Markov Chain, จากสมการร้อยปี สู่จุดกำเนิด Google และ AI ที่เปลี่ยนโลก
โดย Nokka (นก-กา) | 12 สิงหาคม 2026
บทความนี้เขียนโดย AI (deepseek-v4-pro) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์, Nokka (นก-กา)
ในปี 1913, นักคณิตศาสตร์ชาวรัสเซียคนหนึ่งนั่งนับสระและพยัญชนะในบทกวี, โดยไม่รู้ว่าสิ่งที่เขากำลังทำจะกลายเป็นรากฐานของ Google, AI, และทุกอย่างที่เราใช้ในปัจจุบัน
นี่คือเรื่องราวของ Markov Chain, จากสมการคณิตศาสตร์อายุ 113 ปี, สู่เทคโนโลยีที่เปลี่ยนโลก [1]
Markov Chain คืออะไร, อธิบายแบบง่ายที่สุด
Markov Chain คือแบบจำลองทางคณิตศาสตร์ที่ทำนาย "สิ่งที่จะเกิดต่อไป" โดยดูจาก "สิ่งที่เป็นอยู่ตอนนี้", โดยไม่สนใจอดีต
หลักการสำคัญ, "Memoryless Property":
"อนาคตขึ้นอยู่กับปัจจุบันเท่านั้น, ไม่ขึ้นอยู่กับอดีต"
ตัวอย่างง่ายๆ:
สภาพอากาศวันนี้: ฝนตก
↓ (Markov Chain ทำนาย)
สภาพอากาศพรุ่งนี้: มีโอกาส 60% ที่จะฝนตก, 30% ที่จะเมฆมาก, 10% ที่จะแดดออก
— ไม่ต้องรู้ว่าเมื่อวานเป็นยังไง, แค่รู้ว่าวันนี้ฝนตกก็พอ
องค์ประกอบของ Markov Chain:
| องค์ประกอบ | คำอธิบาย | ตัวอย่าง |
|---|---|---|
| States | สถานะที่เป็นไปได้ทั้งหมด | ฝนตก, เมฆมาก, แดดออก |
| Transition Probability | ความน่าจะเป็นที่จะเปลี่ยนจาก state หนึ่งไปอีก state หนึ่ง | ฝนตก → ฝนตก: 60% |
| Transition Matrix | ตารางความน่าจะเป็นทั้งหมด | ตาราง 3×3 สำหรับ 3 states |
| Current State | สถานะปัจจุบัน, สิ่งเดียวที่ต้องรู้ | วันนี้ฝนตก |
ทำไมถึงสำคัญ: Markov Chain เปลี่ยน "การทำนายอนาคต" จาก "เดาสุ่ม" → "คำนวณด้วยความน่าจะเป็น", และนี่คือรากฐานของ AI สมัยใหม่ [2]
จุดกำเนิด, Andrey Markov กับบทกวี Eugene Onegin
ปี 1913, การนับสระและพยัญชนะที่เปลี่ยนโลก
Andrey Andreyevich Markov (1856-1922), นักคณิตศาสตร์ชาวรัสเซีย, ต้องการพิสูจน์ว่า "ความน่าจะเป็น" ไม่ได้ใช้ได้แค่กับเหตุการณ์อิสระ (เช่น โยนเหรียญ), แต่ใช้ได้กับเหตุการณ์ที่ "เชื่อมโยงกัน" ด้วย
การทดลองของ Markov:
- Markov หยิบบทกวี Eugene Onegin ของ Alexander Pushkin, 20,000 ตัวอักษรแรก
- เขานับ สระ และ พยัญชนะ ทีละตัว
- เขาคำนวณความน่าจะเป็นที่ "สระจะตามหลังสระ" หรือ "พยัญชนะจะตามหลังสระ"
- เขาพบว่า: การปรากฏของตัวอักษรถัดไปขึ้นอยู่กับตัวอักษรปัจจุบัน, ไม่ใช่การสุ่มอิสระ
ผลลัพธ์:
| Pattern | ความน่าจะเป็น |
|---|---|
| สระ → สระ | 12.8% |
| สระ → พยัญชนะ | 87.2% |
| พยัญชนะ → สระ | 66.3% |
| พยัญชนะ → พยัญชนะ | 33.7% |
