深度狀態空間模型（S4／結構化 SSM）

深度狀態空間模型將古典的線性狀態空間遞迴（x_t = A x_{t-1} + B u_t、y_t = C x_t）堆疊成可訓練的神經網路層，使網路能以卷積般的線性時間、可平行化結構在極長序列上傳遞資訊，避開 RNN 逐步遞迴的瓶頸。結構化狀態空間序列模型（S4，Gu 等人）及其後繼者（S4D、S5，以及具選擇性的 SSM Mamba）之所以能做到，是靠對 A 施加結構化參數化——尤其是 HiPPO 初始化，使隱藏狀態成為輸入的線上正交多項式記憶——並高效計算其誘導出的卷積核。

對神經介面而言，其吸引力有二：神經紀錄是長時、多通道且依賴跨越數秒的時間序列，而結構化 SSM 提供了一個有原則的長記憶骨幹，在長脈絡下比注意力機制更省算力。已有新興工作將 SSM 骨幹用於腦電、皮質腦電與尖峰資料的解碼與自監督預訓練。值得將本領域重載使用的兩種「狀態空間」意義分清楚：深度學習的 SSM 是一種序列建模架構，而機率式的潛在狀態空間模型（如 Kalman／EM 推論中的）則是神經歷程的生成模型。S4 式的層通常是確定性的，本身並不提供校準過的不確定性，也不給出可詮釋的潛在動力學定律。