Skip to main content
บทความผลงานติดต่อเรา
EN
AI23 ส.ค. 25699 นาที

LLM คืออะไร? เข้าใจ Large Language Model และทำไมภาษาไทยถึงแพงกว่า

LLM ย่อได้สองอย่าง: Large Language Model (สาย AI) กับ LL.M. Master of Laws (นิติศาสตรมหาบัณฑิต) บทความนี้ว่าด้วยตัว AI: LLM คืออะไร ทำงานยังไง ต่างจาก ChatGPT / RAG / AI Agent ตรงไหน พร้อมผลวัดจริงว่าข้อความภาษาไทยกินโทเคนมากกว่าอังกฤษเท่าไหร่ และคิดเป็นค่า API กี่บาทต่อเดือน

LLM คืออะไร Large Language Model อธิบายฉบับเข้าใจง่าย - chercode

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:

ตัวย่อย่อมาจากคืออะไร
LLM (สาย AI)Large Language Modelโมเดลภาษาขนาดใหญ่ เบื้องหลัง ChatGPT / Claude / Gemini
LL.M. (สายกฎหมาย)Master of Lawsปริญญาโทนิติศาสตร์ (นิติศาสตรมหาบัณฑิต) ต่อยอดจากปริญญาตรี LL.B.

📌 ถ้าคุณกำลังหา LL.M. สายกฎหมาย: บทความนี้ไม่ได้พูดถึงเรื่องนั้นเลยแม้แต่บรรทัดเดียว กดกลับไปดูผลค้นหาอื่นได้เลยครับ จะได้ไม่เสียเวลา ตั้งแต่หัวข้อถัดไปคือ LLM ฝั่ง AI ล้วน ๆ

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

💡 ทุกอย่างที่โมเดลมองเห็นในรอบนั้นเรียกว่า context window ปี 2026 รุ่นเรือธงอย่าง Claude Opus 5 และ Claude Fable 5 อยู่ที่ 1M โทเคน ส่วนรุ่นเล็กอย่าง Claude Haiku 4.5 อยู่ที่ 200K และ "ยาวได้เท่าไหร่" ของภาษาไทยกับภาษาอังกฤษ ไม่เท่ากัน อ่านต่อหัวข้อถัดไป

LLM ทำงานยังไง จากข้อความเป็นโทเคน ทำนายโทเคนถัดไป จนได้คำตอบ

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
ชุดที่วัดตัวอักษรต่อ 1 โทเคนโทเคนของเนื้อหาชุดเดียวกัน
อังกฤษ · o200k_base4.56148
ไทย · o200k_base2.49216 (1.46 เท่า)
ไทย · cl100k_base (ยุค GPT-4)1.06506 (3.37 เท่า)

⚠️ ตัวเลขชุดนี้วัดจาก tokenizer ของ OpenAI เท่านั้น Claude กับ Gemini ใช้ tokenizer คนละตัวและไม่ได้เปิดให้นับแบบออฟไลน์ ถ้าจะคิดต้นทุนจริงของสองเจ้านั้น ต้องยิงผ่าน endpoint นับโทเคนของเขาเอง (/v1/messages/count_tokens ของ Anthropic และ countTokens ของ Gemini API) อย่าเอาเลขจาก o200k ไปคูณข้ามยี่ห้อ

เทียบจำนวนตัวอักษรต่อโทเคน ภาษาไทย vs ภาษาอังกฤษ วัดด้วย tiktoken

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
โมเดลราคา input / output ต่อ 1M โทเคนต่อเดือน (USD)ต่อเดือน (บาท)
GPT-5.6 Luna$0.20 / $1.20$1.92~฿69
Claude Haiku 4.5$1 / $5$9.00~฿324
Claude Sonnet 5$3 / $15$27.00~฿972
GPT-5.6 Sol$4 / $20$36.00~฿1,296

💡 เทียบราคาทุกเจ้าแบบละเอียด ทั้ง subscription และ API อยู่ที่ เทียบราคา AI ฉบับธุรกิจไทย: ราคาขยับเร็วมาก GPT-5.6 Luna ที่ผมบันทึกไว้ในบทความเดือน ก.ค. ยังอยู่ที่ $1/$6 วันนี้หน้าราคาทางการเหลือ $0.20/$1.20 แล้ว เช็กหน้าราคาทางการก่อนทำงบทุกครั้ง

ค่า API LLM ต่อเดือนสำหรับ chatbot LINE OA 5000 ข้อความ คิดเป็นเงินบาท

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

⚠️ กฎที่ผมใช้เองทุกโปรเจกต์: ห้ามให้ LLM เป็นแหล่งความจริงของตัวเลข ราคา สต็อก วันที่ เลขมาตรา ต้องมาจากระบบของคุณเสมอ ให้ LLM ทำหน้าที่ "เรียบเรียง" ไม่ใช่หน้าที่ "จำ"