ข้อค้นพบ: ในภาษารัสเซีย, พยัญชนะมีแนวโน้มที่จะตามด้วยสระ (66.3%), มากกว่าที่จะตามด้วยพยัญชนะอีกตัว (33.7%), นี่คือ "กฎของภาษา" ที่ซ่อนอยู่ในบทกวี
วันที่ 23 มกราคม 1913, Markov นำเสนองานวิจัยนี้ต่อ Imperial Academy of Sciences ในเซนต์ปีเตอร์สเบิร์ก, นี่คือจุดกำเนิดของ Markov Chain [3]
Markov Chain ทำงานอย่างไร, ตัวอย่างแบบเห็นภาพ
ตัวอย่าง: การทำนายสภาพอากาศ
สมมติเรามี 3 states: ☀️ แดดออก, ☁️ เมฆมาก, 🌧️ ฝนตก
Transition Matrix:
| จาก \ ไป | ☀️ แดดออก | ☁️ เมฆมาก | 🌧️ ฝนตก |
|---|---|---|---|
| ☀️ แดดออก | 70% | 20% | 10% |
| ☁️ เมฆมาก | 30% | 40% | 30% |
| 🌧️ ฝนตก | 10% | 30% | 60% |
วิธีอ่าน:
- ถ้าวันนี้แดดออก → พรุ่งนี้มีโอกาส 70% ที่จะแดดออกอีก, 20% เมฆมาก, 10% ฝนตก
- ถ้าวันนี้ฝนตก → พรุ่งนี้มีโอกาส 60% ที่จะฝนตกอีก, 30% เมฆมาก, 10% แดดออก
การทำนายหลายก้าว:
วันนี้: ☀️ แดดออก
วันที่ 2: ☀️ 70%, ☁️ 20%, 🌧️ 10%
วันที่ 3: ☀️ 55%, ☁️ 26%, 🌧️ 19%
วันที่ 4: ☀️ 48%, ☁️ 28%, 🌧️ 24%
...
วันที่ 10: ☀️ 43%, ☁️ 29%, 🌧️ 28% ← Steady State
Steady State: หลังจากหลายก้าว, ความน่าจะเป็นจะ "นิ่ง", ไม่ว่าจะเริ่มจาก state ไหน, สุดท้ายจะ converge ไปที่ค่าเดียวกัน, นี่คือคุณสมบัติที่ทำให้ Markov Chain มีประโยชน์มหาศาล [2]
เทคโนโลยีที่ใช้ Markov Chain, จาก Google สู่ AI
1. Google PageRank, จุดกำเนิด Search Engine
ปี 1998, Larry Page และ Sergey Brin, นักศึกษาปริญญาเอก Stanford, สร้างอัลกอริทึมที่เปลี่ยนโลก
PageRank ใช้ Markov Chain อย่างไร:
Random Surfer Model:
1. ผู้ใช้เปิดเว็บไซต์ A
2. คลิกลิงก์สุ่มไปยังเว็บไซต์ B
3. คลิกลิงก์สุ่มไปยังเว็บไซต์ C
4. ทำต่อไปเรื่อยๆ...
Markov Chain:
- States = ทุกเว็บไซต์บนอินเทอร์เน็ต
- Transition Probability = โอกาสที่ผู้ใช้จะคลิกจากเว็บไซต์ A ไป B
- Steady State = PageRank, เว็บไซต์ที่ "ผู้ใช้สุ่ม" มีโอกาสไปถึงมากที่สุด = สำคัญที่สุด
ผลลัพธ์: Google ค้นหาดีกว่า search engine ทุกตัวในยุคนั้น, เพราะ PageRank ไม่ได้นับแค่ "คำที่ตรงกัน", แต่นับ "ความสำคัญ" ของเว็บไซต์, โดยใช้ Markov Chain [4]
ปัจจุบัน (2026): Google ยังใช้ Markov Chain ในอัลกอริทึมค้นหา, แม้จะพัฒนาไปไกลจาก PageRank ดั้งเดิม, แต่หลักการ "random walk" ยังคงเป็นรากฐาน [5]
2. Natural Language Processing (NLP), วิธีที่ AI เข้าใจภาษา
Predictive Text, คีย์บอร์ดทำนายคำ:
คุณพิมพ์: "I am"
↓ (Markov Chain)
คำถัดไปที่มีโอกาสสูงสุด: "going" (35%), "a" (25%), "not" (15%), "here" (10%), ...
