อ่านคณิตของ LLM ให้รอด, หนังสือที่สอนอ่านสมการทีละตัวอักษร

โดย Nokka (นก-กา) | กันยายน 2026

บทความนี้เขียนโดย AI (GLM-5.3) ผ่าน Hermes Agent — ตรวจสอบและเรียบเรียงโดย Nokka

คนส่วนใหญ่ที่ทำงานกับ AI มีปมร่วมกันอยู่อย่างหนึ่ง เราใช้ LLM ทุกวัน เขียน prompt เป็น ปรับ parameter ได้ แต่พอเปิดงานวิจัยเจอสมการ Attention หน้ากระดาษเดียว สมองก็ปิดตัวเองลง

เรารู้ว่าตัวอักษรพวกนั้นควรจะมีความหมาย เราแค่ไม่รู้วิธีอ่านมันออก

หนังสือ The Mathematics of Large Language Models ของ Jason Karpeles เจาะปมนี้ตรงจุด สโลแกนของเล่มนี้บอกว่า "คณิตศาสตร์อยู่ในนั้นครบทั้งหมด ไม่ถูกตัดทอน พร้อมกับวิธีอ่านมัน" [1] ประโยคสั้น ๆ นี้คือจุดยืนทั้งเล่ม ไม่ใช่หนังสือที่หลบเลี่ยงสมการด้วยการเล่าเรื่องแทน แต่เป็นหนังสือที่เผชิญหน้ากับสมการแล้วสอนให้อ่านมันออกทีละขั้น

Reading the Formula

อ่านสมการทีละสัญลักษณ์

หัวใจของหนังสืออยู่ที่วิธีการที่ผู้เขียนเรียกว่า Reading the Formula หลังจากทุกสมการ จะมีบทอธิบายสองช่วงสั้น ๆ

ช่วงแรกเดินผ่าน notation ทีละสัญลักษณ์ ว่าแต่ละส่วนมีส่วนร่วมอย่างไร ถ้าเปลี่ยนตัวนี้แล้วผลลัพธ์เปลี่ยนตรงไหน และทำไมสมการถึงเขียนในรูปนี้ ช่วงที่สองบอกว่าสมการนั้นหมายความว่าอะไรในบริบทของโมเดลจริง [1][2]

ลองนึกภาพการอ่านสมการเหมือนการอ่านประโยคภาษาต่างประเทศ สมการหนึ่งตัวไม่ต่างจากประโยคที่มีประธาน กริยา และกรรม ปัญหาของคนส่วนใหญ่คือพยายามอ่านทั้งประโยคในครั้งเดียวแล้วจำไม่ได้เลย หนังสือเล่มนี้สอนแบบตรงข้าม แยกอ่านทีละคำ คำไหนเป็นประธาน คำไหนบอกความสัมพันธ์ แล้วค่อยประกอบกลับเป็นประโยคเดียว

โครงสร้างของทุกบทก็ทำนองเดียวกัน แต่ละบทเปิดด้วยการบอกว่าบทนี้พิสูจน์อะไร สมมติอะไร และบทถัด ๆ ไปจะต่อยอดจากสิ่งใด 17 บทในเล่มจึงไม่ใช่ 17 บทสำรวจแยกกัน แต่เป็นบันไดที่ต่อเนื่อง รู้เสมอว่าตัวเองกำลังยืนอยู่ที่ใดและเพราะอะไร [2]

ครอบคลุมเนื้อหาแบบเต็ม ไม่ใช่ฉบับย่อ

อย่าเข้าใจผิดว่าเป็นหนังสือคณิตระดับประถม รายการหัวข้ออ่านแล้วหนักพอตัว ทั้ง Transformers, Diffusion, Neural Networks, Optimization และ Generative AI ไปจนถึงหัวข้อล้ำอย่าง Symmetry, Convolution และ state-space models [1][2]

สิ่งที่ต่างจากตำราคณิตทั่วไปคือวิธีนำเสนอ ไม่ใช่ความลึกของเนื้อหา

ข้อจำกัดที่ควรรู้ก่อนตัดสินใจซื้อคือหนังสือเน้นการอ่านทฤษฎีล้วน ไม่มีโค้ดหรือแบบฝึกหัดให้ลงมือทำ ถ้าเป้าหมายคือสร้างโมเดลจริง หนังสือเล่มนี้จะไม่ตอบโจทย์เพียงลำพัง และผู้อ่านต้องทนความหนา 2,000 กว่าหน้าของ kindle ได้ด้วย

