AI ทำงานยังไงเบื้องหลัง เปิดม่านความลับของสิ่งที่เกิดขึ้นจริงในทุกคำถามที่คุณพิมพ์
ทุกครั้งที่คุณพิมพ์คำถาม มีอะไรเกิดขึ้นในเสี้ยววินาทีถัดมา?
ลองนึกถึงตอนที่คุณพิมพ์คำถามลงใน ChatGPT หรือ Claude แล้วกด Enter จากนั้นในเวลาไม่กี่วินาที ตัวอักษรเริ่มไหลออกมาทีละคำ ราวกับมีคนกำลังพิมพ์ตอบคุณอยู่อีกฝั่งของหน้าจอ
แต่ไม่มีคนอยู่อีกฝั่งนั้น
สิ่งที่เกิดขึ้นในช่วงเวลาสั้นๆ ระหว่างที่คุณกด Enter และตัวอักษรแรกปรากฏขึ้น คือกระบวนการทางคณิตศาสตร์ที่ซับซ้อนมหาศาล การคำนวณที่เกิดขึ้นในเครื่องคอมพิวเตอร์ขนาดใหญ่ ผ่านสมการนับล้านหรือนับพันล้านครั้ง เพื่อสร้างคำตอบที่ดูเหมือนว่ามีคนฉลาดๆ นั่งคิดอยู่ตรงนั้น
คำถามว่า AI ทำงานยังไงเบื้องหลัง คือหนึ่งในคำถามที่น่าสนใจที่สุดในยุคนี้ และที่น่าแปลกใจคือ คำตอบไม่ได้ต้องการพื้นฐานวิทยาศาสตร์คอมพิวเตอร์มาก่อนเลย ถ้าเริ่มจากการเปรียบเทียบที่ถูกต้อง
บทความนี้จะพาคุณเดินผ่านม่านนั้น ทีละขั้นตอน ในแบบที่อ่านแล้วรู้สึกว่า “โอ้ นี่คือสิ่งที่เกิดขึ้นจริงๆ”
ก่อนอื่น ต้องเข้าใจว่า AI “ไม่ได้คิด” แบบที่มนุษย์คิด
นี่คือความเข้าใจผิดพื้นฐานที่สำคัญที่สุดที่ต้องแก้ก่อน เพราะถ้าคุณเข้าใจ AI ผิดตั้งแต่ต้น ทุกอย่างที่ตามมาจะดูไม่สมเหตุสมผล
เวลาคนพูดว่า AI “คิด” หรือ AI “เข้าใจ” มันเป็นคำที่ใช้เพื่อสื่อสารให้เข้าใจง่ายขึ้น แต่ในทางเทคนิค AI ไม่ได้มีความคิดหรือความเข้าใจในแบบที่คุณมี มันเป็นระบบที่รับข้อมูลเข้า ประมวลผลผ่านสมการทางคณิตศาสตร์จำนวนมาก แล้วสร้าง Output ออกมา
เปรียบเปรยให้เห็นภาพที่สุดคือ AI คล้ายกับเครื่องคำนวณที่ซับซ้อนอย่างไม่น่าเชื่อ เครื่องคำนวณธรรมดาไม่ได้ “รู้” คณิตศาสตร์ มันแค่ทำตามวงจรไฟฟ้าที่ออกแบบมาให้ได้คำตอบที่ถูก AI ก็ทำแบบเดียวกัน เพียงแต่ “วงจร” ของมันซับซ้อนกว่าเครื่องคำนวณธรรมดามหาศาล และผลลัพธ์ที่ได้ดูเหมือนมีสติปัญญาอยู่เบื้องหลัง
เมื่อเข้าใจจุดนี้แล้ว กลไกที่แท้จริงจะเริ่มมีความหมายมากขึ้น
ขั้นตอนแรก Input ถูกแปลงเป็น Token ก่อนสิ่งอื่นใด
เมื่อคุณพิมพ์ประโยคลงไปใน AI Chatbot สิ่งแรกที่เกิดขึ้นคือ ประโยคนั้นไม่ได้ถูกส่งไปประมวลผลในรูปแบบของตัวหนังสือที่คุณพิมพ์ แต่ถูกแปลงเป็นสิ่งที่เรียกว่า Token ก่อน
Token ใน AI คืออะไร? มันคือหน่วยพื้นฐานที่ระบบใช้ประมวลผลภาษา Token อาจเป็นคำเต็ม เป็นส่วนของคำ หรือแม้แต่เครื่องหมายวรรคตอน ขึ้นอยู่กับว่า Tokenizer ของระบบนั้นทำงานอย่างไร
