LLM คืออะไร? เข้าใจ Large Language Model และทำไมภาษาไทยถึงแพงกว่า

ตอบสั้น ๆ: LLM (Large Language Model) คือโมเดลภาษาขนาดใหญ่ — ระบบ AI ที่อ่านข้อความมหาศาลจนจับรูปแบบของภาษาได้ แล้วทำนายทีละชิ้นว่า "คำถัดไปควรเป็นอะไร" ต่อกันไปเรื่อย ๆ จนกลายเป็นคำตอบเต็มประโยค ส่วน ChatGPT, Claude, Gemini ไม่ใช่ตัว LLM แต่เป็นแอปที่ครอบ LLM ไว้อีกชั้นหนึ่ง แต่ก่อนอื่นต้องเคลียร์ก่อนว่าคุณกำลังหาคำไหนอยู่ เพราะ "LLM" ในผลค้นหาภาษาไทยย่อได้สองอย่างที่ไม่เกี่ยวกันเลย:

LLM คืออะไร — นิยามที่เอาไปใช้งานได้จริง

คำว่า "Large" หมายถึงสองอย่างพร้อมกัน: ข้อมูลที่ใช้ฝึกใหญ่ (ข้อความจากเว็บ หนังสือ และโค้ดปริมาณมหาศาล) และ ตัวโมเดลเองใหญ่ (พารามิเตอร์จำนวนมหาศาล ซึ่งก็คือตัวเลขที่โมเดลค่อย ๆ ปรับระหว่างเรียนรู้) สิ่งที่ LLM ทำจริง ๆ มีอย่างเดียวคือ ทำนายโทเคนถัดไป ไม่ได้เปิดฐานข้อมูลแล้วหยิบคำตอบมาให้ นี่คือเหตุผลที่กลไกเดียวกันเขียนอีเมล สรุปสัญญา แปลภาษา และเขียนโค้ดได้หมด — และเป็นเหตุผลเดียวกันเป๊ะที่มันมั่วได้อย่างมั่นใจ เพราะ "คำถัดไปที่ฟังดูถูก" กับ "คำถัดไปที่ถูกจริง" ไม่ใช่สิ่งเดียวกัน

• •ไม่ใช่เครื่องมือค้นหา — ตอนตอบไม่ได้เปิดดูแหล่งข้อมูลใด ๆ เว้นแต่คุณต่อเครื่องมือให้ (web search, RAG, MCP)
• •ไม่ได้จำทุกอย่างที่เคยอ่าน — สิ่งที่เหลืออยู่ในโมเดลคือรูปแบบทางสถิติ ไม่ใช่สำเนาเอกสาร
• •ไม่รู้เรื่องหลังวันตัดข้อมูล — ราคาสินค้าคุณ สต็อกคุณ นโยบายคืนของคุณ มันไม่มีทางรู้ ถ้าไม่ป้อนเข้าไปเอง

LLM ทำงานยังไง — จากตัวอักษร เป็นโทเคน เป็นคำตอบ

โมเดลไม่ได้อ่านเป็นตัวอักษรและไม่ได้อ่านเป็นคำ แต่อ่านเป็น โทเคน (token) ซึ่งเป็นชิ้นข้อความที่ถูกกำหนดไว้ตั้งแต่ตอนฝึกโมเดล เอกสารทางการของ Google ระบุไว้ตรง ๆ ว่า "For Gemini models, a token is equivalent to about 4 characters. 100 tokens is equal to about 60-80 English words" — คือราว 4 ตัวอักษรต่อ 1 โทเคนสำหรับภาษาอังกฤษ (จำตัวเลขนี้ไว้ เดี๋ยวเราจะเอาภาษาไทยมาเทียบ) การทำงานหนึ่งรอบหน้าตาแบบนี้:

1. 1.หั่นข้อความเป็นโทเคน — ทั้ง system prompt, ประวัติแชท และคำถามล่าสุด รวมกันทั้งก้อน
2. 2.ให้คะแนนความน่าจะเป็นของโทเคนถัดไป โดยดูจากทุกอย่างที่อยู่ใน context ตอนนั้น
3. 3.เลือกมา 1 โทเคน ต่อท้ายข้อความ แล้ววนกลับไปข้อ 2 ใหม่
4. 4.หยุดเมื่อจบคำตอบหรือชน max tokens — ที่เห็นตัวอักษรไหลออกมาทีละนิดในหน้าจอ คือลูปนี้ตรง ๆ ไม่ใช่เอฟเฟกต์

ทำไมภาษาไทยถึงแพงกว่า — ผมนั่งวัดมาให้ดู

ค่า API คิดตาม โทเคน ไม่ได้คิดตามตัวอักษร และ tokenizer เกือบทุกตัวถูกฝึกด้วยข้อความภาษาอังกฤษเป็นหลัก บวกกับภาษาไทย ไม่มีช่องว่างระหว่างคำ โมเดลจึงหาจุดตัดคำได้ยากกว่า ผลคือข้อความไทยมักถูกหั่นเป็นชิ้นเล็กกว่า และได้จำนวนโทเคนมากกว่าเนื้อหาภาษาอังกฤษที่สื่อความเท่ากัน ผมวัดด้วยไลบรารี tiktoken ของ OpenAI เอง โดยใช้ประโยคร้านค้าไทยจริง 5 คู่ (ภาษาไทย + คำแปลอังกฤษที่ความหมายตรงกัน) แล้วเทียบสอง tokenizer: o200k_base (ตระกูล GPT-4o/GPT-5 ที่ใช้อยู่ตอนนี้) กับ cl100k_base (ยุค GPT-4 / GPT-3.5) ได้ผลตามนี้:

• •ลองซ้ำกับข้อความไทยทั้งบล็อกนี้ 93,606 ตัวอักษร ได้ 2.68 ตัวอักษรต่อโทเคน ใกล้เคียงกับชุดเล็ก แปลว่าตัวเลขไม่ได้มาจากประโยคที่เลือกมาเข้าข้างตัวเอง
• •ปัญญาประดิษฐ์ (13 ตัวอักษร) = 8 โทเคน ขณะที่ artificial intelligence (23 ตัวอักษร) = 3 โทเคน
• •ใบเสร็จรับเงิน = 7 โทเคน ขณะที่ receipt = 1 โทเคน
• •แต่ ประเทศไทย = 1 โทเคน — tokenizer รุ่นใหม่เรียนคำไทยที่เจอบ่อยไปแล้ว ข่าวดีคือช่องว่างนี้แคบลงมาก จาก 3.37 เท่าเหลือ 1.46 เท่าภายในรุ่นเดียว

คิดเป็นเงินบาท: chatbot LINE OA เดือนละเท่าไหร่

สมมติร้านหนึ่งเปิด chatbot บน LINE OA เดือนละ 5,000 ข้อความ ต่อหนึ่งข้อความใช้ input ราว 1,200 โทเคน (system prompt + ข้อมูลสินค้า + ประวัติแชทสั้น ๆ) และตอบกลับเป็นภาษาไทยราว 120 โทเคน รวมทั้งเดือนคือ input 6M / output 0.6M โทเคน คิดที่เรตราว ฿36 ต่อดอลลาร์ (ปรับตามจริงตอนคุณอ่าน) กับราคา API ที่ตรวจสอบเมื่อ 20 ส.ค. 2026:

• •"ภาษีภาษาไทย" ที่ซ่อนอยู่ในบิล — ถ้าเนื้อหาเดียวกันเป็นภาษาอังกฤษ ยอดจะลดลงราว 31% (เพราะไทยกินโทเคน 1.46 เท่า) เช่น Sonnet 5 จาก ~฿972 เหลือ ~฿666 ต่างกันเดือนละราว ฿300 โดยที่ลูกค้าไม่ได้อะไรเพิ่มเลย
• •ทางลดที่ได้ฟรี — หลายทีมเขียน system prompt เป็นภาษาอังกฤษอยู่แล้ว ส่วนที่โดนภาษีไทยจริง ๆ จึงเหลือแค่ข้อความลูกค้ากับคำตอบ ประหยัดได้โดยไม่กระทบประสบการณ์ผู้ใช้แม้แต่นิดเดียว
• •context ก็โดนด้วย ไม่ใช่แค่ค่าเงิน — context 200K โทเคน จุข้อความไทยได้ราว 500,000 ตัวอักษร แต่จุอังกฤษได้ราว 910,000 สัญญาไทยฉบับยาวจึงเต็ม context เร็วกว่าที่หลายคนประเมินไว้เกือบเท่าตัว

LLM ยังพังตรงไหนกับงานไทย — ความเห็นตรง ๆ

จุดที่ต้องระวังในปี 2026 ไม่ใช่ "ภาษาไทยไม่ดี" อีกแล้ว เพราะโมเดลรุ่นปัจจุบันเขียนไทยได้ลื่นพอใช้งานจริง แต่เป็นรายละเอียดที่มีแต่คนไทยเท่านั้นที่จะจับได้ และมักหลุดผ่าน QA ไปเงียบ ๆ:

• •พ.ศ. ↔ ค.ศ. — จุดที่เจอบ่อยที่สุด เอกสารเขียน "2569" โมเดลอาจตีความเป็นปี ค.ศ. แบบไม่ทักท้วง ระบบไหนที่แตะวันที่ไทย ต้องแปลงและตรวจนอกโมเดลเสมอ อย่าปล่อยให้เดา
• •ที่อยู่ไทย — ซอย / แขวง / เขต / ตำบล / อำเภอ สลับกันได้ง่ายมาก และถ้ารหัสไปรษณีย์ไม่ตรงกับเขต โมเดลก็มักไม่เตือน ถ้าจะส่งต่อระบบขนส่ง ต้อง validate กับฐานข้อมูลจริง
• •อ้างกฎหมายไทย — โมเดลแต่งเลขมาตราออกมาได้เนียนมาก งานสาย PDPA หรือสัญญา ให้ LLM ช่วยร่างและสรุปได้ แต่เลขมาตราต้องมาจากเอกสารที่คุณป้อนเข้าไปเอง (นี่คือเหตุผลที่ต้องมี RAG)
• •ครับ / ค่ะ ไถลกลางทาง — คุยยาว ๆ โมเดลมักสลับคำลงท้ายจนโทนแบรนด์เพี้ยน ล็อกไว้ใน system prompt แล้วต้องไปเช็ก output จริง ไม่ใช่เชื่อว่ามันจำได้
• •คำตอบผิดมั่นใจเท่าคำตอบถูก — LLM ไม่มีสัญญาณ "ฉันไม่รู้" ติดมาโดยธรรมชาติ งานที่ผิดแล้วเสียเงินหรือเสียลูกค้า ต้องมีคนหรือ rule ตรวจปลายทางเสมอ

LLM vs ChatGPT vs RAG vs AI Agent — เส้นแบ่งอยู่ตรงไหน

สี่คำนี้ถูกใช้ปนกันจนคนสับสนมากที่สุดในบรรดาศัพท์ AI ทั้งหมด แยกแบบนี้จบ:

สรุป: จำ 3 ข้อนี้พอ

ลำดับที่ผมแนะนำสำหรับธุรกิจไทยที่เพิ่งเริ่มคือ ใช้แอปแชทก่อน → เติม RAG เมื่อคำตอบต้องอิงเอกสารของคุณ → ค่อยขยับไป Agent เมื่อมีขั้นตอนซ้ำ ๆ ที่ต้องลงมือทำจริง การกระโดดไป Agent ตั้งแต่วันแรกคือเส้นทางที่แพงและพังบ่อยที่สุดเท่าที่ผมเห็นมา อยากรู้ว่าธุรกิจคุณควรเริ่มจากตรงไหนและงบจริงเท่าไหร่ ปรึกษา AI Consulting ได้เลยครับ