AI เป็นเรื่องใกล้ตัว

ภาพจำของ AI ในวันนี้

ลองนึกถึงช่วงเวลาที่คุณเปิด ChatGPT หรือ Gemini แล้วพิมพ์คำถามลงไปสั้นๆ เช่น

ช่วยเขียนข้อความแจ้งลูกค้าว่าสินค้าจะส่งช้ากว่ากำหนดสองวัน

ไม่กี่วินาทีต่อมา หน้าจอก็แสดงข้อความที่เรียบร้อย สุภาพ และเหมือนมีใครสักคนช่วยร่างให้ เราอาจพิมพ์ต่อว่า “ขอให้เป็นกันเองกว่านี้” หรือ “ย่อให้เหลือสามบรรทัด” แล้วได้คำตอบใหม่ทันที

ประสบการณ์แบบนี้ทำให้ภาพจำของ AI ในวันนี้ชัดมาก มันคือช่องแชตที่ถามอะไรก็ได้ มีช่องให้พิมพ์ มีปุ่มส่ง และมีคำตอบไหลกลับมาเหมือนกำลังคุยกับผู้ช่วยที่ตอบเร็วเป็นพิเศษ

ภาพจำนี้ไม่ผิด แต่ยังไม่ครบ

หน้าต่างแชตเป็นเพียงประตูทางเข้า ไม่ใช่ตัว AI ทั้งหมด เช่นเดียวกับแอปธนาคารที่เราเห็นบนโทรศัพท์ไม่ใช่ทั้งธนาคาร ด้านหลังยังมีระบบบัญชี การตรวจสอบตัวตน ฐานข้อมูล และกระบวนการอีกมากมายทำงานอยู่ เพียงแต่ผู้ใช้ไม่จำเป็นต้องเห็นทุกชิ้นส่วนในระหว่างโอนเงิน

AI ก็เป็นแบบนั้น สิ่งที่เราเห็นคือส่วนติดต่อ ส่วนที่รับข้อความและแสดงคำตอบ แต่เบื้องหลังมีโมเดล ข้อมูล การตั้งค่า และกระบวนการประมวลผลที่ร่วมกันสร้างคำตอบขึ้นมา

คำถามสำคัญจึงไม่ใช่แค่ “จะพิมพ์อะไรให้ได้คำตอบดี” แต่คือ “คำตอบนั้นเกิดขึ้นได้อย่างไร และเราจะควบคุมการใช้งานให้เหมาะกับงานของเราได้แค่ไหน”

ช่องแชตคือส่วนติดต่อ ไม่ใช่ระบบทั้งหมด

เวลานัทใช้บริการ AI ออนไลน์เพื่อช่วยงานการตลาด…

ก่อนจะตอบ ข้อความถูกแปลงเป็นอะไร

ลองนึกภาพเวลานัทส่งข้อความว่า “ช่วยสรุปไฟล์บรีฟโปรเจกต์บ้านสวนให้เหลือ 5 ข้อ” ให้บริการ AI ข้อความนี้ไม่ได้เดินเข้าไปในระบบในฐานะประโยคที่มีความหมายสมบูรณ์แบบเดียวกับที่คนอ่านเห็น โมเดลภาษาจะรับข้อความผ่านขั้นตอนแรกก่อน นั่นคือการแบ่งข้อความออกเป็นชิ้นเล็กๆ ที่เรียกว่า โทเคน

โทเคนไม่ใช่คำเสมอไป บางครั้งเป็นคำทั้งคำ บางครั้งเป็นเพียงส่วนหนึ่งของคำ ตัวอักษร เครื่องหมายวรรคตอน หรือช่องว่างบางรูปแบบ โมเดลไม่ได้เปิดพจนานุกรมแล้วมองว่า “สรุป” เป็นคำหนึ่งคำ จากนั้นจึงทำงานต่อแบบที่คนทำ แต่รับลำดับโทเคนที่ถูกแปลงเป็นตัวเลข แล้วใช้รูปแบบที่เรียนรู้มาเพื่อสร้างผลลัพธ์

กระบวนการแบ่งข้อความออกเป็นโทเคนเรียกว่า โทเคนไนเซชัน ภาพรวมจึงเป็นแบบนี้

ข้อความที่เราพิมพ์
↓
โทเคนไนเซชัน
↓
โทเคน
↓
ตัวเลขที่โมเดลใช้ประมวลผล
↓
คำตอบที่สร้างกลับมา

รายละเอียดภายในแตกต่างกันไปตามโมเดล แต่หลักคิดนี้เหมือนกันพอจะใช้ทำความเข้าใจการใช้งานได้

คำหนึ่งคำอาจไม่เท่ากับหนึ่งโทเคน

ในภาษาอังกฤษ เรามักเห็นความสัมพันธ์ระหว่างคำกับโทเคนได้ง่ายกว่า เช่น ประโยค

The garden project starts today.