ตัวอย่างง่ายๆ ในภาษาอังกฤษ คำว่า “running” อาจถูกแบ่งเป็น Token สองชิ้น คือ “run” และ “ning” ส่วนคำว่า “cat” อาจเป็น Token เดียว ในภาษาไทย เพราะไม่มีช่องว่างระหว่างคำ กระบวนการ Tokenization ซับซ้อนกว่า และส่วนใหญ่แบ่งตามพยางค์หรือคำที่ระบบเรียนรู้มา
เหตุผลที่ต้องแปลงเป็น Token ก่อนคือ คอมพิวเตอร์ประมวลผลตัวเลขได้ ไม่ใช่ตัวอักษร ฉะนั้นแต่ละ Token จะถูกแทนด้วยตัวเลขเฉพาะในระบบ เช่น Token “cat” อาจถูกแทนด้วยเลข 3847 แล้วเลขนั้นคือสิ่งที่ระบบ AI ส่งเข้าไปประมวลผลต่อไป
ขนาดของ Vocabulary หรือจำนวน Token ทั้งหมดที่โมเดลรู้จักมักอยู่ที่หลักหมื่นถึงแสน GPT-4 มี Vocabulary ประมาณ 100,000 Token ส่วน Claude ก็อยู่ในระดับใกล้เคียง ซึ่งครอบคลุมได้หลายภาษาพร้อมกัน
ขั้นตอนที่สอง Token ถูกแปลงเป็น Embedding เพื่อให้โมเดลเข้าใจความหมาย
แค่แปลงตัวอักษรเป็นตัวเลขยังไม่พอ เพราะตัวเลขที่ได้มายังไม่บอกว่า Token นั้นมีความสัมพันธ์กับ Token อื่นยังไง
นี่คือจุดที่ Embedding เข้ามา Embedding คือการแปลงแต่ละ Token ให้เป็นเวกเตอร์หรือชุดตัวเลขหลายมิติ ที่จับความหมายและความสัมพันธ์ระหว่างคำต่างๆ เอาไว้
ลองนึกภาพ Embedding เหมือนแผนที่พิเศษที่วางคำต่างๆ ไว้ในพื้นที่หลายมิติ คำที่มีความหมายเกี่ยวข้องกันจะอยู่ใกล้กัน คำที่ไม่เกี่ยวข้องจะอยู่ไกลกัน ตัวอย่างที่มีชื่อเสียงคือ ถ้าคุณเอาเวกเตอร์ของ “กษัตริย์” ลบด้วย “ผู้ชาย” แล้วบวก “ผู้หญิง” เข้าไป ผลลัพธ์จะอยู่ใกล้มากกับเวกเตอร์ของ “ราชินี” นี่คือหลักฐานว่า Embedding จับความสัมพันธ์เชิงความหมายได้จริงๆ
โมเดลภาษาขนาดใหญ่ในปัจจุบันใช้ Embedding ที่มีมิติสูงมาก GPT-4 ใช้ Embedding ขนาดประมาณ 12,288 มิติ ซึ่งหมายความว่าแต่ละ Token ถูกแทนด้วยชุดตัวเลขกว่าหมื่นตัว ความละเอียดระดับนี้ทำให้โมเดลสามารถจับ Nuance ของภาษาที่ละเอียดอ่อนมากได้
ขั้นตอนที่สาม Attention Mechanism ที่เป็นหัวใจของ LLM สมัยใหม่
นี่คือส่วนที่สำคัญที่สุดและน่าตื่นเต้นที่สุดในการทำงานของ AI ภาษา ถ้าเข้าใจตรงนี้ คุณจะเข้าใจว่าทำไม AI สมัยใหม่ถึงฉลาดกว่าเดิมอย่างมาก
Attention Mechanism ถูกนำเสนอในปี 2017 ผ่านบทความวิชาการที่มีชื่อว่า “Attention Is All You Need” และมันเปลี่ยนวงการ AI อย่างสิ้นเชิง
กลไกนี้ทำงานคล้ายกับวิธีที่มนุษย์อ่านประโยค เวลาคุณอ่านว่า “ฉันซื้อแอปเปิ้ลจากร้านค้า มันหวานมาก” สมองของคุณรู้ว่าคำว่า “มัน” หมายถึงแอปเปิ้ล ไม่ใช่ร้านค้า โดยที่ไม่ต้องคิด นั่นเพราะสมองสามารถเชื่อมโยงคำที่อยู่ห่างกันในประโยคได้
