上一代的问题：深层网络随层数增加，训练和测试误差反而上升（梯度消失/爆炸）。
这代改了什么：学习差值而非直接映射：y = F(x) + x。梯度有高速直达通道。
效果：所有 Transformer 子层后都接残差连接。深度网络（100+ 层）训练成为可能。
深层网络退化：层数增加，训练和测试误差反而上升。不是过拟合，而是优化困难。
残差连接让梯度可以直接流向浅层（恒等映射路径），避免梯度消失。在 Transformer 中，每个子层后都接残差连接。