同的视角，例如：
有些头专注于主谓关系
有些头捕捉代词指代
有些头看句子情感
有些头看名词短语边界
有些头看长距离依赖
有些头捕捉句法树结构
...
Transformer 不是只看一个角度，论文中的例子是并行开 8 个注意力头。
实际可以开12 个、48 个甚至更多的注意力头，从更多视角扫描句子。
下图是论文最后给出的一个简单示例，描述了针对同一段文字，两个不同的注意力头所展现出的各自关系，可以看到确实存在明显区别：
这就是 Multi-Head Attention 的直观体现。
03｜残差连接 + LayerNorm：让训练更稳定
Self-Attention 只是“加工”了一遍词向量，但我们肯定还不能丢掉原始信息。
于是：
原始输入 + 注意力结果 → 做 LayerNorm 归一化（对应架构图中 Add & Norm）
这个残差结构让训练稳定得多，也能堆更多层。
04｜Feed Forward 网络（FFN）：进一步加工语义
Attention层负责广撒网，把相关信息搜集到一起；
FFN则负责深加工，对这个信息进行更复杂、更深度的非线性变换。
又晕了？其实通俗来讲就是：Attention 负责找关系，FFN 负责提升表达力。
论文中描述FFN的关键内容参考如下：
简单理解它就是一个非常朴素的两层全连接网络：
Linear → ReLU → Linear
FFN 的结果是：让每个 token 得到更丰富、更抽象的特征表达，这样模型才能表达更复杂的模式，而不仅仅是做简单的线性组合。
05｜重复 N 次：论文是 6 层，可以加更多
论文里 Encoder Nx 这里是堆了 6 层。
但这其实也是一个 超参（Hyperparameter）。
后来的 BERT、GPT、Llama 都堆到了几十层甚至上百层。
一般来讲，层数越多、模型越大、理解力越强。
这其实也是模型训练堆GPU能“大力出奇迹”的理论基础。
06｜Decoder 如何像人一样“输出”内容？
Decoder是模型的“写作器”，其工作严格遵循架构图右侧流程，核心是 “从左到右，逐词生成”。
为了理解这个过程，我们以翻译任务为例：输入 "I Love You"，输出 "我爱你"。
① Output Embedding：先把输出词变向量
理解方式和输入一样，每个词被映射成一个向量，用于后续计算。
② Shifted Right：防止模型“偷看答案”
在模型训练阶段，需要把标准答案整体右移一位，并在开头加上起始符 ，相当于给模型做一个填空题：
题目: <start> 我 爱
此时模型看到的是：
<start> 我 爱
也就是右移一格。
③ Masked Multi-Head Attention：遮住未来
有同学说了，上面向右移一位没啥意义呀，模型还是可以看到答案的一部分，直接抄就可以啊，起不到训练效果。
此时就需要 Masked Multi-Head Attention 功能来遮住未预测的词，防止模型从未来抄答案。
也就是说它和上面的 Shifted Right 协同工作，共同确保了模型无法“偷看答案”。
比如模型要开始做这张填空卷了。它需要依次填出三个空：
第一个空：题目是 <start> ______
第二个空：题目是 <start> 我 ______
第三个空：题目是 <start> 我 爱 ______
④ Multi-Head Attention- “请教Encoder”
Decoder 在生成新词时，需要参考 Encoder 的输出。这层 Attention 是桥梁，连接输入和输出，让 Decoder 可以“请教 Encoder”：
“你生成的词和输入序列的哪些部分相关？”
例如翻译 "I Love You"：
生成 "我" 时，可能主要关注输入的 "I"
生成 "爱" 时，可能主要关注输入的 "Love"
生成 "你" 时，可能主要关注输入的 "You"
⑤ Linear + Softmax：得到下一个词的概率
比如已经生成了“我爱”，后面这个字是啥，会有类似这样的一组概率：
你：71%
他：16%
它：11%
其它：2%
选概率最高的，就是下一个要生成的词。
最终总结
通过本文的讲解，我们一步步拆解了Transformer的核心机制：从词向量化与位置编码奠定基础，到Self-Attention与Multi-Head Attention实现多视角的语义捕捉，再通过残差连接与LayerNorm保障训练的稳定性，最后由FFN进行深度非线性变换以增强特征表达。
Encoder通过堆叠N个相同的层来逐步深化对输入的理解；Decoder的每个层则严格遵循一个更复杂的处理流程：
在Masked Multi-Head Attention中确保生成时不会“偷看”未来，并经过Add & Norm。
在Multi-Head Attention（即论文中的Encoder-Decoder Attention层）中“请教”Encoder的最终输出，并再次经过Add & Norm。
同样通过一个FFN网络进行深度加工，并最终经过Add & Norm后输出给下一层或最终的预测模块。
最终，Decoder的输出经由Linear+Softmax层转换为下一个词的概率分布。Transformer凭借这一高度并行、可扩展的对称性设计（Encoder与Decoder层具有相似的核心结构），成为当今所有大语言模型的基石，完美诠释了 Attention is All You Need 的革命性思想。
