请解释循环神经网络（RNN）的核心思想，并阐述它的主要特性以及存在哪些不足。

回答思路

1. 【回答框架 1】循环神经网络是一种用于处理序列数据的神经网络，其核心在于隐藏层之间的连接，使得网络能够保留历史信息。其基本结构是每个时间步接收当前输入和上一时间步的隐藏状态，通过共享的权重参数进行更新。
2. 【回答框架 2】主要特点包括参数共享，即在不同时间步使用相同的权重矩阵，这大大减少了模型参数数量，并使其能够处理变长序列。同时，它能够捕获序列中的时间依赖关系，例如在自然语言处理中理解上下文。
3. 【回答框架 3】其局限性也很明显：一是长期依赖问题，由于反向传播过程中梯度可能消失或爆炸，导致难以学习远距离的信息；二是计算是串行的，难以并行化，训练效率较低；三是对于非常长的序列，记忆容量有限，可能丢失早期信息。
4. 【回答框架 4】针对这些局限，衍生出了LSTM和GRU等变体，通过门控机制来缓解梯度消失，并增强长期记忆能力。但RNN本身仍是理解序列建模的基础。
5. 【回答框架 5】在实际应用中，RNN常用于语言模型、机器翻译、语音识别等任务，但在处理超长序列时，通常需要结合注意力机制或改用其他架构如Transformer。
6. 【关键点 1】RNN通过隐藏状态传递序列信息，实现时间依赖建模。
7. 【关键点 2】参数共享使其能够处理不同长度的序列，减少参数量。
8. 【关键点 3】主要局限是长期依赖导致的梯度消失/爆炸问题及难以并行化。
9. 【关键点 4】LSTM和GRU通过门控机制改进长期记忆，缓解梯度问题。
10. 【易错点 1】不能将RNN描述为能够完全解决所有序列问题，尤其在长序列上效果有限。
11. 【易错点 2】梯度消失与爆炸是训练中的实际风险，需要梯度裁剪或门控机制缓解。
12. 【易错点 3】RNN训练时无法像CNN或Transformer那样高度并行，这是其性能瓶颈之一。