คลังคำศัพท์

AI ที่ไม่ได้แค่ตอบข้อความ แต่ลงมือทำงานเป็นขั้นตอนได้เอง เช่นค้นเว็บ อ่านไฟล์ เขียนไฟล์ รันคำสั่ง แล้ววนทำซ้ำจนงานเสร็จ ต่างจาก AI แบบถาม-ตอบทีละครั้งตรงที่ agent ทำหลายก้าวต่อเนื่องได้โดยคุณไม่ต้องสั่งทีละก้าวบทเต็ม →

รูปแบบการทำงานวนรอบของ agent คือ คิดว่าจะทำอะไรต่อ ลงมือทำ (เช่นเรียกเครื่องมือ) ดูผลที่ได้ แล้วคิดก้าวถัดไป วนแบบนี้ไปเรื่อย ๆ จนงานเสร็จ นี่คือกลไกที่ทำให้ AI ทำงานยาว ๆ หลายขั้นตอนได้เองบทเต็ม →

งานทำให้ AI ทำตามสิ่งที่คนต้องการจริง ๆ และไม่ทำสิ่งที่เป็นอันตราย การฝึกขั้นปรับแต่งอย่าง RLHF คือเครื่องมือหนึ่งของงาน alignment เป้าหมายคือให้ model มีประโยชน์ ซื่อสัตย์ และไม่ก่อภัยบทเต็ม →

ย่อมาจาก Command Line Interface คือการสั่งงานโปรแกรมผ่านการพิมพ์คำสั่งในหน้าต่างดำ ๆ แทนการคลิกปุ่ม Claude Code เป็นตัวอย่างของ AI ที่ทำงานผ่าน CLI สำหรับคนไม่ใช่โปรแกรมเมอร์ มันดูน่ากลัวตอนแรก แต่จริง ๆ คือแค่ช่องพิมพ์คำสั่งที่ทรงพลังกว่าหน้าแอปปกติ

อาการที่ AI ตอบสิ่งที่ฟังดูถูกแต่ผิดสนิท ด้วยน้ำเสียงมั่นใจเหมือนรู้จริง มันไม่ได้ตั้งใจโกหก มันแค่เดาคำที่น่าจะตามมา แล้วเดาผิด ปรากฏการณ์นี้เกิดได้กับ LLM ทุกตัว และเป็นเหตุผลที่คุณต้องตรวจสอบข้อมูลสำคัญจาก AI เสมอ โดยเฉพาะชื่อคน ตัวเลข วันที่ และแหล่งอ้างอิงบทเต็ม →

โปรแกรมที่ห่อรอบ model เพื่อทำให้มันใช้งานได้จริง มันคือตัวที่คอยมัดบทสนทนาเก่าส่งให้ model อ่านใหม่ทุกรอบ ต่อเครื่องมือให้ ส่งคำสั่งซ่อนเข้าไป และจัดการทุกอย่างที่ model ตัวเปล่าทำเองไม่ได้ แอป ChatGPT, Claude, Claude Code ที่คุณเปิดใช้ แต่ละตัวคือ harness ที่ห่อ model ของตัวเองไว้คนละแบบ นี่คือเหตุผลที่แต่ละแอปให้ประสบการณ์ต่างกันมาก แม้จะทำงานบนหลักการเดียวกันบทเต็ม →

ย่อมาจาก Model Context Protocol เป็นมาตรฐานกลางที่ให้ AI ต่อเชื่อมกับเครื่องมือและข้อมูลภายนอกได้ เช่นต่อเข้ากับ Google Drive, ฐานข้อมูล, หรือระบบในบริษัท คิดเหมือนหัวปลั๊กแบบมาตรฐาน พอมีมาตรฐานเดียวกัน เครื่องมือใหม่ ๆ ก็เสียบเข้ากับ AI ได้โดยไม่ต้องสร้างตัวเชื่อมใหม่ทุกครั้ง

สาขางานวิจัยที่พยายามเข้าใจว่าข้างใน model เกิดอะไรขึ้นจริง ๆ ที่ต้องมีสาขานี้เพราะแม้แต่คนสร้าง model ก็อธิบายไม่ได้เต็มที่ว่าทำไมมันตอบแบบนั้น model ไม่ได้ถูก "เขียนโปรแกรม" ทีละบรรทัด แต่ "เติบโต" ขึ้นจากการฝึก ข้างในเลยเป็นกล่องดำที่ต้องค่อย ๆ แกะบทเต็ม →

พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลของไทย กฎหมายที่คุมว่าข้อมูลส่วนบุคคลถูกเก็บและใช้ได้แค่ไหน สำคัญมากเวลาคุณทำงานกับ AI เพราะการเอาข้อมูลลูกค้าหรือข้อมูลพนักงานไปวางในแชท AI อาจเข้าข่ายส่งข้อมูลส่วนบุคคลออกนอกองค์กรโดยไม่ได้รับอนุญาต > 💡 **เรื่องข้อมูลที่ควรรู้:** ตามเอกสารของ Anthropic การใช้งานแบบบัญชีบุคคล (Free/Pro/Max) ค่าเริ่มต้นคือข้อมูลของคุณ "ถูกนำไปฝึก" model เว้นแต่คุณจะปิดเองในการตั้งค่า ส่วนการใช้งานเชิงพาณิชย์ (Team/Enterprise/API) จะไม่ถูกนำไปฝึก model เว้นแต่ลูกค้าเลือกเข้าร่วมโครงการเอง รายละเอียดและความต่างของแต่ละแพลตฟอร์มอยู่ในบท 3.7

การตั้งค่าว่า AI ที่ลงมือทำงานในเครื่องคุณ (อย่าง Claude Code) ต้องขออนุญาตคุณก่อนทำสิ่งต่าง ๆ มากแค่ไหน มีหลายโหมด เรียงจากระวังมากไประวังน้อย เช่น โหมดมาตรฐาน (default) ถามทุกครั้งที่จะใช้เครื่องมือใหม่ โหมดวางแผน (plan) ให้มันอ่านและสำรวจได้แต่ห้ามแก้ไฟล์ โหมดรับการแก้ไขอัตโนมัติ (acceptEdits) ยอมให้แก้ไฟล์เองโดยไม่ต้องถามทุกครั้ง และโหมดข้ามการถาม (bypassPermissions) ที่ข้ามการขออนุญาตเกือบทั้งหมด ควรใช้เฉพาะในสภาพแวดล้อมที่ปลอดภัยเท่านั้น

ชุดของหลายอย่างที่แพ็กรวมกันเป็นก้อนเดียวให้ติดตั้งทีเดียว ภายในอาจมีทั้ง skill, slash command, และการตั้งค่าต่าง ๆ คิดเหมือนชุดเครื่องมือสำเร็จรูปที่ลงครั้งเดียวได้หลายอย่าง มักโหลดได้จากที่รวมปลั๊กอิน (marketplace)

ขั้นที่สองหลัง pretraining model ที่เพิ่งฝึกขั้นต้นเสร็จยังใช้งานไม่ได้ มันแค่เดาคำเก่ง แต่ไม่รู้จักตอบคำถามให้เป็นประโยชน์ ขั้นปรับแต่งคือการสอนเพิ่มให้มันตอบแบบเป็นผู้ช่วยที่ดี ทำตามคำสั่ง และไม่ตอบสิ่งที่เป็นอันตราย คำว่า fine-tune มักหมายถึงการฝึกปรับ model ที่มีอยู่แล้วให้เก่งเรื่องเฉพาะทางขึ้นบทเต็ม →

ขั้นแรกของการสร้าง model คือเอาข้อความมหาศาลจากอินเทอร์เน็ตและแหล่งอื่นมาให้ model ฝึกเดาคำถัดไปซ้ำ ๆ จนเก่ง จากกระบวนการนี้เอง model ค่อย ๆ ซึมซับความรู้เรื่องภาษา ข้อเท็จจริง และรูปแบบต่าง ๆ ของโลกเข้าไปโดยไม่มีใครป้อนความรู้ให้ตรง ๆบทเต็ม →

ข้อความที่คุณพิมพ์ส่งให้ AI คือคำถาม คำสั่ง หรือสิ่งที่คุณอยากให้มันทำ คุณภาพของ prompt มีผลตรงต่อคุณภาพคำตอบมาก prompt ที่บอกบริบท ความต้องการ และตัวอย่างชัดเจน มักได้คำตอบที่ดีกว่า prompt สั้น ๆ คลุมเครือ

ย่อมาจาก Retrieval-Augmented Generation เป็นวิธีให้ AI ตอบจากเอกสารหรือข้อมูลของคุณเองที่มันไม่เคยเห็นตอนฝึก หลักการคือพอคุณถาม ระบบจะไปค้นชิ้นข้อมูลที่เกี่ยวข้องมาก่อน แล้วแปะใส่ context ให้ model อ่านประกอบตอนตอบ นี่คือกลไกเบื้องหลังแชทบอตที่ตอบเรื่องเฉพาะของบริษัทได้ ทั้งที่ model กลางไม่เคยรู้เรื่องนั้นมาก่อน คุณจะเห็นคำนี้บ่อยในหน้าโปรดักต์และข่าวที่พูดถึงการเอา AI มาใช้กับข้อมูลภายในองค์กร

