LLM如何从文本数据中学习

让我们了解这些大型语言模型是怎样获得语言能力的。这并非魔法；这是一个从海量文本数据中学习的过程。

可以把训练前的LLM想象成一个空的“大脑”，准备学习一门语言，但目前一无所知。为了教它，我们向它提供一个大量的数字图书馆——可能包含数十亿个网页、书籍、文章、代码库以及来自互联网和数字化收藏的其他文本资料。这个集合被称为训练数据集。

这个学习过程（常被称为训练或预训练）背后的主要思想，从宏观上看非常简单：模型学习预测一段文本中接下来会出现什么。它会不断地接收来自训练数据的文本序列，其中一部分被隐藏起来，它的任务是猜出被隐藏的部分，最常见的是下一个词。

例如，模型可能会看到：

"The quick brown fox jumps over the lazy..."

它的任务是预测下一个词，在这个常见短语中，这个词是"dog"。

最初，模型的预测是随机的，通常不正确。然而，每当它做出预测时，它会将其猜测与训练数据中的实际文本进行比较。如果预测错误，模型会稍微调整其内部配置，使其在下次遇到类似情境时，更有可能预测出正确的词（或一个类似合理的词）。

这些内部调整发生在数十亿甚至数万亿个内部值上，这些值被称为参数或权重。你可以将这些参数看作是控制模型学习的不同想法之间连接强度的“旋钮”。当模型犯错时，训练过程会计算如何转动这些“旋钮”来改进未来的预测。

LLM训练过程的简化视图。文本数据输入到训练算法中，该算法迭代预测文本的某些部分，并根据正确性调整模型的内部参数，最终生成一个能够理解和生成文本的训练好的LLM。

这个过程重复无数次，不断处理来自庞大训练数据集的序列。随着时间的推移，通过简单地学习预测各种情境中的下一个词，模型间接地学习到：

• 语法和句法: 管理句子结构的规则。
• 事实和知识: 文本数据中包含的信息（尽管它不像人类那样“知道”事物，但它会学习关联）。
• 推理模式: 思想连接或论证形成的常见方式（同样，基于数据中的模式）。
• 风格和语气: 源材料中不同的写作方式。

数据的庞大规模非常重要。接触数万亿个词汇使模型能够吸收细微的语言使用模式，而这些模式在较小的数据集中无法显现。这就是它们被称为“大型”语言模型的原因——模型的大小（参数数量）和训练数据的大小是决定它们惊人能力的重要特点。

重要的是要记住，模型不像人类那样理解意义。它完全基于训练它的文本来学习词语和想法之间的统计关系。这对其能力和局限性都有影响，我们将在后面提到。目前，主要观点是LLM通过处理海量文本并调整其内部参数来学习，从而非常擅长预测接下来出现什么文本。