Attention Mechanism ทำแบบเดียวกัน สำหรับแต่ละ Token ในประโยค มันคำนวณว่า Token นั้น “ควรให้ความสนใจ” กับ Token อื่นๆ ในระดับไหน Token ที่เกี่ยวข้องกันมากจะได้รับ Attention Score สูง Token ที่ไม่เกี่ยวข้องจะได้ Score ต่ำ แล้วข้อมูลจาก Token ที่มี Score สูงจะถูกนำมาใช้ในการคำนวณต่อ
ในโมเดลขนาดใหญ่ กระบวนการนี้เกิดขึ้นพร้อมกันหลายสิบหรือหลายร้อย “หัว” (Attention Head) แต่ละหัวเรียนรู้ที่จะสังเกตรูปแบบที่ต่างกัน บางหัวอาจเชี่ยวชาญเรื่องการเชื่อม Pronoun กับ Noun บางหัวอาจเชี่ยวชาญเรื่องความสัมพันธ์ทางไวยากรณ์ และบางหัวอาจเชี่ยวชาญเรื่องความหมายเชิงบริบท
ขั้นตอนที่สี่ Feed-Forward Network ที่ “คิด” ต่อหลังจาก Attention
หลังจากที่ Attention ทำงานเสร็จ ข้อมูลที่ผ่านการ “สนใจ” แล้วจะถูกส่งต่อไปยัง Feed-Forward Network ในแต่ละ Layer ของโมเดล
Feed-Forward Network คือชุดของการคำนวณทางคณิตศาสตร์ที่ทำงานกับ Representation ของแต่ละ Token ที่ได้จาก Attention มันเปรียบเหมือนขั้นตอนที่ข้อมูลถูกประมวลผลเพิ่มเติม เพิ่มความลึกและความซับซ้อนในการแสดงแทนความหมาย
งานวิจัยล่าสุดพบหลักฐานที่น่าสนใจมากว่า Feed-Forward Network เหล่านี้ทำหน้าที่เหมือน “คลังความรู้” ที่เก็บข้อมูลเชิงข้อเท็จจริงเอาไว้ ในขณะที่ Attention Layer ทำหน้าที่จัดการความสัมพันธ์เชิงบริบท ซึ่งหมายความว่าเมื่อคุณถาม AI ว่าเมืองหลวงของฝรั่งเศสคืออะไร ข้อมูลนั้นถูกเก็บอยู่ใน Feed-Forward Network และ Attention ช่วยให้ระบบรู้ว่าควรดึงข้อมูลไหนมาใช้ตอบ
กระบวนการ Attention และ Feed-Forward ที่ว่านี้เกิดขึ้นซ้ำกันใน “Layer” หรือชั้น ซึ่งในโมเดลใหญ่อย่าง GPT-4 อาจมีถึงหลายสิบหรือกว่าร้อยชั้น แต่ละชั้นสร้าง Representation ที่ลึกและซับซ้อนขึ้นเรื่อยๆ จากสิ่งที่ชั้นก่อนหน้าสร้างไว้
ขั้นตอนที่ห้า การสร้าง Output ทีละ Token ไม่ใช่ทีเดียว
นี่คือจุดที่หลายคนเข้าใจผิด เพราะเห็นว่าคำตอบไหลออกมาพร้อมกัน แต่ความจริงคือ AI ไม่ได้ “คิดคำตอบทั้งหมดก่อนแล้วค่อยแสดงผล” แต่สร้างคำตอบทีละ Token
หลังจากที่ Input ผ่านทุก Layer แล้ว ผลลัพธ์สุดท้ายจะถูกส่งไปยัง Layer สุดท้ายที่เรียกว่า Language Model Head ซึ่งแปลง Representation สุดท้ายออกมาเป็นตัวเลขสำหรับทุก Token ในระบบ ตัวเลขเหล่านั้นแสดงให้เห็นว่า Token ไหน “น่าจะเป็น” ตำแหน่งถัดไปมากที่สุด