Part-of-Speech Tagging:
ประโยค: "The cat sat on the mat"
↓ (Markov Chain + HMM)
The/DET cat/NOUN sat/VERB on/PREP the/DET mat/NOUN
Hidden Markov Model (HMM):
- State: ส่วนของคำ (Noun, Verb, Adjective, ...), "ซ่อนอยู่", เรามองไม่เห็น
- Observation: คำที่เราเห็น, "The", "cat", "sat"
- Markov Chain: ความน่าจะเป็นที่ Noun จะตามหลัง Determiner, Verb จะตามหลัง Noun
การใช้งานจริง:
- Google Translate, แปลภาษาโดยใช้ HMM (ยุคแรก) → Neural Machine Translation (ปัจจุบัน)
- Siri, Alexa, Google Assistant, รู้ว่าคุณพูดอะไร, โดยใช้ HMM จับคู่เสียงกับคำ
- Grammarly, ตรวจไวยากรณ์, โดยใช้ Markov models ทำนายว่าคำถัดไปควรเป็นอะไร [6]
3. Speech Recognition, วิธีที่ AI ฟังเสียงมนุษย์
Hidden Markov Model ใน Speech Recognition:
เสียงที่คุณพูด: "Hello"
↓ (แปลงเป็น phonemes)
/h/ /ə/ /l/ /oʊ/
↓ (HMM, แต่ละ phoneme คือ state)
จับคู่กับคำว่า "Hello", ความน่าจะเป็นสูงสุด
การทำงาน:
- แบ่งเสียงเป็นเฟรมเล็กๆ (10-25 มิลลิวินาที)
- แต่ละเฟรม → HMM ทำนายว่าเป็น phoneme อะไร
- ลำดับ phonemes → HMM ทำนายว่าเป็นคำอะไร
- ลำดับคำ → Language Model (Markov-based) ทำนายว่าเป็นประโยคอะไร
เทคโนโลยีที่ใช้:
- Siri (Apple), ใช้ HMM ในยุคแรก → Deep Learning ในปัจจุบัน
- Google Speech-to-Text, ใช้ HMM + Deep Neural Networks
- Alexa (Amazon), ใช้ HMM สำหรับ wake word detection [6]
4. DNA Sequencing, วิธีที่ Markov Chain ถอดรหัสชีวิต
Hidden Markov Model ใน Bioinformatics:
DNA Sequence: ATCGATCG...
↓ (HMM)
State 1: Coding region (ยีน)
State 2: Non-coding region (intron)
State 3: Regulatory region (promoter)
การใช้งานจริง:
| การใช้งาน | วิธีใช้ Markov Chain |
|---|---|
| Gene Prediction | HMM ทำนายว่าส่วนไหนของ DNA เป็นยีน |
| Protein Family Classification | Pfam Database, ใช้ HMM จำแนกโปรตีน >20,000 families |
| Sequence Alignment | HMM จับคู่ลำดับ DNA/Protein จากสิ่งมีชีวิตต่างชนิด |
| Drug Discovery | HMM ทำนายโครงสร้างโปรตีน, หาเป้าหมายสำหรับยา |
Pfam Database (2024): ฐานข้อมูลโปรตีนที่ใหญ่ที่สุดในโลก, ใช้ HMM ในการจำแนกโปรตีนมากกว่า 20,000 families, เป็นเครื่องมือสำคัญในการค้นพบยาและการวิจัยทางชีววิทยา [7]
5. Finance & Stock Market, การทำนายตลาดหุ้น
Markov Chain ใน Finance:
State วันนี้: ตลาดหุ้นขึ้น 2%
↓ (Markov Chain)
State พรุ่งนี้: โอกาสขึ้น 45%, ลง 35%, คงที่ 20%
การใช้งานจริง:
- Credit Scoring, Markov Chain ทำนายโอกาสที่ลูกค้าจะผิดนัดชำระหนี้
- Portfolio Optimization, Markov Chain จำลองสถานการณ์ตลาด, หา portfolio ที่ดีที่สุด
- Risk Management, Markov Chain คำนวณความเสี่ยงของพอร์ตการลงทุน
- Algorithmic Trading, Markov Chain ทำนายการเคลื่อนไหวของราคา
6. Transformers & LLMs, Markov Chain ใน AI สมัยใหม่
นี่คือจุดที่ Markov Chain เชื่อมกับ AI ที่เราใช้ทุกวัน
งานวิจัยปี 2024, "Large Language Models as Markov Chains":
นักวิจัยจาก多家มหาวิทยาลัยพบว่า Self-Attention Mechanism ใน Transformers มีความเทียบเท่าทางคณิตศาสตร์กับ Markov Chain [8]
ความเชื่อมโยง:
| Markov Chain | Transformer (GPT, Claude, Gemini) |
|---|---|
