揭开Transformer“注意力”机制背后的真实故事

近年来，Transformer 成为深度学习领域的绝对主角，而支撑其核心的“注意力”机制更是掀起了一场革命。但这项改变 AI 格局的技术究竟是如何诞生的？Andrej Karpathy 分享了与“注意力”机制最初开发者 Dzmitry Bahdanau 的私人邮件，首次披露了这段被误解和简化的历史。这不仅是一段关于科学发现的个人回忆，更是一次回归真相的旅程

邮件揭示了 Bahdanau 如何在 Yoshua Bengio 的实验室里，从实践中找到灵感，最终提出了开创性的“RNNSearch”，为后来 Transformer 的成功铺平了道路。本文将带你回顾“注意力”的发展历程，还原那些被时间和流言掩盖的细节，见证 AI 进化的关键时刻，揭秘注意力的起源与其背后的故事

这是关于创新、合作与机缘巧合的真实故事，它不仅属于学术界，也属于推动技术边界的每一个人

注意力的诞生：从困惑到灵感

在人工智能的发展历程中，“注意力”机制无疑是一个革命性的突破。虽然现在大多数人提到注意力，第一时间想到的可能是 2017 年的论文《Attention is All You Need》和 Transformer，但实际上，注意力的概念早在三年前就已经出现了

故事开始于 2014 年，当时 Dzmitry Bahdanau（简称 Dima）作为实习生加入 Yoshua Bengio(加拿大计算机科学家，图灵奖得主) 的实验室。他参与了一个机器翻译项目，主要任务是优化序列到序列的神经网络模型。然而，Dima 一开始对这项工作并不乐观——“将一整段文本压缩成一个向量，再进行翻译？这怎么可能有效？”

为了克服编码器和解码器之间的瓶颈，他开始尝试一些新思路。最初的设计灵感来自“两个光标”的概念，即通过动态规划，让两个光标分别移动在源序列和目标序列中。然而，这种方法太复杂且实现困难。于是，他退而求其次，尝试了一种“硬编码的对角线注意力”，尽管结果尚可，但仍显笨拙

真正的突破发生在他的一次灵感闪现中——为什么不让解码器自主学习关注源序列中的相关部分？这一想法源自 Dima 中学时的英语翻译练习：翻译时，眼睛会在源句和目标句之间反复移动,他将这种软搜索设计为 softmax 操作，结合双向 RNN 的状态进行加权平均。结果，一试即成功！

这种机制被命名为“RNNSearch”，并迅速发表了论文《Neural Machine Translation by Jointly Learning to Align and Translate》

“Attention”的命名与后续发展

最初，RNNSearch 并不叫“注意力”，这个名字是 Yoshua Bengio 在论文的最后阶段才加上去的。这个术语灵感来源于人类的认知过程：在翻译时，人们的注意力会在源语言和目标语言之间来回切换

注意力的提出并非孤立存在，同期还有其他研究者在探索类似机制。例如，Alex Graves 的“神经图灵机”和 Jason Weston 的“记忆网络”都包含软搜索或加权操作的概念。这些研究的出现并非偶然，而是当时学术界对神经网络和符号 AI 融合的一次集体努力

RNNSearch 的提出迅速引发了业界的关注，但当时还没有人预见到这个机制的潜力。直到 2017 年，Transformer 的横空出世——一个几乎完全依赖注意力机制的架构。这篇论文不仅简化了模型设计，还引入了位置编码、多头注意力等新概念，使得模型在结构上更加简单统一，也为并行计算打开了大门。自此，Transformer 成为深度学习领域的核心工具，直到今天，其设计仍基本未变

注意力的本质与未来启示

注意力机制的本质是一种“数据依赖的加权平均”，是一种灵活、高效的全局池化操作。它的提出不仅是技术上的突破，也反映了人类认知的深刻影响。正如 Andrej Karpathy 所评价的：“注意力是一种重大解锁，是神经网络架构设计的一次飞跃。”

如今，Transformer 及其变种已经成为自然语言处理、计算机视觉等领域的核心技术。Dima 在回顾这一历程时指出，注意力机制的诞生得益于多个因素的结合——个人创造力、团队协作，以及当时 GPU 性能的提升。这种多维度的推动，正是技术进步的关键所在

