SSM

Transformer的统治与局限 Transformer自2017年问世以来，统治了AI领域近十年。从BERT到GPT-6，几乎所有突破性大模型都基于Transformer。但2026年，越来越多研究者开始问：Transformer是终点吗？ Transformer的核心局限 1. 计算复杂度 自注意力的O(n²)复杂度使得长序列处理极其昂贵。虽然Flash Attention、稀疏注意力等技术缓解了问题，但根本局限没有消除。 2. 缺乏"思考"能力 Transformer是前馈的——输入直接映射到输出，没有内部的"思考循环"。人类的思维是一个动态的循环过程，不是一次前向传播能模拟的。 3. 无法建模世界 Transformer学习的是统计相关性，不是世界的因果结构。它不知道"物体掉落会碎"是因为物理定律，还是因为训练数据中恰好这么写。 4. 能效极低 人脑功耗约20W，能进行复杂的推理和创造。训练GPT-6消耗的电力可供一个小城市使用数周。这种1000万倍的能效差距不是工程问题，而是架构问题。 后Transformer架构候选 1. 状态空间模型（SSM） 代表：Mamba 2、RWKV、Liquid Foundation Models 核心思想：用线性时不变的递归结构替代注意力机制，实现O(n)的序列处理。 # Mamba 2的核心：选择性状态空间模型 class Mamba2Block(nn.Module): def __init__(self, d_model, d_state=512): self.input_proj = nn.Linear(d_model, d_model * 2) self.conv1d = nn.Conv1d(d_model, d_model, kernel_size=4) self.ssm = SSM(d_model, d_state) # 选择性SSM self.output_proj = nn.Linear(d_model, d_model) def forward(self, x): # 输入投影 x = self.input_proj(x) # 局部卷积 x = self.conv1d(x.transpose(-1, -2)).transpose(-1, -2) # SSM递归 x = self.ssm(x) return self.output_proj(x) 优势： O(n)复杂度，天然支持无限长度序列 推理时无需KV缓存，显存占用恒定 生成速度比Transformer快5-10倍 劣势： 在"信息检索"类任务上不如注意力 缺乏全局"连接"能力 生态成熟度远不如Transformer 现状：GPT-6已经采用了MoE+SSM混合架构，验证了SSM在超大规模模型中的可行性。 2. 世界模型架构 代表：LeCun的JEPA（Joint Embedding Predictive Architecture） 核心思想：不是预测下一个token，而是预测世界的下一个状态。模型学习的是世界的抽象表示，而非语言序列。 JEPA架构： 观测 → 编码器 → 抽象表示 → 预测器 → 预测的下一状态 ↑ 动作/上下文 优势： ...

为什么我们需要超越 Transformer？ 自 2017 年 Transformer 问世以来，它几乎统治了所有序列建模任务。但 Transformer 有一个根本性缺陷：注意力机制的复杂度是 O(N²)，其中 N 是序列长度。当上下文窗口从 2K 扩展到 1M 时，计算和内存开销呈平方级增长。 序列长度 注意力矩阵大小 显存占用(近似) 2,048 4M ~16 MB 32,768 1B ~4 GB 131,072 17B ~68 GB 1,048,576 1T ~4 TB 这意味着：百万级 token 的上下文窗口在标准 Transformer 中几乎不可行，除非借助分布式注意力（如 Ring Attention）或近似方法。 研究者们提出了三类替代方案： 状态空间模型（SSM）：S4、S5、S6/Mamba 线性注意力/RNN 混合：RWKV、RetNet、Linear Attention 混合架构：Jamba（Mamba+Transformer）、Zamba 状态空间模型（SSM）：从 S4 到 Mamba SSM 的数学基础 状态空间模型源自控制理论，用一组隐状态 h(t) 来压缩历史信息： h'(t) = A·h(t) + B·x(t) # 状态方程 y(t) = C·h(t) + D·x(t) # 输出方程 离散化后变为递推形式： ...