零基础认识大语言模型（LLM）工作原理(5.Transformer的FFN模块到底是什么?)

最近正好有空,打算抽时间复盘总结一下这些年零零散散学习的AI知识.

FFN(前馈神经网络) 到底是什么？

在上一章中，我们已经知道,Attention 的作用是：让模型能够在生成每个 Token 时，回看并加权所有历史信息。

这解决了一个关键问题, “上下文相关性”

但如果我们就草率的认为Attention = 智能, 那就错了。

因为仅靠 Attention，其实模型还是做不到,把得到的“信息”变成“推理能力”

所以其实在 Transformer 里有两个核心模块：

• Attention（负责“找关系”）
• FFN（负责“加工信息”）

很多人看到这里会产生一个误解,Attention 是核心，FFN 是辅助?

不对,这完全弄反了.

在真实模型里：

FFN 才是参数量最大、最“像知识”的部分

而 Attention 更像“信息路由系统”。所以我们先从Attention的局限性开始讲起

5.1 Attention 的局限性

我们先回到最早这句话：

小明昨天去北京出差，今天他回来了。

Attention 能很好解决：

• “他”是谁
• 北京指代什么
• 时间关系

但是我们换一个任务：

把这句话改写成正式邮件

或者：

总结这段话的核心意思

或者：

推理小明的行程逻辑

Attention 马上就会遇到一个问题,它只能“关联信息”，但不能“加工信息”。

以做一个简单的比喻

Attention,它就像一个“资料整理员”.

它很擅长：

• 找相关内容
• 做信息匹配
• 拼接上下文

但却它不擅长：“加工、抽象、归纳”

所以 Transformer 需要第二个模块：FFN（前馈神经网络）,那么FFN到底是什么呢?

5.2 FFN：真正的“加工工厂”

我们直接让Attention和FFN对比一下.

Attention vs FFN

可以用后厨做一个比喻

Attention：后厨采购员

他会：

• 查看所有食材
• 决定买什么
• 决定买多少

FFN：大厨

他会：

• 将买回的食材（信息）加工
• 炒至成菜肴（高级特征）

回到模型

Attention 输出的是：“相关信息集合”.

但 FFN 做的是：把这些信息归纳总结后重新“加工成新的表达”.

我们还是找到小明~

输入：

小明昨天去北京出差，今天他回来了

Attention 可能输出：小明 + 北京 + 出差 + 时间关系

FFN 则会进一步加工成：小明完成了一次北京出差行程

所以关键区别就在于：

Attention 不创造信息

FFN 才负责“生成新的表达能力”

5.3 FFN 的基本结构

在 Transformer 里，它长这样：

输入向量
   ↓
线性变换（升维）
   ↓
激活函数（ReLU / GELU）
   ↓
线性变换（降维）
   ↓
输出向量

用一句通俗的话讲解的话,实际上 FFN = 把信息“放大 → 变形 → 压缩”的加工器

这是一个比较关键的点.

Attention 是多个 Token 之间的信息交互

FFN 则是每个 Token 自己内部的“脑内处理”

大概就是这样：

5.4 举个例子理解 FFN

我们继续用小明~,

小明昨天去北京出差

Attention 做的是：

• 小明 ↔ 他（指代关系）
• 北京 ↔ 地点关系

但 FFN 做的是：

“这句话整体是什么意思？”

把FFN 的工作方式比喻为人类学习方式的话

我们可以理解为

Attention---你在查资料

FFN---你在理解资料

继续请出我们的老演员,小明~~

同一条信息：

小明昨天去北京出差

Attention 看到的是：

• 小明
• 北京
• 出差
• 时间关系

但 FFN 会则会抽象和重组整个信息：

把这些“碎片信息”组合成一个新的表达

例如：

一次商务出行事件 

注意：

这一步不是纯“检索”，而是有计算：

压缩 + 抽象 + 重组

5.5 FFN 的本质：逐点“非线性变换”

FFN 做的事情:

对每一个 Token 向量：

单独做一次“非线性加工”

什么叫非线性？

线性 = 机械加减

例如：

• 小明 + 1 = 小明？
• 北京 + 2 = 北京？

没有意义

非线性 = 产生新语义

例如：

输入：

“小明 + 出差 + 北京”

输出：

“商务活动”

👉 FFN 的作用就是：

把“简单叠加的信息”变成“新的语义结构”

5.6 FFN 的关键结构：升维 → 压缩

这是 FFN 最核心的设计。

Step 1：升维（Expand）

把一个向量：

768维

扩展成：

3072维

为什么要升维？

因为升维之后才能存储更多信息.

空间变大 → 可以表达更多“组合关系”

我们可以理解为：

原来只有一块钱,升维之后, 你就有了5块钱, 你可以购买和组合购买更多的东西.

Step 2：非线性变换（ReLU / GELU）

这一层只做一件事：

筛选 + 激活 + 抑制

我们可以简单理解为,通过算法将有用的信息放大,将没用的信息压缩.

Step 3：降维（Project back）

再从：

3072维

压回：

768维

最终的结果就是已经不是原来的向量了，而是“加工后的语义”

5.7 为什么说 FFN 是“知识存储器”？

这是一个非常关键的现代观点。

研究发现,在大模型里面FFN 参数量远远大于 Attention 参数量

这说明模型大部分“知识”不在 Attention，而在 FFN

我们可以这样理解：

Attention：查询系统（类似搜索引擎）

FFN：数据库本体（真正存知识）

举个例子

你问大模型：

Redis 是什么？

模型不是去“想”，而是：

• FFN 中已经学到：
  • Redis → 缓存
  • Redis → KV store
  • Redis → 高性能

所以反而FFN 更像“隐式的知识库”

5.8 总结一下FFN 的真实作用

写了这么多,其实我们可以总结一下FFN的真实作用.

Attention 负责“连接信息”，FFN 负责“理解信息”，Transformer则是用多层 FFN 逐步构建抽象能力。

本章总结

① FFN 是什么？

两层线性变换 + 非线性激活的“信息加工器”

② FFN 和 Attention 的区别

③ FFN 的本质

对每个 Token 做“非线性语义变换”

④ 为什么 FFN 很重要？

因为它才是模型“知识和语义能力”的主要来源

也正是这个看似简单的“升维-激活-降维”三步曲，赋予了Transformer深度思考的能力，使其从简单的信息收集器变成了真正的理解者和创造者。

当然，在现代大模型中，FFN 已经发展出多种不同的实现范式，而不仅仅是传统的两层前馈结构。

SwiGLU FFN：通过门控机制（Gating）替代传统激活函数，使模型能够在特征维度上进行选择性放大与抑制，从而提升表达能力。

MoE（Mixture of Experts）结构：将传统的单一 FFN 扩展为多个“专家网络”，并通过路由机制（Router）动态选择部分专家参与计算，使模型在参数规模大幅提升的同时保持计算成本可控。

这些结构本质上并不是简单的“优化”，而是 FFN 在不同设计目标下的结构性演化。

这里篇幅有限,就不过多赘述了. 我们下一章在讲.

开始进入深水区了 白话描述逐渐困难了 哈哈哈 - - ..