Transformer比循环神经网络更适合并行计算[1]。A 对B 错

考查要点：本题主要考查对Transformer和循环神经网络（RNN）在并行计算能力上的理解。

核心思路：

• RNN的顺序依赖性：RNN处理序列时需按时间步逐步计算，后一时刻依赖前一时刻的输出，导致并行效率低。
• Transformer的并行特性：通过自注意力机制，Transformer可同时处理序列中所有位置，天然支持高效并行计算。

破题关键：
明确两种模型的计算方式差异，抓住自注意力机制和顺序处理依赖这两个核心概念。

RNN的局限性：
RNN的计算顺序严格依赖时间步，例如处理句子时需逐词计算。这种串行特性使得并行计算受限，尤其在长序列任务中效率低下。

Transformer的优势：

1. 自注意力机制：允许模型在单个时间步内同时关注整个序列，无需等待前一步结果。
2. 位置独立性：所有位置的特征计算可并行完成，仅通过注意力权重体现依赖关系。
3. 硬件加速友好：GPU/TPU的并行计算能力在Transformer中得到充分发挥，显著提升速度。

结论：
Transformer的结构设计使其天然适合并行计算，而RNN的顺序特性限制了并行效率，因此题目表述正确。