โมเดลอาจแบ่งเป็นคำหรือชิ้นส่วนใกล้เคียงกับนี้

The → garden → project → starts → today → .

แต่เราไม่ควรถือว่านี่คือผลลัพธ์ตายตัวของทุกระบบ…

พรอมป์ต์ที่ดีเริ่มจากงาน ไม่ใช่คำวิเศษ

เวลาเราเห็นพรอมป์ต์ในอินเทอร์เน็ต มักเจอคำสั่งยาวเป็นพรืด บางอันบอกให้ AI “ทำตัวเป็นผู้เชี่ยวชาญระดับโลก” “ใช้ความคิดสร้างสรรค์สูงสุด” หรือ “ตอบให้ดีที่สุดเท่าที่จะทำได้” อ่านแล้วรู้สึกเหมือนพบคาถาลับ แต่พอลองใช้จริง คำตอบกลับไม่ได้ดีขึ้นอย่างที่หวัง บางครั้งยังยาวขึ้นจนต้องนั่งแก้เองอีก

เหตุผลคือคำสั่งเหล่านั้นอาจบอกลักษณะของผู้ช่วย แต่ไม่ได้บอกว่างานที่ต้องส่งมอบคืออะไร

พรอมป์ต์ที่ดีจึงไม่ได้เริ่มจากการหาคำวิเศษ เริ่มจากการตอบคำถามธรรมดาก่อนว่า “เราต้องการเอาผลลัพธ์นี้ไปทำอะไร”

เริ่มจากงาน ไม่ใช่ประโยคสวย

ลองนึกถึงการขอให้เพื่อนช่วยเขียนข้อความขายสินค้า ถ้าเราพูดว่า “ช่วยเขียนโพสต์ให้หน่อย” เพื่อนอาจถามต่อทันทีว่าโพสต์ขายอะไร เขียนให้ใคร ลงที่ไหน และอยากให้คนอ่านทำอะไรต่อ

AI ไม่ได้ถามต่อเสมอไป มันอาจเลือกสมมติเอง เช่น สมมติว่าเป็นโพสต์สำหรับคนทั่วไป ใช้น้ำเสียงสนุก มีคำชวนซื้อ และใส่รายละเอียดที่ไม่เคยมีในข้อมูล ผลลัพธ์จึงอาจอ่านลื่น แต่ไม่ตรงงาน

คำขอกว้างอย่าง

ช่วยเขียนโพสต์ขายสินค้าให้หน่อย

ยังไม่ได้ผิด แต่เปิดช่องให้โมเดลต้องเดาหลายเรื่องเกินไป:

• สินค้าคืออะไร
• ผู้รับสารเป็นใคร
• ต้องการให้คนอ่านรู้ สนใจ หรือซื้อ
• จะเผยแพร่ที่ไหน
• น้ำเสียงควรเป็นทางการหรือเป็นกันเอง
• มีข้อมูลอะไรที่ห้ามแต่งเพิ่ม -…

คำถามแรกไม่ใช่เครื่องแรงแค่ไหน แต่ข้อมูลคืออะไร

เวลาเลือกว่าจะใช้ AI ผ่านเว็บหรือรันบนคอมพิวเตอร์ของเราเอง หลายคนเริ่มจากคำถามว่า “เครื่องแรงพอไหม” หรือ “โมเดลไหนเก่งที่สุด” แต่สำหรับงานจริง คำถามแรกควรเป็นอีกอย่าง

“ข้อมูลที่เรากำลังจะส่งเข้าไป เป็นข้อมูลประเภทไหน”

ลองดูงานของนัท พนักงานการตลาดที่ต้องอ่านไฟล์บรีฟ สรุปข้อมูล และเขียนร่างข้อความขายสินค้า งานเดียวกันอาจใช้ AI ได้หลายทาง แต่ข้อมูลในแต่ละชิ้นไม่เหมือนกันเลย โพสต์ประชาสัมพันธ์ที่เผยแพร่ไปแล้วไม่เหมือนตารางราคาที่ยังไม่ประกาศ และทั้งสองอย่างก็ไม่เหมือนบันทึกประชุมภายในที่มีชื่อคนและแผนงานของบริษัท