จากนั้น Softmax Function จะแปลงตัวเลขเหล่านั้นให้เป็น Probability Distribution รวมเป็น 100% แล้วระบบจะเลือก Token ถัดไปโดยอิงจาก Probability เหล่านั้น ไม่จำเป็นต้องเลือก Token ที่มี Probability สูงที่สุดเสมอไป ระบบมีพารามิเตอร์ที่เรียกว่า Temperature ที่ควบคุมว่าจะให้การสุ่มมากหรือน้อยแค่ไหน Temperature สูงทำให้ Output หลากหลายและสร้างสรรค์กว่า Temperature ต่ำทำให้ Output แน่นอนและคาดเดาได้มากกว่า
เมื่อเลือก Token ถัดไปได้แล้ว Token นั้นจะถูกเพิ่มเข้าไปใน Context แล้วกระบวนการทั้งหมดเริ่มต้นใหม่ตั้งแต่ต้นเพื่อสร้าง Token ถัดไปอีก วนซ้ำจนกว่าจะได้คำตอบที่สมบูรณ์หรือถึง Token พิเศษที่บอกว่าสิ้นสุดแล้ว นั่นคือเหตุผลที่คำตอบ “ไหลออกมาทีละคำ” ไม่ใช่เพราะระบบกำลัง “พิมพ์” แต่เพราะมันสร้างทีละ Token จริงๆ
ย้อนกลับไปก่อนหน้านั้น กระบวนการ Training ที่สร้างความสามารถทั้งหมด
กระบวนการที่อธิบายข้างต้นคือสิ่งที่เกิดขึ้นเวลาคุณ “ใช้งาน” AI แต่ความสามารถทั้งหมดนั้นไม่ได้เกิดขึ้นเองเมื่อกี้ มันถูกสร้างขึ้นในกระบวนการที่เรียกว่า Training ซึ่งเกิดขึ้นก่อนที่คุณจะได้ใช้งาน AI เลย
กระบวนการฝึก AI ภาษาในปัจจุบันเริ่มต้นด้วยสิ่งที่เรียกว่า Pre-training ซึ่งคือการให้โมเดลอ่านข้อความมหาศาล ทั้งจาก Wikipedia บทความวิชาการ หนังสือ โค้ดโปรแกรม และเนื้อหาจากอินเทอร์เน็ต รวมกันแล้วอาจถึงหลายล้านล้านคำ
ในระหว่างนั้น โมเดลทำงานง่ายๆ คือ “ทาย Token ถัดไป” จากข้อความที่เห็น แล้วเปรียบเทียบกับคำตอบที่ถูกต้อง ถ้าทายผิด ระบบจะปรับ Weight หรือตัวเลขที่เชื่อมโยง Neuron ต่างๆ ให้ทายถูกขึ้นในครั้งต่อไป กระบวนการนี้เรียกว่า Backpropagation และมันเกิดขึ้นซ้ำกันกับข้อมูลหลักพันล้านชิ้น
ผลลัพธ์คือโมเดลที่มีน้ำหนักการเชื่อมโยงกว่าพันล้านหรือหลายพันล้านพารามิเตอร์ที่ถูกปรับแต่งมาเพื่อทำนาย Token ถัดไปได้อย่างแม่นยำ แต่ผลข้างเคียงที่มีค่ายิ่งกว่าคือ เพื่อให้ทำนาย Token ได้ดี โมเดลจำเป็นต้องเข้าใจ “ความหมาย” ของภาษาในระดับลึกมาก และนั่นคือสิ่งที่ทำให้มันดูเหมือน “รู้เรื่อง”
RLHF ขั้นตอนที่ทำให้ AI ตอบได้มีประโยชน์และปลอดภัยขึ้น
Pre-training สร้างโมเดลที่เก่งในการทำนาย Token แต่ยังไม่ได้หมายความว่ามันจะตอบคำถามของคุณได้ดี มันอาจทำนายสิ่งที่น่าจะตามมาหลังจากคุณถาม แต่ไม่จำเป็นต้องเป็นคำตอบที่เป็นประโยชน์ มีความปลอดภัย หรือตรงกับสิ่งที่คุณต้องการ
นี่คือจุดที่ RLHF หรือ Reinforcement Learning from Human Feedback เข้ามา