ข้อจำกัดของ LLM กับงานภาษาไทย วันที่ พ.ศ. ที่อยู่ไทย อ้างกฎหมาย และคำลงท้าย

LLM vs ChatGPT vs RAG vs AI Agent: เส้นแบ่งอยู่ตรงไหน

สี่คำนี้ถูกใช้ปนกันจนคนสับสนมากที่สุดในบรรดาศัพท์ AI ทั้งหมด แยกแบบนี้จบ:

คำคืออะไรอ่านต่อ
LLMตัวโมเดลเปล่า ๆ ที่ทำนายโทเคนถัดไปGPT-5.6, Claude Opus 5, Gemini
แอปแชทหน้าจอและระบบที่ครอบ LLM ไว้ให้ใช้ง่ายChatGPT คืออะไร
RAGดึงเอกสารของคุณมาแปะใน context ก่อนให้ LLM ตอบRAG คืออะไร
AI AgentLLM + เครื่องมือ + ลูป ตัดสินใจลงมือทำเองหลายขั้นAI Agent คืออะไร

สรุป: จำ 3 ข้อนี้พอ

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

📌 (1) LLM ทำนายโทเคนถัดไป ไม่ได้ค้นฐานข้อมูล เก่งเรื่องเรียบเรียงภาษา ไม่ใช่เรื่องจำข้อเท็จจริง (2) เนื้อหาภาษาไทยกินโทเคนราว 1.46 เท่า ของภาษาอังกฤษบน tokenizer ปัจจุบัน กระทบทั้งค่า API และพื้นที่ context (3) ตัวเลข วันที่ และข้อกฎหมาย ต้องมาจากระบบของคุณ ไม่ใช่จากความจำของโมเดล

แชร์:
Arm - chercode

Arm - chercode

Full-Stack Developer & Founder

นักพัฒนาซอฟต์แวร์ที่มีประสบการณ์กว่า 5 ปีด้าน Web Development, AI Integration และ Automation เชี่ยวชาญ Next.js, React, n8n และ LLM Integration ผู้ก่อตั้ง chercode ให้บริการพัฒนาระบบสำหรับธุรกิจไทย

Portfolio

บริการที่เกี่ยวข้อง

ปรึกษา AI Consulting

ดูรายละเอียด

บทความที่เกี่ยวข้อง

RAG คืออะไร - Retrieval-Augmented Generation อธิบายฉบับธุรกิจไทย
AI7 นาที

RAG คืออะไร? AI ที่รู้เรื่องเอกสารบริษัทคุณ ทำงานยังไง (ฉบับธุรกิจไทย)

RAG คือเทคนิคที่ให้ AI ไปค้นเอกสารของคุณก่อนแล้วค่อยตอบ คือสิ่งที่ธุรกิจไทยต้องการจริง ๆ เวลาบอกว่า "อยากได้ AI ที่รู้เรื่องบริษัทเรา" อธิบายวิธีทำงาน ทำไมถึงเหมาะกว่า fine-tuning ต้นทุนจริงคิดเป็นเงินบาท ปัญหาการตัดชิ้นข้อความภาษาไทย และเมื่อไหร่ที่ไม่ควรทำ RAG

วิธีทำ Chatbot LINE OA สำหรับธุรกิจไทย
AI15 นาที

ทำ Chatbot LINE OA สำหรับธุรกิจ 2026 - คู่มือครบจบในหน้าเดียว

LINE มีผู้ใช้ 54 ล้านคนในไทย ธุรกิจที่ยังตอบแชทด้วยมือกำลังเสียเวลาทุกวัน บทความนี้อธิบายครบ: ทำ chatbot LINE OA แบบไหนดี ราคาเท่าไหร่ และขั้นตอนทำจริงปี 2026

Agent Harness คืออะไร โครงสร้าง AI Agent 2026 - chercode
AI8 นาที

Agent Harness คืออะไร? โครงสร้างที่ทำให้ AI Agent ทำงานจริงได้ (2026)

Agent harness คือ "ชั้นปฏิบัติการ" ที่ห่อ LLM แล้วเชื่อมเข้ากับ tools, memory, planning loop, sandbox, orchestration และ output channels เป็นโครงสร้างที่เปลี่ยน LLM จาก chatbot ตอบคำถามเฉยๆ ให้กลายเป็น agent ที่ทำงานจริง บทความนี้สรุปนิยาม, 5 ชั้น architecture, ตัวอย่างใน Antigravity / Claude Code / OpenAI Agents SDK / LangChain, ตัดสินใจ build vs buy และมุมมองสำหรับ dev ไทย