从一次深夜调试说起
上周在部署一个实时传感器滤波算法时，我又翻出了那本快散架的《现代控制理论》。凌晨三点，盯着屏幕上不断发散的卡尔曼滤波状态协方差矩阵，我突然意识到——我们总在谈论模型的“状态”，但到底什么才是序列建模中真正有效的状态表示？这个问题，成了我理解SSM系列模型的起点。
传统RNN的隐状态像个黑盒子，梯度在长序列里来回震荡；Transformer的自注意力机制虽然强大，但那个O(n²)的复杂度在长序列面前实在让人头疼。就在大家纠结于如何优化Attention时，另一条路线悄悄从控制论领域延伸了出来：状态空间模型（State Space Model, SSM）。这东西不是什么新概念，在控制工程里已经用了半个多世纪，但把它重新打磨成深度学习中的序列建模利器，却是最近几年才开出的花。
经典控制论中的状态空间：老树新芽
状态空间表示法在控制工程中是用来描述动态系统的标准语言。一个线性时不变系统可以写成：
dx/dt = A*x + B*u y = C*x + D*u搞过嵌入式滤波算法的朋友对这套形式应该很熟悉。x是系统状态，u是输入，y是输出，A是状态转移矩阵——它决定了系统内部的动态特性。在连续时间系统中，这个微分方程描述的是系统状态的瞬时变化。
离散化后（咱们做数字信号处理的肯定要离散化），形式变成：
x_{k} = Ā * x_{k-1} + B̄ * u_{k} y_{k} = C * x_{k
