东吴证券：汽车行业深度报告：AI系列深度16期：语言智能为何从RNN转向Transformer？

投资要点 语言智能从RNN走向Transformer的本质，是序列建模从“递归记忆”转向“全局注意力”，并由此打开并行训练、规模扩展和任务统一的空间。RNN通过隐藏状态沿时间步传递上下文，适合文本、语音等顺序数据，并在LSTM/GRU、Seq2Seq和Attention-RNN推动下，于2014—2016年达到机器翻译等任务的工程高峰；但其串行计算、长距离依赖衰减和固定向量瓶颈，决定了递归范式很难继续承载大模型时代的规模化路线。 Transformer的关键变化，不在于设计更复杂的记忆单元，而在于以自注意力让序列中任意位置直接交互，使语言建模从受串行结构约束的算法问题，转变为可随算力和数据扩展的工程问题。其优势集中体现在训练可并行、长距离依赖建模更强、结构更易堆叠扩展、归纳偏置更弱并更能释放大规模数据价值；相应代价是长序列计算成本、位置编码和小数据条件下先验不足等问题，这也是循环类结构在部分效率场景仍会延续的原因。 我们以论文与代表成果为锚，将语言Transformer演进归纳为七阶段、三大阶段：2017年自注意力替代递归，完成架构确立；2018—2020年，BERT、GPT、T5/B