กระบวนการนี้ใช้มนุษย์จริงๆ มาช่วยสอนโมเดลว่าคำตอบแบบไหน “ดี” มนุษย์จะได้รับคำตอบสองชุดหรือมากกว่าจากโมเดลสำหรับคำถามเดียวกัน แล้วเลือกว่าชุดไหนดีกว่า ข้อมูลนั้นถูกใช้ฝึก Reward Model ซึ่งเป็นโมเดลอีกตัวที่เรียนรู้ที่จะ “ให้คะแนน” คำตอบว่ามนุษย์น่าจะพอใจแค่ไหน
จากนั้น Reward Model นั้นถูกใช้ปรับโมเดลหลักผ่านกระบวนการ Reinforcement Learning ให้สร้างคำตอบที่ได้คะแนนสูงขึ้นเรื่อยๆ ผลคือโมเดลที่ไม่ใช่แค่ทำนาย Token ที่เป็นไปได้ แต่ทำนาย Token ที่มนุษย์น่าจะเห็นว่าเป็นคำตอบที่ดี มีประโยชน์ และปลอดภัย
OpenAI, Anthropic, และ Google ใช้กระบวนการนี้ในการพัฒนา ChatGPT, Claude และ Gemini ตามลำดับ และมันคือเหตุผลหลักที่ AI เหล่านี้ดูเหมือนมีบุคลิกที่เป็นประโยชน์และระมัดระวังมากกว่าโมเดลดิบๆ ที่ผ่านแค่ Pre-training
Context Window ความทรงจำที่มีขนาดจำกัด
อีกสิ่งหนึ่งที่สำคัญมากในการเข้าใจ การทำงานของ AI คือแนวคิดเรื่อง Context Window
ทุกครั้งที่ AI ประมวลผลคำถามของคุณ มันไม่ได้จำทุกสิ่งที่เคยคุยกันมาตลอด แต่มันรับรู้แค่สิ่งที่อยู่ใน Context Window ปัจจุบัน ซึ่งก็คือข้อความจากการสนทนาที่ผ่านมาในปริมาณที่จำกัด
เปรียบเหมือนกับที่คุณกำลังอ่านหนังสือ แต่สามารถมองเห็นได้แค่หน้าที่เปิดอยู่ตอนนี้เท่านั้น ไม่ใช่ทั้งเล่ม ขนาดของ “หน้าที่มองเห็น” นี้คือ Context Window
โมเดลรุ่นแรกๆ มี Context Window แค่ไม่กี่พัน Token ซึ่งหมายความว่าจำบทสนทนาสั้นๆ ได้เท่านั้น แต่ในปี 2026 Claude Opus 4.6 มี Context Window ถึง 1 ล้าน Token ในโหมด Beta ซึ่งใหญ่พอที่จะรับข้อมูลจากหนังสือหลายเล่มพร้อมกัน
ความสำคัญของ Context Window ที่ใหญ่ขึ้นคือมันทำให้ AI สามารถทำงานกับเอกสารยาวๆ ได้ดีขึ้น จดจำบริบทของการสนทนานานขึ้น และเชื่อมโยงข้อมูลที่อยู่ห่างกันในเอกสารได้ดีขึ้น ซึ่งทั้งหมดนี้ส่งผลโดยตรงต่อคุณภาพของคำตอบที่คุณได้รับ
ทำไม AI ถึงตอบผิดบางครั้ง ปัญหา Hallucination
เมื่อเข้าใจกระบวนการทำงานแล้ว ทำไม AI ถึงตอบผิดบางครั้ง ก็จะมีคำตอบที่ชัดเจน
AI ภาษาสมัยใหม่ทำงานโดยการทำนายว่า Token ถัดไปควรเป็นอะไรตามความน่าจะเป็น ไม่ใช่โดยการค้นหาความจริงในฐานข้อมูล เมื่อโมเดลตอบคำถาม มันไม่ได้ “ค้น” หาคำตอบที่ถูกต้อง แต่ “สร้าง” ลำดับ Token ที่ฟังดูน่าเชื่อถือและสมเหตุสมผลในบริบทนั้น
ปัญหาเกิดขึ้นเมื่อข้อมูลที่ถูกต้องในพื้นที่นั้นมีน้อยใน Training Data หรือเมื่อคำถามถามถึงรายละเอียดเฉพาะเจาะจงที่โมเดลไม่ได้เรียนรู้มา โมเดลอาจสร้างข้อมูลที่ “ฟังดูถูก” แต่จริงๆ แล้วผิด ซึ่งเรียกว่า Hallucination