ถ้าเราเริ่มจากชื่อโมเดลหรือความเร็วเพียงอย่างเดียว เราอาจเลือกเครื่องมือที่ตอบไวมาก แต่ไม่เหมาะกับข้อมูลที่ต้องดูแล หรือเลือกวิธีที่เป็นส่วนตัวสูงจนยุ่งยากเกินกว่างานเล็กๆ ที่ไม่ได้มีความลับอะไร การตัดสินใจที่ดีจึงต้องเริ่มจากการจำแนกข้อมูลก่อน แล้วค่อยเลือกเส้นทาง

ข้อมูลไม่ได้มีระดับเดียว

เราไม่จำเป็นต้องสร้างระบบรักษาความปลอดภัยระดับธนาคารให้กับทุกข้อความ แต่ก็ไม่ควรโยนทุกอย่างลงบริการออนไลน์โดยคิดว่า “คงไม่เป็นไรหรอก” วิธีที่ใช้งานได้จริงคือแบ่งข้อมูลตามความเสียหายที่อาจเกิดขึ้น หากข้อมูลหลุด ถูกนำไปใช้ผิดบริบท หรือเราไม่สามารถควบคุมได้อีกต่อไป

สำหรับงานของนัท เราอาจเริ่มจากสี่ระดับง่ายๆ ดังนี้

####…

พารามิเตอร์ไม่ใช่แรงม้า แต่เป็นขนาดของความจุ

เวลาเปิดหน้าดาวน์โหลดโมเดล คุณอาจเห็นชื่อประมาณ “7B”, “13B” หรือ “70B” แล้วรู้สึกเหมือนกำลังดูสเปกเครื่องยนต์ ใครมีเลขมากกว่าน่าจะใหญ่กว่า แรงกว่า และเก่งกว่า จึงค่อยหันไปมองคอมพิวเตอร์ของตัวเองอย่างกังวล

แต่ตัวเลขนี้ไม่ได้บอกว่าโมเดลมีแรงม้ากี่ตัว และไม่ได้รับประกันว่ามันจะทำงานของคุณได้ดีกว่าเสมอไป ตัวเลขที่เห็นมักหมายถึงจำนวน พารามิเตอร์ (Parameter) หรือค่าภายในโมเดลที่ถูกปรับจากการฝึกและใช้กำหนดพฤติกรรมการคาดเดา

ลองนึกถึงห้องสมุดสองแห่ง แห่งแรกมีหนังสือหลายล้านเล่ม ชั้นสูงจรดเพดาน ส่วนอีกแห่งมีหนังสือน้อยกว่า แต่จัดหมวดหมู่ดี มีหนังสือที่ตรงกับงาน และบรรณารักษ์ค้นเล่มที่ต้องการได้เร็ว ถ้าคุณต้องหาข้อมูลเพื่อเขียนสรุปโครงการบ้านสวน ห้องสมุดที่ใหญ่กว่าย่อมมีโอกาสมีข้อมูลหลากหลายกว่า แต่ไม่ได้แปลว่าคุณจะได้คำตอบที่ดีเร็วกว่าเสมอไป

โมเดลก็คล้ายกัน ขนาดใหญ่เปิดโอกาสให้เก็บรูปแบบและความสัมพันธ์ของภาษาได้มากขึ้น แต่คุณภาพจริงยังขึ้นอยู่กับข้อมูลที่ใช้ฝึก วิธีฝึก งานที่นำไปใช้ และทรัพยากรของเครื่องด้วย

พารามิเตอร์คืออะไรในภาษาคนธรรมดา

สมมติว่าเราอยากสอนเด็กให้เดาคำถัดไปในประโยค

วันนี้ฝนตก เราจึงหยิบ...

คำตอบที่เป็นไปได้อาจมี “ร่ม” “เสื้อกันฝน” หรือ “ผ้าเช็ดตัว” เด็กจะเดาได้ดีขึ้นเมื่อเห็นตัวอย่างจำนวนมาก…

เริ่มจากสำรวจเครื่องของเรา

ก่อนเลือกโมเดล เราต้องรู้ก่อนว่าเครื่องของเรามีพื้นที่ให้โมเดลทำงานแค่ไหน หลายคนเปิดหน้าสเปกแล้วไปสะดุดที่ชื่อซีพียูหรือการ์ดจอ จากนั้นก็เดาว่า “น่าจะไหว” แต่การรันโมเดลไม่ได้ดูแค่ความแรงของเครื่องแบบเดียวกับการเล่นเกม

