จักรวาล AI Agent บทที่ 3: Foundation Models, สมองที่ทำนายคำถัดไป และทำไมมันถึงฉลาด

โดย Nokka (นก-กา) | 22 สิงหาคม 2026

นี่คือบทความที่ 3 ของซีรีส์ "จักรวาล AI Agent", ซีรีส์ที่แกะ "จักรวาล AI" ออกเป็น 7 ชั้น ตั้งแต่ "แขนขา" (Tooling) ไปจนถึง "ผู้เฝ้าดู" (Observability)

บทความนี้จะลงลึกที่ ชั้นที่ 3: Foundation Models, ชั้นที่เป็น "รากฐาน" ของทุกอย่างในจักรวาลนี้

ถ้ายังไม่ได้อ่านบทที่ 1-2 แนะนำให้อ่านก่อน: จักรวาล AI Agent บทที่ 1

ชั้นนี้คืออะไร

Foundation Models คือ "สมอง" ของ AI, โมเดลที่เข้าใจภาษา คิด และตอบคำถาม

แต่หลายคนไม่รู้ว่า: โมเดลภาษาไม่ได้ "เข้าใจ" อะไรเลย, มันแค่ "ทำนายคำถัดไป" เก่งมาก

เมื่อคุณพิมพ์ "วันนี้อากาศ" โมเดลจะคำนวณความน่าจะเป็นของคำถัดไปว่า "ดี", "ร้อน", "หนาว" ฯลฯ แล้วเลือกคำที่ "น่าจะใช่ที่สุด"

ฟังดูง่าย แต่เบื้องหลัง "การทำนายคำ" นี้ มีกระบวนการซับซ้อนมหาศาล, และนี่เองที่ทำให้มัน "ดูฉลาด"

อุปมา: ชั้นนี้คือ "โรงไฟฟ้า", ผลิต "ไฟฟ้า" (ความฉลาด) ให้ชั้นอื่นๆ ใช้

ปัญหาที่ชั้นนี้แก้

ก่อนมี LLM (Large Language Model) คอมพิวเตอร์ "ไม่เข้าใจภาษา", มันทำงานกับตัวเลขและคำสั่งที่แม่นยำ แต่ "เข้าใจ" ประโยคภาษามนุษย์ไม่ได้

ถ้าคุณอยากให้คอมพิวเตอร์ "ตอบคำถาม" ก่อนยุค LLM คุณต้อง:

1. เขียนกฎทีละข้อ (if-else นับพันข้อ)
2. คอมพิวเตอร์ตอบได้แค่ "สิ่งที่ถูกเขียนกฎไว้"
3. ถามอะไรนอกกฎ → ตอบไม่ได้

LLM เปลี่ยนทั้งหมดนี้, แทนที่จะ "เขียนกฎ" เรา "เทรน" โมเดลด้วยข้อมูลมหาศาล แล้วมัน "เรียนรู้" รูปแบบภาษาเอง

การทำงานภายใน (แกะทีละขั้น)

เมื่อคุณพิมพ์ "วันนี้อากาศ" แล้วกด Enter เกิดอะไรขึ้น:

ขั้นที่ 1: Tokenization (ตัดคำเป็นชิ้น)

ข้อความถูกตัดเป็น "token" (ชิ้นส่วนคำ):

• "วันนี้" อาจเป็น 1 token
• "อากาศ" อาจเป็น 1 token
• "ChatGPT" อาจเป็น 3 token (Chat + G + PT)

โมเดลไม่เห็น "ตัวอักษร", มันเห็น "token" ซึ่งเป็นหน่วยย่อยของภาษา

ขั้นที่ 2: Embedding (แปลงเป็นเวกเตอร์)

แต่ละ token ถูกแปลงเป็น "เวกเตอร์", ตัวเลขหลายมิติ (เช่น 1,024 มิติ) ที่แทน "ความหมาย" ของคำนั้น

คำที่มีความหมายใกล้กัน จะมีเวกเตอร์ใกล้กัน, เช่น "หมา" กับ "สุนัข" จะอยู่ใกล้กันใน "พื้นที่ความหมาย" นี้

ขั้นที่ 3: Attention (หาความสัมพันธ์)

นี่คือหัวใจของ Transformer (สถาปัตยกรรมที่ LLM ทุกตัวใช้) [1][3]:

โมเดลคำนวณว่า token ไหน "เกี่ยวข้อง" กับ token ไหน, เช่น ในประโยค "แมวกินปลาเพราะมันหิว" คำว่า "มัน" เกี่ยวข้องกับ "แมว" (ไม่ใช่ "ปลา")

Attention ทำให้โมเดล "เข้าใจบริบท", ว่าคำไหนหมายถึงอะไรในประโยคนี้

ขั้นที่ 4: Prediction (ทำนายคำถัดไป)

จากความสัมพันธ์ทั้งหมด โมเดลคำนวณความน่าจะเป็นของคำถัดไป แล้วเลือกคำที่ "น่าจะใช่ที่สุด"

นี่คือ "การทำนายคำถัดไป", และเมื่อทำซ้ำหลายล้านครั้ง โมเดลก็ "เขียน" ประโยคที่สมเหตุสมผลได้

องค์ประกอบหลัก

โมเดลปิด (Closed) vs โมเดลเปิด (Open-weight)

ประเภท	ตัวอย่าง	จุดเด่น	จุดอ่อน
Closed	GPT, Claude, Gemini	เก่งสุด, ดูแลโดยบริษัท	ดูโค้ดไม่ได้, ต้องจ่าย API
Open-weight	Llama, DeepSeek, Qwen	ฟรี, รันเองได้, ปรับแต่งได้	เก่งน้อยกว่าเล็กน้อย