Hallucination เกิดขึ้นบ่อยที่สุดกับตัวเลข วันที่ ชื่อเฉพาะ และการอ้างอิงแหล่งข้อมูล เพราะสิ่งเหล่านี้ต้องการความแม่นยำสูงมากในขณะที่กระบวนการ “ทำนายตามความน่าจะเป็น” ไม่ได้ออกแบบมาสำหรับความแม่นยำระดับนั้น
นักพัฒนา AI กำลังทำงานอย่างหนักเพื่อลด Hallucination ผ่านหลายวิธี ทั้งการ Fine-tune โมเดลให้บอกว่า “ไม่รู้” เมื่อไม่แน่ใจ การเพิ่มระบบ Retrieval ที่ค้นหาข้อมูลจากแหล่งที่เชื่อถือได้ก่อนตอบ และการพัฒนา Reasoning Models ที่ “คิด” นานขึ้นก่อนตอบ แต่ในปัจจุบันยังไม่มีวิธีที่แก้ได้สมบูรณ์
ตัวอย่างจากชีวิตจริง สิ่งที่เกิดขึ้นเมื่อคุณถาม AI คำถามง่ายๆ
ลองเดินผ่านกระบวนการทั้งหมดด้วยตัวอย่างง่ายๆ เพื่อให้เห็นภาพชัดขึ้น
สมมติว่าคุณพิมพ์ว่า “เมืองหลวงของญี่ปุ่นคืออะไร”
ขั้นแรก ข้อความนั้นถูก Tokenize กลายเป็นลำดับของ Token จากนั้นแต่ละ Token ถูกแปลงเป็น Embedding ตัวเลขหลายพันมิติ แล้วถูกส่งผ่าน Transformer Layers หลายสิบชั้น ในแต่ละชั้น Attention Mechanism คำนวณว่าแต่ละ Token ควรสนใจ Token อื่นๆ แค่ไหน ตัวอย่างเช่น Token “เมืองหลวง” ให้ Attention สูงกับ Token “ญี่ปุ่น” เพราะสองคำนี้เชื่อมกันอย่างมีความหมาย Feed-Forward Network ในแต่ละชั้นดึงความรู้เชิงข้อเท็จจริงเพิ่มเติมออกมา จนในที่สุด Layer สุดท้ายสร้าง Probability Distribution ที่ Token “โตเกียว” ได้ Probability สูงที่สุดอย่างมีนัยสำคัญ โมเดลเลือก “โตเกียว” เป็น Token แรกของคำตอบ แล้วกระบวนการเริ่มใหม่เพื่อสร้าง Token ถัดไป
ทั้งหมดนี้เกิดขึ้นในเวลาน้อยกว่าหนึ่งวินาที
Hardware ที่ขับเคลื่อนทุกอย่าง เหตุผลที่ AI ต้องการ GPU
ไม่สามารถอธิบาย กลไกเบื้องหลัง AI ได้โดยไม่พูดถึง Hardware ที่ทำให้ทั้งหมดเป็นไปได้
การคำนวณที่เกิดขึ้นในโมเดลขนาดใหญ่นั้นส่วนใหญ่เป็น Matrix Multiplication หรือการคูณเมทริกซ์ขนาดใหญ่ซ้ำกันหลายล้านครั้ง CPU ทั่วไปไม่ได้ออกแบบมาสำหรับงานแบบนี้ แต่ GPU หรือ Graphics Processing Unit ที่เดิมออกแบบมาสำหรับการเรนเดอร์กราฟิกในเกม กลับเหมาะสมอย่างยิ่ง เพราะมันสามารถทำการคำนวณแบบขนานหลายพันการคำนวณพร้อมกัน
NVIDIA คือบริษัทที่ครองตลาด GPU สำหรับ AI อย่างแท้จริง GPU รุ่น H100 และ H200 ที่ใช้ฝึกและรัน AI ขนาดใหญ่มีราคาตัวละ 30,000-40,000 ดอลลาร์ และบริษัท AI ขนาดใหญ่มักใช้เป็นหมื่นตัวพร้อมกันในการฝึกโมเดล นั่นคือเหตุผลที่การฝึก GPT-4 ใช้เงินประมาณ 100 ล้านดอลลาร์
