循环神经网络是什么？让 AI 把「前文」记在心上
普通网络有个毛病：看完就忘
前面讲过的神经网络，处理每个输入时都从零开始，互不干扰。这对付「一张图、一句话分类」还行，可一旦任务带顺序——比如预测明天的天气、把语音转成文字——它就抓瞎了，因为它读完「今」就忘了「天」，根本不记得前面发生了什么。对时序数据，健忘是致命伤。
循环：让信息在时间里流动
循环神经网络（RNN）的解法很巧妙：它给自己加了一条「回路」，把这一步的隐藏状态（可理解为临时笔记）传给下一步。于是每一步都不只看着当前输入，还带着之前所有的「笔记」一起判断。就像读长句时你心里始终挂着前文，读到句尾才下结论，而不是每看一个词就断一次片。
一个比喻：带笔记本的阅卷人
把 RNN 想成一位边看边记的阅卷人。他批第一题时记下「这是语文卷」，批到第十题时，那行笔记还在，帮他判断第十题和第一题的关联。没有笔记本的阅卷人每题都当新卷子看，自然连不通；有了笔记本，前后文就连成了整体。RNN 的「笔记本」，就是那条不断传递的隐藏状态。
LSTM：给记忆装个「门」
RNN 有个老毛病：笔记传太久会「糊掉」，早前的重点被后面的信息冲淡，这叫梯度消失（前面文章讲过）。LSTM 是 RNN 的升级版，它给笔记本装了三道「门」——忘掉不重要的、记住关键的、输出要用的。就像你整理笔记时会划掉废话、标红重点，LSTM 靠这套机制记住长程依赖，成了翻译、语音等任务的功臣。
它擅长什么，又怕什么
RNN/LSTM 适合一切「顺序敏感」的任务：机器翻译、语音识别、股票走势。但它也有软肋：必须一步步串行计算，速度慢；序列太长时记忆仍会衰减。后来 Transformer（我们聊过它的骨架）用「注意力」绕开了串行，成了今天大模型的主流。可以说，RNN 是序列建模的奠基者，Transformer 是它的集大成接班人。
小结
循环神经网络第一次让模型有了「时间感」：靠一条不断传递的隐藏状态，把前后文串起来，不再看完就忘。LSTM 又用三道门解决了健忘，把序列建模推向实用。理解它，你就明白为什么早年的翻译、语音离不开 RNN——因为那些任务的本质，就是「记得前面才能懂后面」。如今它虽被 Transformer 抢了风头，但「让信息在时间里流动」这条思路，仍是理解现代 AI 的钥匙。下次听到 RNN、LSTM，不必敬畏，它们只是给模型发了本笔记本，让它学会边走边记。