ย่อมาจาก Reinforcement Learning from Human Feedback คือการฝึกปรับ model โดยใช้ความเห็นของคนเป็นตัวชี้ คนช่วยให้คะแนนว่าคำตอบไหนดีกว่ากัน model ก็ค่อย ๆ ปรับให้ตอบในแบบที่คนชอบมากขึ้น นี่คือเหตุผลใหญ่ที่ทำให้ ChatGPT ตอบได้สุภาพ ตรงประเด็น และเป็นประโยชน์ ไม่ใช่ตอบมั่ว ๆ แบบ model ดิบ (Anthropic มีอีกแนวหนึ่งชื่อ Constitutional AI ที่ใช้ชุดหลักการให้ AI ช่วยประเมินคำตอบของกันเองแทนที่จะพึ่งคนล้วน ๆ)บทเต็ม →

ชุดคำสั่งและความรู้สำเร็จรูปที่เพิ่มความสามารถเฉพาะทางให้ AI เช่น สกิลทำสไลด์ สกิลทำเอกสาร Word พอติดตั้งไว้ AI จะหยิบมาใช้เองเมื่อเจองานที่ตรงกับสกิลนั้น มันไม่ใช่เวทมนตร์ เนื้อในคือไฟล์คำสั่งธรรมดาที่บอก AI ว่าให้ทำงานนั้นยังไง คุณดาวน์โหลดของคนอื่นมาใช้ หรือสร้างเองก็ได้

คำสั่งสำเร็จรูปที่คุณพิมพ์เรียกเองโดยขึ้นต้นด้วยเครื่องหมาย / เช่น `/clear` เพื่อล้างบทสนทนา ต่างจาก skill ตรงที่ slash command คุณเป็นคนสั่งเองตรง ๆ ส่วน skill นั้น AI เลือกหยิบมาใช้เองเมื่อเหมาะสม

คุณสมบัติของ model ที่ว่ามันไม่เก็บอะไรไว้เลยระหว่างการเรียกแต่ละครั้ง พอเดาคำตอบเสร็จหนึ่งรอบ มันลืมทุกอย่างทิ้ง รอบถัดไปเริ่มจากศูนย์ใหม่ เหมือนเพิ่งตื่นมาเจอคุณครั้งแรก ความ "จำได้" ที่คุณเห็นในแชท ไม่ได้มาจากความจำของ model แต่มาจากการที่บทสนทนาเก่าถูกส่งให้อ่านซ้ำทุกครั้งบทเต็ม →

agent ตัวเล็กที่ agent หลักเรียกออกมาช่วยทำงานเฉพาะส่วน คิดเหมือนหัวหน้าที่แบ่งงานย่อยให้ลูกทีมไปทำ แล้วเอาผลกลับมารวม ข้อดีคือ sub-agent แต่ละตัวมีพื้นที่ความจำของตัวเอง ทำให้งานใหญ่ ๆ ไม่ไปเบียดพื้นที่ของ agent หลักจนเต็ม

หน่วยที่ model ใช้นับและประมวลผลข้อความ ไม่ใช่ตัวอักษร ไม่ใช่คำเต็ม แต่เป็น "ชิ้นส่วนของคำ" คำภาษาอังกฤษสั้น ๆ หนึ่งคำมักเป็นหนึ่ง token ส่วนคำยาวอาจถูกหั่นเป็นหลายชิ้น ทุกอย่างที่ส่งเข้า model และทุกอย่างที่มันตอบกลับ ถูกนับเป็น token และค่าใช้จ่ายของ AI ก็คิดตามจำนวน token นี่เองบทเต็ม →

ข้อเท็จจริงที่คนไทยควรรู้ ภาษาไทยกิน token มากกว่าภาษาอังกฤษหลายเท่าสำหรับเนื้อหาความหมายเท่ากัน งานวัดที่เผยแพร่ออกมาอยู่ราว 2 ถึง 4 เท่า (ขึ้นกับ tokenizer ที่ใช้) เพราะตัวนับ token ถูกฝึกมากับภาษาอังกฤษเป็นหลัก และภาษาไทยไม่มีช่องว่างระหว่างคำ บวกกับเป็นอักษรที่ไม่ใช่ละติน มันเลยถูกหั่นเป็นชิ้นเล็ก ๆ จำนวนมาก ผลคือแชทภาษาไทยถึงจุด "ช้า แพง และตอบแย่ลง" เร็วกว่าแชทภาษาอังกฤษบทเต็ม →

ความสามารถที่ถูกต่อเพิ่มให้ model เรียกใช้ เช่น ค้นเว็บ อ่านไฟล์ เขียนไฟล์ รันคำสั่งในเครื่อง model ตัวเปล่าทำสิ่งเหล่านี้ไม่ได้ harness ต้องบอกมันว่ามีเครื่องมืออะไรให้ใช้บ้าง แล้ว model ถึงจะ "ขอ" เรียกใช้เครื่องมือนั้นได้บทเต็ม →