ลองนึกภาพเราจะพาคนย้ายบ้าน รถที่ใช้ไม่ได้วัดจากแรงม้าอย่างเดียว ต้องดูว่าบรรทุกได้กี่กิโลเมตร มีพื้นที่เท่าไร และเส้นทางเป็นแบบไหน โมเดลก็คล้ายกัน เราต้องดูหน่วยความจำ พื้นที่เก็บไฟล์ ระบบปฏิบัติการ และความสามารถของเครื่องมือเรียกใช้โมเดลร่วมกัน

เช็กลิสต์ของเราจะมีตัวเลขหลักๆ ดังนี้

• RAM ทั้งหมด และ RAM ที่เหลือจริง
• VRAM ทั้งหมด ถ้ามีการ์ดจอแยก
• พื้นที่เก็บข้อมูลที่เหลือ
• ซีพียูและจำนวนคอร์
• การ์ดจอและหน่วยความจำของการ์ดจอ
• ระบบปฏิบัติการและเวอร์ชัน
• อุณหภูมิหรือการใช้ทรัพยากรระหว่างทดสอบ
• ข้อจำกัดด้านไฟฟ้า เสียง และการพกพา

ไม่ใช่ทุกตัวเลขมีน้ำหนักเท่ากัน งานของเราคือแยกให้ออกว่าอะไรเป็นตัวตัดสินจริง อะไรเป็นข้อมูลประกอบ และอะไรเป็นตัวเลขที่ดูน่าตื่นเต้นแต่ไม่ได้ช่วยตัดสินใจมากนัก

RAM คือพื้นที่ทำงานหลัก

เริ่มจาก RAM ก่อน เพราะคอมพิวเตอร์ทุกเครื่องมี และโมเดลจำนวนมากต้องพึ่งมัน แม้เครื่องจะไม่มีการ์ดจอแยกก็ตาม

RAM เปรียบเหมือนโต๊ะทำงาน หากโต๊ะเล็กเกินไป เราอาจวางแฟ้มได้ทีละน้อย ต้องหยิบเข้าออกบ่อย หรือทำงานช้าลง…

เตรียมเครื่องก่อนติดตั้ง

การเอาโมเดลมาไว้ในเครื่องเริ่มก่อนปุ่มดาวน์โหลดเสียอีก เริ่มจากตอบคำถามง่ายๆ ว่าเครื่องของเราพร้อมแค่ไหน และเรากำลังจะติดตั้งอะไรลงไป

นัทมีคอมพิวเตอร์สองเครื่อง เครื่องแรกเป็นโน้ตบุ๊กไม่มีการ์ดจอแยก อีกเครื่องเป็นเดสก์ท็อปที่มีการ์ดจอระดับกลาง เขาไม่ควรใช้เช็กลิสต์เดียวกันแบบไม่ดูรายละเอียด เพราะเครื่องมือ โมเดล และวิธีติดตั้งอาจเหมาะกับแต่ละเครื่องไม่เท่ากัน

เช็กลิสต์ต่อไปนี้ไม่ได้มีไว้ทำให้การติดตั้งดูน่ากลัว แต่ช่วยกันปัญหาคลาสสิก เช่น ดาวน์โหลดไฟล์เสร็จแล้วพื้นที่เต็ม เปิดโปรแกรมไม่ได้เพราะสิทธิ์ไม่พอ หรือเข้าใจว่ากำลังสนทนาแบบออฟไลน์ ทั้งที่โปรแกรมยังส่งข้อมูลออกไปข้างนอก

รู้ก่อนว่าเราจะติดตั้งบนอะไร

เริ่มจากตรวจระบบปฏิบัติการก่อน ระบบปฏิบัติการคือซอฟต์แวร์หลักที่ควบคุมการทำงานของคอมพิวเตอร์ เช่น Windows, macOS หรือ Linux เครื่องมือเรียกใช้โมเดลแต่ละตัวอาจรองรับไม่เท่ากัน บางโปรแกรมมีตัวติดตั้งสำหรับ Windows และ macOS แต่ไม่มีรุ่นสำหรับ Linux บางโปรแกรมทำงานได้หลายระบบ แต่ต้องใช้คำสั่งติดตั้งเอง

ใน Windows ให้ตรวจรุ่นของระบบโดยเปิด Settings แล้วไปที่ System > About จากนั้นจดข้อมูลอย่างน้อยสามอย่าง

• รุ่นของ Windows
• ประเภทระบบ 64-bit หรือ 32-bit
• ชื่อและรุ่นของหน่วยประมวลผล

ใน macOS ให้เปิดเมนู Apple แล้วเลือก About This Mac จดชื่อชิป…