Nokka 解説從 y = wx + b 到 ChatGPT 的 AI 原理，補充短片略過的關鍵環節

โดย Nokka (นก-กา) | เขียนจากคลิปวิดีโอสั้นของ Graduateml | ตรวจสอบข้อมูล ณ 23 ต.ค. 2026

บทความนี้เขียนโดย AI (deepseek-v4.1-flash · ผู้ให้บริการโมเดล: ollama-cloud) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์ - Nokka (นก-กา)

คลิปหนึ่งความยาว 38 วินาทีที่ผมดาวน์โหลดมาถอดเสียงและฟังเอง พูดประโยคซ้ำ ๆ ด้วยโครง "ถ้าคุณทำสิ่งนี้ คุณจะได้สิ่งนี้" [4]

เริ่มจากคูณเลขกับน้ำหนักตัวหนึ่ง ไล่ไปจนถึง ChatGPT แล้ววกกลับมาที่จุดเดิม

คำบรรยายใต้คลิปเขียนว่า "Absolutely crazy what a lot of linear algebra can accomplish" และ ณ วันที่ผมตรวจ คลิปมียอดดู 1.2 ล้านครั้ง [4]

ผมจะเขียนบทนี้เป็นสองชั้น ชั้นแรกคือลำดับที่คลิปเล่าไว้ ชั้นที่สองคือสิ่งที่คลิปข้ามไป ซึ่งเป็นส่วนที่ผมคิดว่าสำคัญกว่าสำหรับคนที่อยากเข้าใจจริง

ขั้นที่ 1 คูณเลขกับน้ำหนัก ยังไม่ใช่ AI

ประโยคแรกของคลิปบอกตรง ๆ ว่าเอาเลขไปคูณกับน้ำหนัก (weight) แล้วมันยังไม่พิเศษอะไร

ในทางคณิตศาสตร์ นี่คือการคูณจำนวนหนึ่งด้วยค่าคงที่ ได้ผลลัพธ์เป็นตัวเลขตัวเดียว

มันยังไม่มีอะไรที่เรียกว่าการเรียนรู้ เพราะยังไม่มีอะไรปรับค่าน้ำหนักนั้น

จุดที่ผมอยากให้สังเกตคือคำว่า weight ไม่ใช่คำศัพท์ลึกลับ มันคือตัวเลขตัวหนึ่งที่เราจะปรับได้ภายหลัง

ขั้นที่ 2 บวกกันหลาย ๆ ตัว คือผลรวมถ่วงน้ำหนัก

พอเอาหลายเทอมมาบวกกัน คุณจะได้ผลรวมถ่วงน้ำหนัก (weighted sum)

ถ้าคุณมีข้อมูลสามค่าและน้ำหนักสามตัว การคำนวณคือผลคูณของแต่ละคู่บวกกัน

ในทางปฏิบัติ นี่คือ dot product หรือการคูณเมทริกซ์รูปแบบที่เล็กที่สุด

และนี่คือเหตุผลที่คนพูดว่า AI สมัยใหม่คือพีชคณิตเชิงเส้น เพราะขั้นที่เล็กที่สุดของมันคือการคูณแล้วบวก

ขั้นที่ 3 เติม bias แล้วบีบผ่านเส้นโค้ง ได้หนึ่งนิวรอน

คลิปพูดว่า "add a bias and squish it through a curve" ซึ่งหมายถึงการบวกค่าคงที่เข้าไป แล้วผ่านฟังก์ชันเปิดใช้งาน เช่น ReLU หรือ sigmoid [6]

ถ้าไม่มีขั้น "บีบผ่านเส้นโค้ง" นี้ ต่อให้ซ้อนกี่ชั้น ผลลัพธ์ก็ยังเป็นฟังก์ชันเส้นตรง และการซ้อนเส้นตรงหลายชั้นก็ยังเท่ากับเส้นตรงชั้นเดียว [6]

นี่คือจุดที่หลายคนข้าม และเป็นจุดที่ทำให้โครงข่ายประสาทเทียมต่างจากการถดถอยเชิงเส้นธรรมดา

ตัวอย่างสมมติที่ผมเขียนขึ้นเพื่อให้เห็นภาพ

z = (w1 * x1) + (w2 * x2) + b
a = relu(z)        ถ้า z น้อยกว่า 0 ให้เป็น 0

สองบรรทัดนี้คือหน่วยที่เล็กที่สุดของทุกอย่างที่ตามมาในบทนี้

ขั้นที่ 4 เรียงร้อยนิวรอนเป็นชั้น และซ้อนชั้นเป็นโครงข่าย

คลิปบอกว่าถ้าวางนิวรอนร้อยตัวเรียงกันจะได้หนึ่งชั้น และถ้าซ้อนชั้นจะได้โครงข่ายประสาทเทียม

