一句话定义：注意力头（Attention Head）是 Transformer 模型里注意力层内部的并行计算分支，每个头都有自己的一套参数，决定"该重点看句子中哪些词"，多个头同时给出各自的结果，最后合并。
它到底在干什么
一句话进模型后，每个词都会变成一串数字（向量）。注意力机制让每个词去"看"其他词：把词的向量分别投影成三个角色——查询（Query）、键（Key）、值（Value）。用我的查询和所有词的键做点积，算出一组相关度分数，经 softmax 归一化成权重，再按权重把所有的值加权求和。这一套叫缩放点积注意力（Scaled Dot-Product Attention）。
问题在于：一套参数只能学会一种"打分方式"，好比只能问一个问题。于是多头注意力（AI 词典：Multi-Head Attention">Multi-Head Attention）让 h 个头并行开工，每个头有自己的查询、键、值投影矩阵，各自算出一份加权结果，最后把所有头的输出拼接起来，再乘一个输出矩阵融合成一个结果。
打个比方：一份合同交给三位同事分头看。一位专盯"谁对谁负责"，一位专找时间和期限，一位留意否定词和例外条款。三个人看的都是同一份文件，但视角不同，最后把三份批注合在一起，比一个人从头看到尾更不容易漏。
容易混的几个概念
| 对比项 | 注意力层（Attention Layer） | 注意力头（Attention Head） |
|---|---|---|
| 层级 | 一个完整的模块 | 层内部的一条并行分支 |
| 数量 | 一层一个 | 一层通常有多个，同时工作 |
| 参数 | 汇总所有头的投影 | 每头独立一套 Q/K/V 投影 |
| 输出 | 融合后的单一结果 | 每头一份加权结果 |
还要注意：多头不是把计算量翻几倍。总宽度是固定的，多个头是把这份宽度切开来用，每个头只分到一小块维度（头维度 = 总维度 ÷ 头数），所以总开销和单头大体相当。另外，多头注意力是机制的名字，注意力头是这个机制里的组成单位。
对从业者和普通人的意义
对从业者：头数和头维度是常见的超参数选择；实践中不少头是冗余的，剪掉一部分对效果影响有限，所以"头重要性分析""头剪枝"是模型压缩和可解释性研究的常用手段。但别过度解读单个头——所谓"指代头""句法头"这类标签，往往只在特定模型、特定输入上成立，换个模型未必复现，具体结论以自己实验为准。
对普通人：模型能同时追踪多种词间关系，是它能处理长句、跨句指代、多重修饰的原因之一。但"多头"终究只是几组并行的线性投影加加权求和，不必把它想象成几个各怀绝技的小人在开会。