แต่ตั้งแต่ปี 2024-2025 เป็นต้นมา มีการแข่งขันในตลาด AI Chip มากขึ้น ทั้ง AMD ที่พัฒนา MI300X ที่แข่งกับ NVIDIA ได้มากขึ้น Google ที่มี TPU (Tensor Processing Unit) ของตัวเอง และ Startup อย่าง Cerebras และ Groq ที่สร้าง Chip เฉพาะสำหรับ AI Inference ซึ่งกำลังเปลี่ยนความสมดุลของอำนาจในอุตสาหกรรม
AI ในอนาคต เส้นทางที่กำลังพัฒนาต่อไป
การเข้าใจว่า AI ทำงานอย่างไรในปัจจุบันยังไม่สมบูรณ์ถ้าไม่มองว่ากำลังไปในทิศทางไหน
- Reasoning Models คือหนึ่งในพัฒนาการที่น่าสนใจที่สุดในปัจจุบัน โมเดลอย่าง OpenAI o3 และ Gemini Deep Think ถูกฝึกให้ “คิดนาน” ก่อนตอบ แทนที่จะสร้าง Output ทันที พวกมันสร้าง “Chain of Thought” ภายในก่อน วิเคราะห์ปัญหาในหลายมุม แล้วจึงให้คำตอบ ซึ่งพิสูจน์แล้วว่าให้ผลลัพธ์ที่แม่นยำกว่าสำหรับปัญหาที่ซับซ้อน
- Multimodal Processing คือการที่โมเดลเดียวสามารถประมวลผลและสร้างข้อมูลหลายประเภทพร้อมกัน ทั้งข้อความ ภาพ เสียง และวิดีโอ ใน Architecture เดียวกัน แทนที่จะเป็นระบบแยกกันสำหรับแต่ละ Modality
- Agentic AI คือการพัฒนาให้ AI ไม่แค่ตอบคำถาม แต่สามารถวางแผนและดำเนินงานหลายขั้นตอนได้อัตโนมัติ ใช้เครื่องมือภายนอก ค้นหาข้อมูล เขียนโค้ด และดำเนินการงานจริงๆ แทนที่จะแค่แนะนำว่าควรทำอะไร
ทุกพัฒนาการเหล่านี้ยังคงสร้างอยู่บนรากฐานเดิมของ Transformer Architecture แต่ขยายขีดความสามารถออกไปในทิศทางที่น่าตื่นเต้นมาก
บทสรุป ความมหัศจรรย์ที่สร้างจากคณิตศาสตร์ธรรมดา
หลังจากอ่านมาถึงตรงนี้ หวังว่าภาพของ กระบวนการทำงาน AI จะชัดขึ้นอย่างมีนัยสำคัญ
มันไม่มีความลึกลับ ไม่มีเวทมนตร์ และไม่มีความคิดที่แท้จริง แต่มีการคำนวณทางคณิตศาสตร์ที่ซับซ้อนอย่างมหาศาล จากการแปลงภาษาเป็นตัวเลข การค้นหาความสัมพันธ์ผ่าน Attention ไปจนถึงการสร้างคำตอบทีละ Token ตามความน่าจะเป็น ทั้งหมดทำงานร่วมกันในเวลาน้อยกว่าหนึ่งวินาที
สิ่งที่น่าทึ่งคือ จากการทำสิ่งที่ดูเรียบง่าย ซึ่งก็คือการทำนาย Token ถัดไปซ้ำๆ กันหลายล้านล้านครั้ง ระบบกลับเกิดความสามารถที่ดูเหมือนฉลาดอย่างน่าทึ่ง ความสามารถในการเข้าใจบริบท ให้เหตุผล และสร้างคำตอบที่มีประโยชน์ ล้วนเป็นผลข้างเคียงของการฝึกเพื่องานเดียวที่ดูเรียบง่ายนั้น
และนั่นคือสิ่งที่ทำให้ AI ในยุคนี้น่าศึกษา ไม่ใช่เพราะมันลึกลับ แต่เพราะมันพิสูจน์ว่าความซับซ้อนของสติปัญญา ไม่ว่าจะเป็นของมนุษย์หรือเครื่องจักร อาจเกิดจากกฎที่เรียบง่ายที่ทำงานซ้ำกันในปริมาณมากพอ มากกว่าที่จะต้องมีอะไร “พิเศษ” อยู่เบื้องหลัง