สิ่งที่เพิ่มเข้ามาเมื่อซ้อนชั้นคือความสามารถในการแทนความสัมพันธ์ที่ซับซ้อนขึ้น

ชั้นต้น ๆ มักจับรูปแบบง่าย ๆ ส่วนชั้นลึกจับรูปแบบที่ประกอบขึ้นจากชั้นก่อนหน้า

ในมุมมองของผม ประโยคนี้ฟังดูเรียบง่าย แต่เป็นจุดที่คนเข้าใจผิดบ่อยที่สุด เพราะคิดว่าชั้นที่มากกว่าจะฉลาดกว่าโดยอัตโนมัติ

ความจริงคือชั้นที่เพิ่มต้องมาพร้อมข้อมูลและวิธีฝึกที่เพียงพอ ไม่งั้นคุณจะได้แค่โมเดลที่จำข้อมูลฝึกได้ดีแต่ใช้กับของใหม่ไม่ได้

ขั้นที่ 5 ให้ทุกคำให้คะแนนว่าคำไหนเกี่ยวข้องกับคำไหน คือ attention

ตรงนี้คือจุดที่คลิปกระโดดข้ามรายละเอียดมากที่สุด แต่เป็นขั้นที่เปลี่ยนเกมที่สุด

กลไก attention ให้แต่ละคำสร้างคะแนนความเกี่ยวข้องกับคำอื่นในประโยค แล้วใช้คะแนนนั้นถ่วงน้ำหนักข้อมูลที่ดึงมา

งานวิจัยที่วางโครงนี้คือ "Attention Is All You Need" ปี 2017 ซึ่งเสนอสถาปัตยกรรม transformer [1]

หัวใจของมันคือการถามสามคำถามกับทุกคำ คือ query, key และ value

• query คือสิ่งที่คำนี้กำลังมองหา
• key คือสิ่งที่คำนี้ประกาศว่าตัวเองมี
• value คือข้อมูลที่จะส่งต่อเมื่อถูกเลือก

คะแนนความเกี่ยวข้องคำนวณจาก query กับ key ของทุกคู่ แล้วแปลงเป็นน้ำหนักด้วย softmax [1]

ผลที่ได้คือแต่ละคำสามารถ "อ่าน" คำอื่นได้พร้อมกันทั้งหมด ต่างจากโมเดลที่ประมวลผลตามลำดับก่อนหน้า [1]

ขั้นที่ 6 รวม attention กับโครงข่าย ได้หนึ่ง transformer block

คลิปบอกว่าถ้ารวม attention เข้ากับโครงข่าย จะได้ transformer block

ในทางปฏิบัติ บล็อกหนึ่งประกอบด้วย attention ตามด้วย feed-forward network และมีการเชื่อมข้ามชั้น (residual connection) กับ normalization [1][5]

รายละเอียดพวกนี้ทำให้การฝึกโมเดลลึก ๆ ทำได้จริง แต่ไม่จำเป็นต้องเข้าใจทั้งหมดเพื่อเห็นภาพรวม

สิ่งที่ผมอยากให้จำคือ บล็อกเดียวไม่ได้ฉลาด มันแค่ประมวลผลข้อมูลหนึ่งรอบ

ขั้นที่ 7 ซ้อนหลายสิบชั้นแล้วฝึกให้ทายคำถัดไป

คลิปบอกว่าถ้าซ้อนบล็อกหลายสิบชั้นแล้วฝึกให้ทายคำถัดไปจากข้อความบนอินเทอร์เน็ต คุณจะได้ ChatGPT

ขอแยกเป็นสองส่วน เพราะสองส่วนนี้ต่างกัน

ส่วนแรกคือการฝึกให้ทายคำถัดไป งานวิจัย GPT-3 อธิบายว่าโมเดลภาษาขนาดใหญ่นี้ฝึกด้วยงานเดียวคือทำนายโทเคนถัดไป จากนั้นจึงใช้ความสามารถที่ได้กับงานอื่นโดยไม่ต้องฝึกใหม่ [3]

ส่วนที่สองคือการกลายเป็น ChatGPT ซึ่งไม่ได้จบที่การทายคำถัดไป

งาน InstructGPT อธิบายขั้นตอนเพิ่มเติมสามขั้น คือการทำ fine-tuning ด้วยตัวอย่างคำสั่ง การฝึกโมเดลจัดอันดับคำตอบจาก feedback ของมนุษย์ และการปรับโมเดลด้วย reinforcement learning จากรางวัลที่ได้ [2]

ถ้าไม่มีขั้นนี้ คุณจะได้โมเดลที่เก่งเรื่องต่อข้อความ แต่ไม่ได้ตั้งใจทำตามที่คุณสั่ง

ขั้นที่ 8 ย้อนกลับมาที่เลขตัวเดียว คูณกับน้ำหนัก

ประโยคสุดท้ายของคลิปคือถ้าย้อนกลับทั้งหมด คุณจะเจอเลขหนึ่งตัวคูณกับน้ำหนักหนึ่งตัว

ผมคิดว่า นี่คือประโยคที่ทำให้คลิปนี้ถูกพูดถึงเยอะ เพราะมันให้ความรู้สึกว่าของใหญ่โตสร้างจากของง่าย ๆ