写在最后：科学进步的本质

从 Bahdanau 的 RNNSearch，到 Transformer 的席卷全球，注意力的进化史展现了科学探索的独特魅力。它提醒我们，突破性的想法往往来自那些在实践中寻求解决问题的创新者，而非空想理论家。正如 Dima 所说：“一个好的研发项目，比我们常认为的‘真正的 AI 研究’能为技术进步做出更多贡献。”

这，就是“注意力”的故事

附：Dzmitry Bahdanau 给 Andrej 的完整邮件内容

Hi，Andrej：

很高兴和你分享这段8年前的故事！

我在完成雅各布大学（Jacobs University）与Herbert Jaeger合作完成的硕士第一年后，作为实习生加入了Yoshua的实验室

我告诉Yoshua我愿意做任何工作。他安排我参与机器翻译项目，与Kyunghyun Cho和团队一起工作。一开始，我对将一串单词压缩成一个向量的想法非常怀疑。但我也非常渴望能拿到博士生的录取，所以我卷起袖子，开始做我擅长的事——写代码、修复错误等。后来，随着我对项目理解的深入，Yoshua邀请我攻读博士学位（在2014年，这已经足够了——那是好时候啊！）。我非常高兴，觉得是时候放手去创新了

于是，我开始思考如何避免编码器和解码器RNN之间的瓶颈问题。我的第一个想法是设计一个有两个“光标”的模型，一个遍历由BiRNN编码的源序列，另一个遍历目标序列。这些光标轨迹可以通过动态规划来边缘化。Kyunghyun Cho认为这类似于Alex Graves的RNN转录器模型。随后，我也可能读了Graves的手写识别论文。然而，这种方法看起来并不适合机器翻译

这个“光标”方法在实习剩下的5周内太难实现。所以我尝试了更简单的方法——两个光标同时同步移动（本质上是硬编码的对角注意力）。这种方法有些效果，但缺乏优雅

有一天，我突然想到，如果让解码器RNN学会在源序列中搜索光标位置会如何？这个想法部分受到我中学学英语翻译练习的启发。翻译时，视线会在源序列和目标序列之间来回切换。我用softmax表达了这种软搜索，并通过加权平均BiRNN状态实现。这种方法第一次试验就效果很好，让我非常兴奋。我把这种架构称为RNNSearch，我们赶紧发布了ArXiV论文，因为我们知道Ilya和Google团队在用8个GPU训练他们的LSTM模型（RNN Search仍然只用1个GPU）

后来发现，这个名字不够好。最终，Yoshua在论文最后一轮修改时将“attention”加到了结论部分

1.5个月后，我们看到了Alex Graves的NMT论文。确实是完全相同的想法，但他是从完全不同的动机出发的。在我们的情况下，发明是需求的产物。而对他来说，可能是为了弥合神经与符号AI之间的差距？Jason Weston团队的Memory Networks论文也采用了类似的机制

我当时没有预见到attention可以用于更低级别，作为表示学习的核心操作。但当我看到Transformer论文时，我立即对实验室同事说：“RNN完蛋了。”

回到你的问题：在蒙特利尔Yoshua实验室中“可微分和数据驱动的加权平均”的发明是独立于Neural Turing Machines、Memory Networks以及一些来自90年代甚至70年代的相关认知科学论文的（我可以提供任何链接）。它是Yoshua鼓励实验室追求雄心壮志、Kyunghyun Cho成功领导机器翻译项目、以及我多年来通过竞赛编程磨练的创造力和编码能力共同促成的。我并不认为这个想法会等待太久才被发现。即使没有我、Alex Graves和故事中的其他人，attention也是深度学习中实现灵活空间连接的自然方法。它是显而易见的，只等着GPU足够快，使人们有动力认真对待深度学习研究。一旦我意识到这一点，我的AI宏愿便是启动更多像机器翻译项目那样的惊人应用项目。优秀的研发工作对基础技术的进步贡献远胜过那些我们常认为是“真正”AI研究的复杂理论