如果你曾用聊天机器人草拟电邮、解释一个难懂的术语，或规划一个在圣淘沙的周末，那你其实已经用过大语言模型（LLM）了。对许多大语言模型来说，如今不少新加坡居民每天都在使用这类工具，却并不真正了解引擎盖下发生了什么。掌握一些基础知识，能帮你更明智地使用它们，不再盲目信任，也避开新手常掉进的陷阱。
这篇指南力求简单而诚实。你不需要计算机科学学位也能看懂，读完之后，你会更清楚这些系统擅长什么、又在哪里会出错。
大语言模型究竟是什么
大语言模型，常简称为 LLM，是一种经过训练来预测文本的计算机程序。它的核心其实只做一件看似简单的事：给定一些词，它猜出最有可能出现的下一个词，然后再下一个，如此循环。把足够多这样的猜测串在一起，你就得到了句子、段落，以及读起来相当像人写的答案。
「大」指的是规模。这些模型是在海量文本上训练出来的，可以想象成公共互联网、书籍、文章和论坛的一大片内容。从这些浩瀚的阅读中，模型学到了规律：哪些词往往跟在哪些词后面、问题通常怎么回答、不同的写作风格如何运作。它并不是把事实整整齐齐地记在文件柜里，而是建立起一种关于语言如何流动的统计感觉。
这就是为什么同一个底层引擎，能让聊天机器人写诗、总结报告、回答一道冷知识题。这一切都只是换了外衣的模式预测。如果你想更全面地了解这些工具在日常中能做什么，我们的日常 AI 工具指南是不错的下一站。
模型如何从数据中学习
在训练过程中，模型会看到大量文本，其中部分被遮住，它则练习填补空缺。每猜错一次，它就把自己内部的设定（称为参数）微调一点点。在成堆的文本上重复数十亿次，模型就逐渐变得更擅长产出合理的语言。
之后通常还有第二个阶段，由人来给模型的答案打分，教它变得更有帮助、更有礼貌、更安全。这就是为什么现代聊天机器人比一个原始的文本预测器更会聊天。不过值得记住的是，模型反映的是它训练数据里的一切，包括其中的空白、过时信息和人为偏见。如果你想深入了解这一点，可以看我们关于理解 AI 伦理与偏见的文章。
为什么 LLM 有时会出错
由于语言模型预测的是听起来合理的文本，而不是查找已核实的事实，它有可能给出听起来自信满满、实则完全错误的答案。这通常被称为「幻觉」（hallucination）。模型可能凭空编造一个统计数据、一句引言、一宗法庭案件，甚至一份假的参考资料，并用它回答正确问题时那种冷静、权威的语气把它讲出来。
这一点在新加坡尤其重要，因为你可能会忍不住去问本地的规定、价格或官方流程。LLM 给你的，可能是关于某项政府计划或某家银行政策的过时或编造的细节。任何重要的事，务必对照官方来源核实，例如政府网站或相关机构本身。我们关于 AI 幻觉与事实核查的指南，介绍了发现这类错误的实用方法。
有几个诚实的局限值得记在心里：
- 模型并不像人那样真正「知道」某件事或理解其含义。
- 它可能反映训练数据中存在的偏见。
- 它通常有一个知识截止日期，可能不知道近期发生的事。
- 它可能自信地出错，所以把它当作有用的草稿，而非最终权威。
在日常生活中明智地使用 LLM
把大语言模型当作一位快速、不知疲倦的助手：它擅长初稿和头脑风暴，但需要一位人类编辑。用它来解释概念、改写别扭的文字，或帮你从卡壳中脱身，然后自己检查产出的内容。
要小心你输入的内容。避免把敏感的个人信息、财务细节、身份证号码、密码或机密工作文件粘贴到公开的 AI 工具里，因为你无法总是确定这些数据会被如何处理。切勿单凭 AI 做出医疗、法律或财务决定；而应用它来准备问题，去请教合格的专业人士。
实用小结
只要你理解大语言模型到底是什么，它就是一件真正有用的工具：它们是聪明的文本预测器，而非无所不知的神谕。借助它们提高速度、获得灵感，把私人数据留给自己，并核实任何真正重要的内容。这样使用，它们每周都能为你省下时间，又不至于把你带偏。