AI มีกี่ประเภท — แผนที่ทั้งภาพ

เวลาคนสองคนคุยกันเรื่อง “ใช้ AI” บ่อยครั้งทั้งคู่พูดถึงของคนละอย่าง ฝ่ายหนึ่งหมายถึงโมเดลภาษาที่ตอบแชท อีกฝ่ายหมายถึงตัวจำแนกภาพที่รันอยู่บนกล้องวงจรปิด บทนี้วางแผนที่ให้เห็นว่าคำแต่ละคำอยู่ตรงไหน เพื่อให้บทต่อ ๆ ไปพูดถึงของที่ตรงกัน

1.1 ชั้นที่ซ้อนกันอยู่

โครงสร้างของศัพท์กลุ่มนี้เป็นวงกลมซ้อนกัน วงนอกครอบวงใน

AI (ปัญญาประดิษฐ์) คือร่มใหญ่ที่สุด — ระบบใดก็ตามที่ทำงานซึ่งปกติต้องใช้ความฉลาดของมนุษย์ นับรวมระบบกฎเกณฑ์ if-else, ระบบค้นหาเส้นทาง และระบบผู้เชี่ยวชาญ ซึ่งไม่ได้เรียนจากข้อมูลเลยแม้แต่นิดเดียว

ML (Machine Learning) คือการเรียนรูปแบบจากข้อมูล แทนที่จะให้คนเขียนกฎเอง — Decision Tree, Random Forest, XGBoost, SVM, Logistic Regression ยังใช้กันเยอะมาก และมักดีกว่า deep learning เมื่อข้อมูลเป็นตาราง

DL (Deep Learning) คือ ML ที่ใช้โครงข่ายประสาทหลายชั้น เรียนรู้ feature เองจากข้อมูลดิบ เหมาะกับข้อมูลที่ไม่มีโครงสร้าง ได้แก่ ภาพ เสียง ข้อความ วิดีโอ

Foundation Model คือโมเดล DL ขนาดใหญ่ที่ฝึกบนข้อมูลมหาศาลแบบทั่วไป แล้วเอาไปปรับใช้กับงานย่อยได้หลายอย่าง LLM, VLM และเพื่อน ๆ อยู่ชั้นนี้ และนี่คือสิ่งที่คนส่วนใหญ่หมายถึงเมื่อพูดว่า “AI” ในปี 2026

ความเข้าใจผิดที่ทำให้เสียเงินบ่อยที่สุด

ไม่ใช่ทุกปัญหาต้องใช้ LLM งานทำนายตัวเลขจากข้อมูลตาราง เช่น ยอดขาย การผิดนัดชำระ หรือการหลุดของลูกค้า XGBoost มักแม่นกว่า เร็วกว่าเป็นพันเท่า อธิบายผลได้ และรันบน CPU ตัวเดียว การเอา LLM ไปทำงานที่ ML แบบเดิมทำได้ดีกว่า คือการจ่ายแพงกว่าเพื่อผลที่แย่ลง

1.2 แบ่งตามวิธีเรียนรู้

วิธีเรียน	ข้อมูลที่ใช้	ตัวอย่างงาน
Supervised	อินพุตคู่กับคำตอบที่ถูก (มีคนติดป้าย)	จำแนกอีเมลสแปม, อ่านป้ายทะเบียน, ทำนายราคา
Unsupervised	ข้อมูลดิบไม่มีคำตอบ	จัดกลุ่มลูกค้า, ตรวจจับความผิดปกติ, ลดมิติข้อมูล
Self-supervised	ข้อมูลดิบ แต่สร้างโจทย์เอง เช่น ปิดคำแล้วให้ทาย	วิธีที่ใช้ฝึก LLM ทุกตัว — เหตุผลที่ฝึกด้วยข้อความจากอินเทอร์เน็ตได้โดยไม่ต้องติดป้าย
Reinforcement	เรียนจากรางวัลและบทลงโทษ ผ่านการลองทำ	เกม, หุ่นยนต์, และขั้นตอน RLHF ที่ทำให้ LLM ตอบตรงใจคน

