共计 1237 个字符，预计需要花费 4 分钟才能阅读完成。
在阅读时，你的大脑是否能够自动填补空白？如果你熟悉英语，答案很可能是肯定的。直到 21 世纪初，计算机还无法做到这一点。然而，如今的大型语言模型（LLMs）已经完全实现了这一能力。这些先进的 AI 模型通过识别模式、解释上下文、预测句子中的下一个单词并生成连贯的响应，彻底改变了系统理解和生成人类语言的方式。
凭借其自然语言处理（NLP）能力，LLMs 为日常生活中的许多数字应用提供支持，从客户服务聊天机器人和智能家居控制到搜索引擎和内容生成器。甚至，LLMs 还能创作富有创意的诗歌！
机器学习
与人类一样，LLMs 并非天生聪明——它们需要通过“预训练”过程在海量的文本语料库中进行训练，这些文本包括书籍、文章、网站和社交媒体帖子，以学习语法、语义和上下文。海量有多大？如果你尝试阅读用于训练 OpenAI 2020 年生成预训练变换模型 3（GPT-3）的所有数据，将花费你惊人的 2600 年。
这就是“大型”标签的由来。但面对如此庞大的数据集，LLMs 如何学习这一切？实际上，LLMs 的核心是神经网络——一系列模仿人脑处理信息方式的算法或神经元。未经训练的模型最初可能会生成无意义的输出，但当输入更多示例——数十亿个——它就可以开始理解文本输入，并微调其对下一个单词的预测。,
智能的崛起
那么，如此复杂的技术在过去二十年是如何发展起来的？这需要追溯到 20 世纪 50 年代至 80 年代的对话式 AI、符号 AI 和基于规则的系统的奠基，这些系统深受数学和语言学先驱如艾伦·图灵和诺姆·乔姆斯基的基础工作的启发。
早期的聊天机器人，如 1966 年发布的 ELIZA，使用基本的模式匹配将文本输入重新表述为响应。如果用户在心理治疗背景下说“我感到难过”，ELIZA 会重新表述并回应“你为什么感到难过？”。,
增强本土团队的力量
LLMs 已经取得了长足的进步，并且有计划使其变得更好。毕竟，它们的多功能性提高了许多流程的生产力，并为无数人带来了便利。如何实现？LLMs 可以自动化诸如文本摘要、翻译冗长的文章、调试代码和识别网络安全威胁等日常任务，甚至可以生成自动响应的脚本。
在本土团队的背景下，这些能力可以支持拯救生命、解决犯罪和保护数据的努力。LLMs 还可以促进实时信息共享和通信，提高态势感知和预测能力，简化培训并增强本土安全行动（如应急响应和犯罪预防）的数据分析。,
专属的 LLMs
你可能会好奇为什么本土团队需要自己的 LLMs。答案是什么？因为市场上可用的 LLMs 可能无法理解本土团队背景下的独特术语和流程。“用我们自己的材料和示例训练 LLMs 意味着更具体的学习，这将转化为更相关的输出，以及更大的定制化和可解释性，”HTX Q 团队卓越中心（CoE）的工程师王佳乐解释道。
例如，一名消防员需要研究新加坡或新加坡民防部队特定主题时，很难从由商用 LLM 驱动的聊天机器人中找到所需的信息。这就是为什么 Phoenix 已经预训练了大量与本土团队和新加坡相关的数据。事实上，它甚至可以用新加坡常用的八种语言进行交流，包括马来语和泰米尔语。
