RNN（Recurrent Neural Network，循环神经网络）是一种专门用来处理有先后顺序的数据的神经网络。一句话定义：它能一边读一边记，每看一个新内容时，都参考「之前读过的」来做判断。
普通神经网络（前馈网络）有个致命短板：它把每一次输入都当成完全独立的事件，看完上一眼就忘。可如果你给它「我 吃 苹果」三个词，让它预测第四个词，它根本不记得前面是「我吃」。RNN 就是来解决这个「健忘症」的——它给网络加了一条记忆回路，让前面的信息能顺着流到后面。
一个生活类比：边读边记的速记员
想象一个速记员在听写一封长信。他不是每听完一句就把上一句忘掉，而是脑子里始终留着一个「到目前为止讲了啥」的摘要——每听到一个新词，他就把这个新词和脑子里的旧摘要融合一下，更新成一个新摘要。讲到结尾时，他脑子里那个摘要，其实已经浓缩了整封信的脉络。
RNN 干的就是这件事。那个「脑子里的摘要」有个正式名字，叫隐藏状态（hidden state）——它是 RNN 的核心，也是 RNN「记忆」的载体。
拆开看：RNN 的三个关键组件
复杂概念不能一句话带过，得拆开看 RNN 是怎么运作的。它本质就是同一个处理单元，在时间轴上重复使用。
1. 处理单元（A）：你可以理解成一个固定的小函数。它每次干同一件事——把「当前输入」和「上一刻的记忆」两个东西揉到一起，吐出两样东西：当前的判断结果，和更新后的记忆。重点来了：无论时间走到第几步，用的都是同一个单元、同一套参数。这是 RNN 和「把网络复制很多份」的关键区别——它是一个单元在循环，不是很多个独立单元。
2. 隐藏状态（记忆）：就是上面说的「脑子里的摘要」。它本质是一个数字向量（一串数字），每走一步就刷新一次。第 t 步的记忆，取决于第 t 步的输入和第 t-1 步的记忆。如此一来，信息就能像接力棒一样，沿着时间往后传。
3. 输入与输出：每个时间点，网络接收一个新输入（比如一个词），可能也吐出一个输出（比如对这个词的预测）。但即便某个时刻不需要输出，记忆也一直在悄悄更新。
把这三样组合起来，再把循环「展开」，你会看到一串一模一样的单元从左到右排开，前一个把记忆递给后一个——这就是 RNN 最经典的那张「展开图」（也正是本文封面上画的：一排方框，每个方框顶上有一条自指的循环箭头，方框之间用箭头串起来，底下还有输入箭头往上送）。
体系位置：RNN 在 AI 里站在哪
在 AI 的版图上，RNN 属于深度学习 → 处理序列数据的专门架构这一支。它曾统治过自然语言处理（NLP）十几年——机器翻译、语音识别、文本生成，2010 年代基本是 RNN 家族的天下。
它的「亲戚」和「继任者」值得知道：
- LSTM（长短期记忆网络）和 GRU（门控循环单元）：RNN 的升级版，专门补 RNN 的短板（见下一节）。
- Transformer：2017 年横空出世的架构，靠着「注意力机制」取代 RNN 成了主流（GPT、BERT 全是它）。但 Transformer 解决的很多问题，最早就是 RNN 在啃——理解 RNN，是理解 Transformer 为什么那么设计的好起点。
RNN 的致命短板：记不住太远的事
RNN 听起来很美好，但它有个出名的毛病，叫「梯度消失」，大白话就是：它记不住很久以前的事。
原因在于它训练时（用反向传播调整参数）要沿着时间往回传信号。每往回走一步，信号就被乘以一个小于 1 的系数；走几十步，信号就缩到几乎为零。结果就是——网络「学」不动很久之前的输入，长距离依赖（比如一句话开头的主语和结尾的动词）抓不住。短记还行，长记就糊涂了。
这正是 LSTM 和 GRU 出场的原因。它们在 RNN 的单元里加了几个「门」（遗忘门、输入门、输出门），用一种更聪明的「加法」方式更新记忆（而不是反复相乘），让信号能传得更远，从而记住更久以前的信息。可以这么记：LSTM/GRU 是给 RNN 装上了「智能记忆开关」的加强版。
为什么重要、现在还用在哪
哪怕今天 Transformer 风头正盛，RNN 也并没有被扫进历史垃圾堆：
- 教学与入门：RNN 是理解「网络如何处理时间/序列」的最简洁模型，几乎每本深度学习教材都从它讲起。
- 小设备、实时场景：RNN（尤其轻量的 GRU）参数少、能边来数据边算，适合手机、可穿戴设备上跑实时语音识别、传感器时序预测。
- 时序预测：股票、天气、工业传感器这类纯时间序列任务，RNN/LSTM 仍是常用基线模型。
- 概念基石：读懂了 RNN 的「记忆」与「梯度消失」，再去看 LSTM 的门、Transformer 的注意力，会顺畅得多。
一句话带走
RNN 就是给神经网络加了一条记忆回路，让它能像边读边记的人一样处理有顺序的数据；它开创了序列建模的范式，虽被 LSTM 补强了短板、又被 Transformer 接过了主流接力棒，但仍是理解一整代 AI 序列模型时不可跳过的地基。
参考资料
- Understanding LSTM Networks — Christopher Olah（循环网络最经典的图解博客，讲 RNN 展开图和 LSTM 的门） https://colah.github.io/posts/2015-08-Understanding-LSTMs/
- 循环神经网络 — 《动手学深度学习》（D2L，李沐团队的经典开源教材 RNN 章节，含公式与代码） https://d2l.ai/chapter_recurrent-neural-networks/rnn.html
- 什么是循环神经网络（RNN）？ — IBM（权威厂商科普，覆盖 RNN 原理与 LSTM/GRU） https://www.ibm.com/cn-zh/think/topics/recurrent-neural-networks