| Transition Matrix | Attention Weights |
| States | Tokens ใน context window |
| Current State → Next State | Current Token → Next Token Prediction |
| Steady State | Convergence ของ attention |
สิ่งที่งานวิจัยพบ:
- Transformers เรียนรู้ Transition Matrix โดยอัตโนมัติ, ผ่านการเทรน, โดยไม่ต้องมีคนกำหนด
- Multi-Head Attention = Multiple Markov Chains, แต่ละ head เรียนรู้ transition pattern ที่แตกต่างกัน
- Induction Head, กลไกที่ Transformer พัฒนาขึ้นเพื่อ "เดา pattern", เทียบเท่ากับการประมาณค่า Markov transition probability จาก context [9]
นี่หมายความว่า: ทุกครั้งที่คุณใช้ ChatGPT, Claude, หรือ Gemini, คุณกำลังใช้ Markov Chain, ในรูปแบบที่ซับซ้อนขึ้น, แต่หลักการพื้นฐานยังคงเหมือนเดิม: "ทำนายสิ่งต่อไปจากสิ่งที่เป็นอยู่ตอนนี้" [10]
สรุป, จาก Pushkin สู่ ChatGPT
| ปี | เหตุการณ์ |
|---|---|
| 1913 | Andrey Markov วิเคราะห์บทกวี Eugene Onegin, กำเนิด Markov Chain |
| 1960s-70s | Hidden Markov Model (HMM), ใช้ใน Speech Recognition |
| 1998 | Google PageRank, ใช้ Markov Chain จัดอันดับเว็บไซต์ |
| 2000s | HMM ใน Bioinformatics, ถอดรหัส DNA |
| 2017 | Transformer Architecture, "Attention is All You Need" |
| 2024 | งานวิจัยพิสูจน์ว่า Transformers = Markov Chains ในทางคณิตศาสตร์ |
| 2026 | ChatGPT, Claude, Gemini, ทุก LLM มี Markov Chain เป็นรากฐาน |
Markov Chain ในชีวิตประจำวัน
| สิ่งที่คุณใช้ | Markov Chain อยู่ตรงไหน |
|---|---|
| Google Search | PageRank, จัดอันดับเว็บไซต์ |
| คีย์บอร์ดทำนายคำ | ทำนายคำถัดไปจากคำปัจจุบัน |
| Google Translate | HMM จับคู่คำระหว่างภาษา |
| Siri / Alexa | HMM แปลงเสียงเป็นข้อความ |
| Netflix Recommendations | Markov Chain ทำนายสิ่งที่คุณจะดูต่อ |
| ChatGPT / Claude | Attention Mechanism = Markov Chain |
| Weather Forecast | Markov Chain ทำนายสภาพอากาศ |
| GPS Navigation | Markov Chain ทำนายเส้นทางที่ดีที่สุด |
ข้อควรระวัง, ข้อจำกัดของ Markov Chain
1. Memoryless Assumption
Markov Chain สมมติว่า "อนาคตขึ้นอยู่กับปัจจุบันเท่านั้น", แต่ในโลกจริง, อดีตก็สำคัญ
ตัวอย่าง: ถ้าคุณใช้ Markov Chain ทำนายสภาพอากาศ, "วันนี้ฝนตก → พรุ่งนี้ฝนตก 60%", แต่มันไม่รู้ว่า "ฝนตกมา 7 วันติดแล้ว", ซึ่งอาจเพิ่มโอกาสที่ฝนจะหยุด
วิธีแก้: Higher-Order Markov Chain, ดู N states ย้อนหลัง, แทนที่จะดูแค่ state ปัจจุบัน
2. Stationary Assumption
Markov Chain สมมติว่า Transition Probability คงที่, แต่ในโลกจริง, ความน่าจะเป็นเปลี่ยนตามเวลา
ตัวอย่าง: PageRank ของ Google, ความสำคัญของเว็บไซต์เปลี่ยนตามเวลา, ต้องอัปเดต Transition Matrix อยู่เสมอ
3. Curse of Dimensionality
เมื่อจำนวน states เพิ่มขึ้น, Transition Matrix จะใหญ่ขึ้นแบบ exponential, ทำให้คำนวณยาก
ตัวอย่าง: Language Model, ถ้ามีคำศัพท์ 50,000 คำ, Transition Matrix = 50,000 × 50,000 = 2.5 พันล้านช่อง, ใหญ่เกินกว่าจะคำนวณได้โดยตรง
วิธีแก้: Neural Networks, ใช้ Deep Learning แทน Transition Matrix, นี่คือสิ่งที่ Transformers ทำ
ใครควรรู้จัก Markov Chain
| กลุ่ม | ทำไมถึงควรรู้ |
|---|---|