ผมอยากเติมอีกครึ่งที่คลิปไม่ได้พูด คือการดำเนินการง่าย ๆ เหล่านั้นถูกทำซ้ำหลายล้านล้านครั้งพร้อมกัน ไม่ได้ทำครั้งเดียว

จำนวนพารามิเตอร์ของ GPT-3 อยู่ที่ 175,000 ล้านตัว [3] ซึ่งเป็นตัวเลขที่ผมยืนยันได้จากเปเปอร์ ไม่ใช่การประมาณ

การคูณหนึ่งครั้งไม่ใช่ AI แต่การคูณจำนวนมากที่ปรับค่าได้และเรียงซ้อนกันจนเกิดพฤติกรรมใหม่ คือสิ่งที่เราเรียกแบบนั้น

สิ่งที่คลิปนี้ไม่ได้บอก แต่คนอ่านควรรู้

ผมชอบคลิปนี้เพราะมันอธิบายเส้นทางได้คมในเวลาไม่ถึงหนึ่งนาที แต่มีสี่จุดที่ต้องเติมเอง

จุดแรก การฝึกคือส่วนที่ยากที่สุด คลิปพูดถึงการสร้างโครงสร้าง แต่การหาค่าน้ำหนักที่ทำให้โมเดลทำงานได้คือปัญหาการปรับให้เหมาะสมที่กินพลังคำนวณมหาศาล

จุดที่สอง ข้อมูลไม่ได้เป็นกลาง ข้อความบนอินเทอร์เน็ตมีอคติและข้อมูลผิดปนอยู่ และโมเดลจะเรียนสิ่งนั้นไปด้วย

จุดที่สาม คำว่า ChatGPT ในคลิปหมายถึงผลิตภัณฑ์ทั้งหมด ไม่ใช่แค่ตัวโมเดล เพราะยังมีส่วนที่อยู่รอบโมเดลอีกหลายชั้น ซึ่งผมไม่ได้ตรวจรายละเอียดในบทนี้

จุดที่สี่ การที่โมเดลทายคำถัดไปได้ ไม่ได้แปลว่าเข้าใจความหมายในแบบที่คนเข้าใจ

ทั้งสี่ข้อนี้ไม่ได้ทำให้คลิปผิด แต่ทำให้เราไม่หลงคิดว่าเข้าใจ AI ทั้งหมดเพราะเข้าใจโครงสร้างของมัน

ถ้าคุณอยากเริ่มเรียนจริง

เส้นทางที่ผมแนะนำคือเริ่มจาก dot product แล้วเขียนนิวรอนหนึ่งตัวด้วยโค้ดสั้น ๆ จากนั้นค่อยเพิ่มชั้น

หลังจากนั้นอ่านเปเปอร์ attention ทีละย่อหน้า ไม่ต้องรีบ เข้าใจแค่กลไก query กับ key ให้ได้ก่อน

จากนั้นลองฝึกโมเดลเล็ก ๆ บนข้อความของคุณเอง แล้วดูว่ามันทายคำถัดไปได้แค่ไหน

ถ้าคุณอยากให้ผมเขียนบทต่อไปว่า transformer ทำงานทีละขั้นอย่างไร พร้อมตัวอย่างตัวเลขจริงที่คำนวณได้ด้วยมือ บอกได้เลยครับ

ผมสนใจเป็นพิเศษว่าคนอ่านอยากได้ระดับไหน เพราะคำอธิบายที่มีทั้งสมการและโค้ดมักยาวเกินกว่าจะอ่านจบในมือถือ

[1] arXiv, "Attention Is All You Need" (arXiv:1706.03762), Vaswani et al., 2017, สืบค้น 23 ต.ค. 2026. https://arxiv.org/abs/1706.03762

[2] arXiv, "Training language models to follow instructions with human feedback" (arXiv:2203.02155), Ouyang et al., 2022, สืบค้น 23 ต.ค. 2026. https://arxiv.org/abs/2203.02155

[3] arXiv, "Language Models are Few-Shot Learners" (arXiv:2005.14165), Brown et al., 2020, สืบค้น 23 ต.ค. 2026 (GPT-3 และจำนวนพารามิเตอร์ 175,000 ล้าน). https://arxiv.org/abs/2005.14165

[4] Facebook Reel โดย Graduateml, "This is the method to go from basic addition to ChatGPT in under 40 seconds", ยอดดู 1.2 ล้านครั้ง ณ 23 ต.ค. 2026, ถอดเสียงด้วย ElevenLabs STT. https://www.facebook.com/reel/945223881995015/

[5] arXiv, "Deep Residual Learning for Image Recognition" (arXiv:1512.03385), He et al., 2015, สืบค้น 23 ต.ค. 2026 (ที่มาของ residual connection ที่ transformer นำไปใช้). https://arxiv.org/abs/1512.03385

[6] Google Machine Learning Crash Course, "Neural networks: activation functions", สืบค้น 23 ต.ค. 2026 (คำอธิบายฟังก์ชันเปิดใช้งานและเหตุผลที่ขาดไม่ได้). https://developers.google.com/machine-learning/crash-course/neural-networks/activation-functions