โมเดลสนทนาที่ใช้กันทุกวันนี้ผ่านทั้งสามขั้น คือ pre-training แบบ self-supervised บนข้อความจำนวนมหาศาล จากนั้น supervised fine-tuning ด้วยตัวอย่างบทสนทนาที่คนเขียน แล้วปิดท้ายด้วย RL เพื่อปรับให้ตอบแบบที่คนชอบและปฏิเสธสิ่งที่ควรปฏิเสธ

1.3 แบ่งตามสถาปัตยกรรม

สถาปัตยกรรม	ยุค	เก่งเรื่อง	ยังใช้อยู่ไหมในปี 2026
CNN	2012–	ภาพ — จับรูปแบบเชิงพื้นที่	ใช้อยู่มาก งานตรวจจับวัตถุ, OCR ชั้นต้น, งานฝังในอุปกรณ์ที่ต้องเบา
RNN / LSTM	2014–	ลำดับ เช่น ข้อความ เสียง	เกือบถูกแทนที่ด้วย Transformer แล้ว เหลือในงานเล็กที่ต้องประหยัดมาก
Transformer	2017–	ลำดับยาว มองทุกตำแหน่งพร้อมกัน	เป็นแกนของแทบทุกอย่างในปัจจุบัน
Diffusion	2020–	สร้างภาพ เสียง วิดีโอ จากสัญญาณรบกวน	มาตรฐานของงานสร้างภาพ
GAN	2014–	สร้างภาพ	ถูก diffusion แทนที่เกือบหมด เหลือในงานเฉพาะที่ต้องเร็วมาก
GNN	2018–	ข้อมูลกราฟ เช่น โมเลกุล เครือข่ายสังคม	ใช้ในงานเฉพาะทาง เช่น ค้นยา ตรวจจับการฉ้อโกง
SSM (Mamba)	2023–	ลำดับยาวมาก ด้วยต้นทุนเชิงเส้น	ยังเป็นทางเลือกรอง มักเจอในรูปลูกผสมกับ Transformer

1.4 แบ่งตามชนิดข้อมูลที่รับและส่งออก

ตรงนี้คือส่วนที่ต้องเลือกจริงตอนออกแบบระบบ

ตัวย่อ	ชื่อเต็ม	รับอะไร → ตอบอะไร	ใช้ทำอะไรได้
LLM	Large Language Model	ข้อความ → ข้อความ	เขียน สรุป แปล ตอบคำถาม เขียนโค้ด จัดหมวดหมู่ สกัดข้อมูลจากข้อความ
VLM	Vision-Language Model	ภาพ + ข้อความ → ข้อความ	อ่านเอกสารสแกน อธิบายภาพ ตอบคำถามจากแผนภูมิ OCR แบบเข้าใจบริบท
Omni	Multimodal	ภาพ + เสียง + ข้อความ → ข้อความ/เสียง	ผู้ช่วยที่คุยด้วยเสียงและดูหน้าจอไปพร้อมกัน
VLA	Vision-Language-Action	ภาพ + คำสั่ง → การกระทำ	หุ่นยนต์ แขนกล agent ที่ควบคุมหน้าจอคอมพิวเตอร์
ASR / STT	Speech Recognition	เสียง → ข้อความ	ถอดเสียงประชุม ทำซับไตเติล พิมพ์ด้วยเสียง
TTS	Text-to-Speech	ข้อความ → เสียง	พากย์เสียง ผู้ช่วยเสียง โคลนเสียง
Embedding	Text/Image Embedding	ข้อความ/ภาพ → เวกเตอร์ตัวเลข	ค้นหาเชิงความหมาย, RAG, จัดกลุ่ม, ตรวจความคล้าย
Reranker	Cross-encoder	คำค้น + เอกสาร → คะแนน	จัดอันดับผลค้นหาใหม่ให้แม่นขึ้น มักใช้คู่กับ embedding ใน RAG
T2I / T2V	Text-to-Image / Video	ข้อความ → ภาพ/วิดีโอ	งานออกแบบ โฆษณา คอนเทนต์
Guard	Safety Classifier	ข้อความ → ปลอดภัย/ไม่ปลอดภัย	กรองอินพุตและเอาต์พุตก่อนถึงผู้ใช้