ในมุมมองของผม แนวทางแบบนี้ตอบโจทย์ช่วงเวลานี้ของวงการดีมาก เมื่อคนกลุ่มใหญ่เข้ามาทำงานกับ AI ผ่านการใช้งานก่อนการทำความเข้าใจทฤษฎี ช่องว่างระหว่างสองฝั่งกว้างขึ้นเรื่อย ๆ หนังสือส่วนใหญ่แก้ปัญหานี้ด้วยการลดทอนเนื้อหาจนเหลือแต่เรื่องเล่า ซึ่งช่วยให้เข้าใจภาพรวมแต่พาให้เป็นแค่ผู้ชม ทางของ Karpeles คือให้คนอ่านก้าวจากผู้ชมไปเป็นคนที่อ่านงานวิจัยต้นฉบับได้จริง โดยไม่ต้องย้อนไปเรียนคณิตศาสตร์สามปีก่อน

ควรอ่านไหม และอ่านคู่กับอะไร

ใครควรอ่าน

หนังสือเล่มนี้เหมาะกับคนที่ใช้ LLM ในงานจริงและเริ่มรู้สึกว่าการปรับแต่งแบบลองผิดลองถูกไม่พอแล้ว อยากรู้ว่า attention ทำงานจริงตรงไหน temperature กับ probability distribution ผูกกันยังไง หรืออยากอ่านงานวิจัยได้โดยไม่ต้องหลบสมการ มีหนังสือเสริมอีกเล่มที่วางขายคู่กันคือ Super Study Guide: Transformers & Large Language Models ของ Afshine Amidi และ Shervine Amidi อ่านคู่กันได้ลื่นกว่าอ่านเดี่ยว ๆ [3]

ส่วนคนที่ต้องการหนังสือที่ลงมือเขียนโค้ดจริง อาจได้เห็นใจหนังสืออย่าง Build a Large Language Model (From Scratch) ที่เน้น implement มากกว่าทฤษฎีล้วน

ทั้งสองเล่มเป็นเสริมกันได้ดี เล่มหนึ่งสอนให้อ่านสมการออก อีกเล่มสอนให้แปลงสมการเป็นโค้ดได้

สำหรับคนไทยที่สนใจ หนังสือมีทั้งรูปเล่มและ Kindle ราคาไม่แพงเมื่อเทียบกับตำราเทคนิคระดับเดียวกัน [4] ถ้าอ่านภาษาอังกฤษทางวิชาการได้ระดับพอควร ไม่ต้องรอฉบับแปลไทยก็เริ่มได้เลย

สุดท้าย สิ่งที่หนังสือเล่มนี้ทิ้งท้ายให้คิดต่อคือ การอ่านสมการไม่ใช่พรสวรรค์แต่เป็นทักษะที่ฝึกได้เหมือนการอ่านภาษาที่สอง ยิ่งอ่านช้า ๆ ทีละสัญลักษณ์ ยิ่งเร็วขึ้นเรื่อย ๆ และในยุคที่งานวิจัย AI ออกใหม่ทุกสัปดาห์ ทักษะการอ่านสมการอาจเป็นกุญแจที่แยกคนที่ตามข่าวกับคนที่ตามงานวิจัยออกจากกัน

แหล่งอ้างอิง

[1] Karpeles, J., "The Mathematics of Large Language Models: Machine Learning Theory Made Readable", Amazon (2026), https://www.amazon.com/Mathematics-Large-Language-Models-Transformers/dp/B0H83XXKM8

[2] Karpeles, J., "The Mathematics of Large Language Models: A Readable Guide to LLMs, Transformers, Diffusion, Neural Networks, and Generative AI", Kindle edition (2026), https://www.amazon.in/Mathematics-Large-Language-Models-Transformers-ebook/dp/B0H44K1ZR5

[3] Amazon, "Super Study Guide: Transformers & Large Language Models" (2026), https://www.amazon.com/dp/B0DC4NYLTN

[4] Kirk Borne (@KirkDBorne), โพสต์ X แนะนำหนังสือ (3 ก.ย. 2026), https://x.com/KirkDBorne/status/2095490618961096849