了解什么是大语言模型（LLM）、它是如何被训练的，以及它为什么看起来无所不知。
在 Kodokon 中打开本课你多半已经听说过 ChatGPT、Claude 或 Gemini。它们都是生成式 AI：一种能够根据文字请求生成全新文本（一段解释、一份摘要、一首诗、一段代码）的计算机程序。藏在它们背后的引擎叫做 LLM，即 *Large Language Model*（大语言模型）的缩写。在计算机领域，“模型”是一种从示例中学到规律的程序，而不是由人一条一条写好规则去执行的程序。
它的基本原理其实简单得出人意料：LLM 是一台预测文本如何续写的机器。当你读到“猫正睡在……上”时，你的大脑会自然而然地补上“沙发”或“床”。LLM 做的正是这件事，只是规模极其庞大：每一步，它都会计算哪个词（或词的一部分）最有可能接下来出现，把它加上，然后重新开始。因此，一整段回答无非就是一长串接连不断、一个词一个词的预测。这和你手机键盘上的候选词提示是同一套机制，只不过强大得无法相提并论。
你是一位耐心的老师，向一个完全的新手讲解计算机知识。
请像我 12 岁一样，向我解释什么是大语言模型（LLM），不要出现任何未加说明的技术术语。
约束：
- 使用一个日常生活中的类比。
- 最多 10 句话。
- 结尾提出一个问题，用来检验我是否听懂了。这台机器是怎么学会如此出色地预测的呢？靠训练：这是一个（在你的第一次对话之前就完成的）阶段，在此期间模型会“阅读”海量文本——书籍、文章、网站、计算机代码。对于每一句话，它的后续内容会被遮住，然后要求模型去猜。当它猜错时，它的参数就会被微微调整——也就是它内部那数十亿个极其微小的设置。把这个过程重复数十亿次，模型最终就掌握了语法、文风，以及训练文本中蕴含的大量知识。
这正是生成式 AI 看起来无所不知的原因：它“读过”的藏书量，超过一个人活上一千辈子都读不完。但请留意这个词：*看起来*。模型在回答时并不会去查阅一本百科全书，它也不像你那样“理解”。它是根据训练结果，计算出最合乎情理的词语序列。大多数时候，合乎情理＝正确。但并非总是如此，而这恰恰是下一课的主题。
我刚学到：LLM 通过预测文本来工作，它们是在海量语料上训练出来的，而且它们只会生成最合乎情理的续写。
请向我提出 3 个问题，每次只问一个，用来检验我是否真的理解了这三点。
每问一个问题后，等我作答，然后善意地纠正我，再问下一个。
在我尝试之前，绝不要把答案告诉我。