ระบบจริงมักใช้หลายตัวต่อกัน

ตัวอย่างระบบอ่านใบเสร็จ: VLM อ่านภาพเป็นข้อความมีโครงสร้าง จากนั้น LLM เล็ก ๆ ตรวจความสมเหตุสมผลของตัวเลข ต่อด้วย Embedding จับคู่ชื่อร้านกับฐานข้อมูลผู้ขาย แล้วปิดท้ายด้วย ML แบบเดิมทำนายหมวดค่าใช้จ่าย การแยกงานแบบนี้ถูกและแม่นกว่าการยัดทุกอย่างให้โมเดลใหญ่ตัวเดียวทำ

1.5 คำที่เจอบ่อยและมักสับสน

คำ	ความหมาย
Dense	ทุกพารามิเตอร์ทำงานทุกครั้งที่ตอบ ตรงไปตรงมา แต่ยิ่งใหญ่ยิ่งช้า
MoE	Mixture of Experts — มีพารามิเตอร์ทั้งหมดเยอะ แต่เรียกใช้แค่บางส่วนต่อ token เช่น 30B ทั้งหมดแต่ทำงานจริง 3B ทำให้เร็วเหมือนโมเดลเล็ก แต่กิน VRAM เท่าโมเดลใหญ่ เพราะต้องโหลดทั้งหมดไว้
Reasoning model	โมเดลที่ถูกฝึกให้คิดเป็นขั้นก่อนตอบ ตอบช้ากว่าและกิน token มากกว่า แต่แม่นกว่ากับโจทย์คณิต ตรรกะ และโค้ดที่ซับซ้อน
Context window	ความยาวสูงสุดที่โมเดลรับได้ในครั้งเดียว นับเป็น token ยิ่งยาวยิ่งกิน VRAM มาก
Token	หน่วยย่อยของข้อความ ภาษาอังกฤษราว 1 token ต่อ 4 ตัวอักษร ภาษาไทยกินมากกว่ามาก เพราะ tokenizer ส่วนใหญ่ฝึกด้วยข้อความอังกฤษเป็นหลัก
Fine-tuning	ฝึกต่อจากโมเดลที่มีอยู่ด้วยข้อมูลของเรา เพื่อปรับสไตล์หรือความรู้เฉพาะทาง
LoRA / QLoRA	วิธี fine-tune ที่แก้พารามิเตอร์เพียงส่วนน้อย ทำให้ฝึกโมเดลใหญ่ได้บนการ์ดใบเดียว
RAG	ให้โมเดลค้นเอกสารของเราก่อนตอบ เป็นวิธีเพิ่มความรู้เฉพาะทางที่ถูกและเร็วกว่า fine-tune ในกรณีส่วนใหญ่
Distill	ใช้โมเดลใหญ่สอนโมเดลเล็ก ให้ได้ความสามารถใกล้เคียงในขนาดที่รันไหว
Quantization	ลดความละเอียดของตัวเลขในโมเดล เพื่อให้เล็กลงและเร็วขึ้น แลกกับคุณภาพที่ลดลงเล็กน้อย

สรุปบทนี้

คำว่า AI ครอบของหลายชั้น และการเลือกชั้นให้ตรงกับปัญหาคือการตัดสินใจที่ประหยัดเงินที่สุดตั้งแต่วันแรก ข้อมูลตารางมักจบที่ ML แบบเดิม งานข้อความจบที่ LLM งานเอกสารสแกนต้องใช้ VLM และระบบจริงมักต่อหลายตัวเข้าด้วยกันแทนที่จะพึ่งโมเดลเดียว

บทถัดไปว่าด้วยการอ่านชื่อรุ่นโมเดลให้ออก ว่าตัวเลขและ suffix ท้ายชื่อบอกอะไรบ้าง