Compute (พลังประมวลผล)

การเทรนโมเดลใหญ่ต้องใช้ GPU/TPU หลายพันตัว ใช้เวลาหลายเดือน และใช้เงินหลายร้อยล้านดอลลาร์ [2]

นี่คือเหตุผลที่ "ชั้น 3" ถูกครอบโดยบริษัทยักษ์, เพราะต้องใช้เงินมหาศาล

API (ช่องทางเรียกใช้)

โมเดลถูก "เสิร์ฟ" ผ่าน API, OpenAI API, Anthropic API, Ollama (สำหรับรัน local)

ชั้นอื่นๆ ทั้งหมด "เรียกใช้" โมเดลผ่าน API นี้

ตัวอย่างจริง: ทำไม "วันนี้อากาศ" → "ดี"

ขอแกะตัวอย่างจริงให้เห็นภาพ:

1. Tokenization, "วันนี้อากาศ" ถูกตัดเป็น 2 token: [วันนี้] [อากาศ]
2. Embedding, แต่ละ token กลายเป็นเวกเตอร์ 1,024 มิติ
3. Attention, โมเดลเห็นว่า [วันนี้] กับ [อากาศ] เกี่ยวข้องกัน (เป็น "หัวข้อ" เดียวกัน)
4. Prediction, โมเดลคำนวณว่าคำถัดไปน่าจะเป็น "ดี" (เพราะใน training data ประโยค "วันนี้อากาศ..." มักตามด้วย "ดี", "ร้อน", "หนาว" ฯลฯ)

โมเดลเลือก "ดี" เพราะเป็นคำที่ "น่าจะใช่ที่สุด", ไม่ใช่เพราะมัน "รู้" ว่าวันนี้อากาศดี

สถานะ + แนวโน้ม

สถานะปัจจุบัน

• Commodity, โมเดลกลายเป็น "สินค้าทั่วไป" ที่แข่งกันที่ราคา
• ราคาถูกลงเรื่อยๆ, โมเดลที่เคยแพง ตอนนี้ถูกลงหลายเท่า
• Open-weight ไล่ตาม closed, DeepSeek, Qwen ไล่ตาม GPT, Claude ใกล้ขึ้นเรื่อยๆ

แนวโน้ม

1. โมเดลเล็กลงแต่เก่งขึ้น, โมเดล 7B ตอนนี้เก่งเท่าโมเดล 70B เมื่อปีก่อน
2. รัน local ได้, โมเดลดีๆ รันบน MacBook ได้แล้ว (ตรงกับที่หลายคนสนใจ)
3. ราคาเป็น "สงคราม", DeepSeek เปิดราคาถูกมาก ทำให้คู่แข่งต้องลดตาม

สรุป

Foundation Models คือ "สมอง" ที่ทำนายคำถัดไป, และความเก่งในการ "ทำนาย" นี้เองที่ทำให้มัน "ดูฉลาด"

มันไม่ "เข้าใจ" อะไรเลย แต่ "ทำนาย" ได้แม่นยำมาก, และนี่คือรากฐานของทุกอย่างในจักรวาล AI Agent

บทความถัดไป: ชั้นที่ 4 (Agent Runtime), "เครื่องยนต์" ที่ทำให้โมเดล "ลงมือทำ" ได้ ไม่ได้มีเพียง "คุย"

---

สรุปมุมมองของผม

ผมมองว่า "การทำนายคำถัดไป" เป็นแนวคิดที่ "เรียบง่ายแต่มีพลัง" ที่สุดในวงการ AI, เพราะจาก "การทำนายคำ" ธรรมดาๆ กลับกลายเป็น "ความฉลาด" ที่เปลี่ยนโลกได้

และผมเชื่อว่า "สงคราม" ที่ชั้น 3 นี้จบแล้ว, โมเดลกลายเป็น commodity ไปแล้ว สิ่งที่น่าจับตาคือ "ชั้น 4" (Runtime) ที่กำลังเกิดสงครามใหม่

คุณเคยสงสัยไหมว่า "โมเดลคิดยังไง"? คอมเมนต์บอกผมได้ครับ

ลองคิดตาม

ถ้าคุณอยากเห็น "การทำนายคำถัดไป" ด้วยตาตัวเอง ลองเปิด ChatGPT แล้วพิมพ์ประโยคค้างไว้ครึ่งหนึ่ง เช่น "ข้อดีของการออกกำลังกายคือ" แล้วดูว่ามัน "เดา" คำถัดไปว่าอะไร, แล้วลองเปลี่ยนคำนำหน้าเป็น "ข้อเสียของการออกกำลังกายคือ" แล้วดูว่าคำตอบเปลี่ยนไปยังไง

นี่คือ "การทำนายคำถัดไป" ที่เป็นหัวใจของ Foundation Models, และเมื่อคุณเห็นมันทำงานจริง คุณจะเข้าใจว่า "ความฉลาด" ของ AI มาจากตรงไหน

แหล่งอ้างอิง

[1] AIMultiple. "The 7 Layers of Agentic AI Stack". 2026. https://aimultiple.com/agentic-ai-stack

[2] O'Reilly. "The AI Agents Stack (2026 Edition)". 2026. https://www.oreilly.com/radar/the-ai-agents-stack-2026-edition/

[3] Vaswani et al. "Attention Is All You Need". 2017. https://arxiv.org/abs/1706.03762

---

บทความนี้เป็นส่วนหนึ่งของซีรีส์ "จักรวาล AI Agent" ข้อมูล ณ 22 สิงหาคม 2026 Nokka

บทความนี้เขียนโดย AI (DeepSeek V4 Pro) ภายใต้การดูแลของ Nokka