| Data Scientist | Markov Chain เป็นพื้นฐานของ NLP, Time Series, Reinforcement Learning |
| Software Engineer | PageRank, Recommendation Systems, Predictive Text |
| AI/ML Engineer | Transformers = Markov Chains, เข้าใจรากฐานทำให้เข้าใจ LLM ดีขึ้น |
| Bioinformatician | HMM เป็นเครื่องมือหลักในการวิเคราะห์ DNA/Protein |
| Quantitative Analyst | Markov Chain ใช้ใน Risk Management, Portfolio Optimization |
| นักเรียน/นักศึกษา | Markov Chain เป็นหนึ่งในแนวคิดที่สวยที่สุดในคณิตศาสตร์, เรียบง่ายแต่ทรงพลัง |
สรุป
| คำถาม | คำตอบ |
|---|---|
| Markov Chain คืออะไร? | แบบจำลองที่ทำนายอนาคตจากปัจจุบัน, โดยไม่สนใจอดีต |
| ใครคิดค้น? | Andrey Markov, 1913, โดยการนับสระและพยัญชนะในบทกวี |
| ใช้ที่ไหนบ้าง? | Google PageRank, Speech Recognition, DNA Sequencing, NLP, Finance, LLMs |
| เกี่ยวข้องกับ AI ยังไง? | Transformers = Markov Chains ในทางคณิตศาสตร์, Attention = Transition Matrix |
| ทำไมถึงสำคัญ? | เป็นรากฐานของเทคโนโลยีที่เราใช้ทุกวัน, จาก Google สู่ ChatGPT |
Bottom line: Markov Chain คือหนึ่งในแนวคิดทางคณิตศาสตร์ที่ "เรียบง่ายที่สุด" แต่ "ทรงพลังที่สุด", จาก Pushkin สู่ PageRank, จาก PageRank สู่ ChatGPT, 113 ปีแห่งการเปลี่ยนโลก, และมันเพิ่งเริ่มต้น
แหล่งอ้างอิง
[1] American Scientist. "First Links in the Markov Chain". 2013. https://www.americanscientist.org/article/first-links-in-the-markov-chain
[2] Setosa. "Markov Chains explained visually". https://setosa.io/ev/markov-chains/
[3] Harvard Gazette. "An idea that changed the world". 2013. https://news.harvard.edu/gazette/story/2013/01/an-idea-that-changed-the-world/
[4] LatentView. "How Markov Chains Work: Real-World Applications and Use Cases". https://www.latentview.com/blog/markov-chains-applications-use-cases/
[5] TopNews23. "How Google Uses Markov Chains in 2025, AI Simulations for Smarter SEO". 2025. https://topnews23.net/how-google-uses-markov-chains-in-2025-ai-simulations-for-smarter-seo/
[6] Pelin Okutan. "The Real-Life Applications of Markov Chains". Medium. https://medium.com/@pelinokutan/the-real-life-applications-of-markov-chains-aca1d3eba9c0
[7] ThePermaTech. "Hidden Markov Model in Machine Learning". 2024. https://thepermatech.com/hidden-markov-model-in-machine-learning/
[8] arXiv. "Large Language Models as Markov Chains". 2024. https://arxiv.org/html/2410.02724v1
[9] arXiv. "Attention with Markov: A Framework for Principled Analysis of Transformers via Markov Chains". 2024. https://arxiv.org/abs/2402.04161
[10] ObjectiveMind.AI. "From Markov Chains to ChatGPT: The Math That Powers Modern AI". https://www.objectivemind.ai/from-markov-chains-to-chatgpt-the-math-that-powers-modern-ai
บทความนี้เขียนจากข้อมูลอ้างอิงทางวิชาการและแหล่งข้อมูลที่เชื่อถือได้, ข้อมูล ณ 12 สิงหาคม 2026, Nokka
คุณเคยรู้ไหมว่า Google และ ChatGPT มีรากฐานมาจากการนับสระและพยัญชนะในบทกวีเมื่อ 113 ปีที่แล้ว? แชร์ความคิดเห็นใต้บทความได้เลยครับ
Top comments (0)