مدل‌های زبان بزرگ (LLM) دو مرحله آموزشی دارند. ابتدا از حجم زیادی از محتوای اینترنت و سایر داده‌ها یاد می‌گیرند. سپس در مرحله تنظیم دقیق، بر روی مکالمات بین نقش‌های "انسان" و "دستیار" آموزش می‌بینند.

اندریج کارپاتی (Andrej Karpathy)، پژوهشگر سابق OpenAI و رئیس هوش مصنوعی تسلا، توضیح می‌دهد که وقتی مردم از "هوش مصنوعی" سؤال می‌کنند، در واقع با میانگین پاسخ‌های داده‌های انسانی تعامل دارند و نه با یک سیستم جادویی هوش مصنوعی.
وی می‌گوید: "شما از یک هوش مصنوعی سؤال نمی‌کنید، بلکه از روح ترکیبی میانگین داده‌نگار آن سؤال می‌کنید."

به گزارش ایتنا، کارپاتی برای توضیح این نکته، از یک سؤال معمول گردشگری استفاده می‌کند. وقتی کسی درباره "۱۰ جاذبه برتر در آمستردام" سؤال می‌کند، هوش مصنوعی پاسخی تولید می‌کند که بر اساس نحوه پاسخ‌دهی داده‌‌های انسانی به سؤالات مشابه قبلی است.
برای سؤالاتی که در داده‌های آموزشی وجود ندارد، سیستم، پاسخ‌هایی مشابه را بر اساس آموزه‌های خود ایجاد می‌کند. 

کارپاتی نسبت به پرسیدن سؤالات پیچیده سیاسی مانند بهترین شیوه‌های حکمرانی هشدار می‌دهد و می‌گوید اگر از تیم داده‌نگاران بخواهید که در یک ساعت پاسخ را تحقیق کنند، همان پاسخ‌ها را دریافت خواهید کرد. او توضیح می‌دهد: "سؤال کردن از یک LLM(مدل‌های زبانی بزرگ) درباره چگونگی اداره یک دولت به اندازه سؤال کردن از ماری از اوهایو با ۱۰ دلار و ۳۰ دقیقه زمان برای تحقیق و رعایت مستندات ۱۰۰ صفحه‌ای شرکت LLM است."  

مدل‌های زبان بزرگ (LLM) دو مرحله آموزشی دارند. ابتدا از حجم زیادی از محتوای اینترنت و سایر داده‌ها یاد می‌گیرند. سپس در مرحله تنظیم دقیق، بر روی مکالمات بین نقش‌های "انسان" و "دستیار" آموزش می‌بینند.