AI Jargon Dictionary (March 2026 Edition), Recommended to Save

Original | Odaily (@OdailyChina)

Author｜Golem (@web3_golem)

ในตอนนี้ ถ้าคนในวงการคริปโตไม่สนใจ AI ก็อาจถูกหัวเราะเยาะได้ง่ายๆ (ใช่แล้ว เพื่อนของฉัน ลองคิดดูสิว่าทำไมคุณถึงคลิกเข้ามาอ่าน)

คุณเคยรู้สึกไหมว่าคุณไม่เข้าใจพื้นฐานของ AI เลย ทุกครั้งที่เจอคำย่อในบทสนทนาก็ต้องถาม Doubao ว่ามันหมายความว่าอะไร? หรือคุณเคยอยู่ในงานออฟไลน์เกี่ยวกับ AI แล้วสับสนกับศัพท์เฉพาะต่างๆ มากมาย แต่ต้องแกล้งทำเป็นว่าเข้าใจ?

แม้ว่าการก้าวเข้าสู่อุตสาหกรรม AI ภายในเวลาอันสั้นจะเป็นเรื่องไม่จริง แต่การรู้จักคำศัพท์พื้นฐานที่ใช้บ่อยในวงการ AI ก็ไม่เสียหาย โชคดีที่บทความต่อไปนี้ถูกเขียนขึ้นมาเพื่อคุณโดยเฉพาะ ↓ ขอแนะนำอย่างจริงใจให้คุณอ่านให้เข้าใจและเก็บไว้เป็นที่ระลึก

คำศัพท์พื้นฐาน (12 คำ)

LLM (โมเดลภาษาขนาดใหญ่)

LLM เป็นแกนกลางของโมเดลการเรียนรู้เชิงลึกที่ถูกฝึกด้วยข้อมูลมหาศาล และมีความเชี่ยวชาญในการเข้าใจและสร้างภาษา สามารถประมวลผลข้อความ และในปัจจุบันก็สามารถประมวลผลเนื้อหาประเภทอื่นๆ ได้มากขึ้นเรื่อยๆ

สิ่งที่ตรงกันข้ามคือ SLM (โมเดลภาษาขนาดเล็ก) - ซึ่งมักเน้นที่โมเดลภาษาที่มีต้นทุนต่ำกว่า ติดตั้งเบากว่า และใช้งานในเครื่องได้สะดวกกว่า

AI Agent (เอเจนต์ AI)

AI Agent ไม่ได้หมายถึงแค่ "โมเดลที่สามารถสนทนาได้" แต่หมายถึงระบบที่สามารถเข้าใจเป้าหมาย เรียกใช้เครื่องมือ ดำเนินงานเป็นขั้นตอน และสามารถวางแผนและตรวจสอบได้เมื่อจำเป็น Google นิยาม agent ว่าเป็นซอฟต์แวร์ที่สามารถให้เหตุผลจากอินพุตหลายรูปแบบและดำเนินการแทนผู้ใช้ได้

Multimodal (หลายรูปแบบ)

โมเดล AI ประเภทนี้ไม่เพียงอ่านข้อความ แต่สามารถประมวลผลอินพุตและเอาต์พุตหลายรูปแบบพร้อมกันได้ เช่น ข้อความ รูปภาพ เสียง วิดีโอ Google นิยาม multimodal อย่างชัดเจนว่าเป็นความสามารถในการประมวลผลและสร้างเนื้อหาประเภทต่างๆ

Prompt (คำสั่ง)

คำสั่งที่ผู้ใช้ป้อนให้กับโมเดล เป็นวิธีการโต้ตอบระหว่างมนุษย์กับเครื่องที่พื้นฐานที่สุด

Generative AI (AI สร้างสรรค์ / AIGC)

เน้นที่ความสามารถของ AI ในการ "สร้างสรรค์" แทนที่จะเพียงแค่จำแนกประเภทหรือทำนาย โมเดลสร้างสรรค์สามารถสร้างเนื้อหาเช่น ข้อความ รหัส รูปภาพ สติกเกอร์ วิดีโอ ฯลฯ ตามคำสั่งที่ได้รับ

Token (โทเค็น)

นี่เป็นหนึ่งในแนวคิดที่คล้ายกับ "หน่วย Gas" ที่สุดในวงการ AI โมเดลไม่เข้าใจเนื้อหาตาม "จำนวนคำ" แต่ประมวลผลอินพุตและเอาต์พุตตามโทเค็น ค่าบริการ ความยาวของบริบท ความเร็วในการตอบสนอง มักเกี่ยวข้องอย่างมากกับโทเค็น

Context Window (หน้าต่างบริบท / ความยาวบริบท)

หมายถึงจำนวนโทเค็นทั้งหมดที่โมเดลสามารถ "เห็น" และใช้ได้ในครั้งเดียว หรืออาจเรียกว่าจำนวนโทเค็นที่โมเดลสามารถพิจารณาหรือ "จำได้" ในการประมวลผลครั้งเดียว

Memory (ความจำ)

ทำให้โมเดลหรือ Agent สามารถเก็บรักษาความชอบของผู้ใช้ บริบทของงาน สถานะในอดีต

Training (การฝึก)

กระบวนการที่โมเดลเรียนรู้พารามิเตอร์จากข้อมูล

Inference (การอนุมาน/การดำเนินการ)ตรงกันข้ามกับการฝึก หมายถึงกระบวนการที่โมเดลรับอินพุตและสร้างเอาต์พุตหลังจากที่ถูกนำไปใช้งานจริง ในอุตสาหกรรมมักพูดว่า "การฝึกมีค่าใช้จ่ายสูง แต่การอนุมานมีค่าใช้จ่ายสูงกว่า" เพราะต้นทุนจริงจำนวนมากในขั้นตอนการค้าเกิดขึ้นระหว่างการอนุมาน การแยกแยะระหว่างการฝึก/การอนุมานที่เกี่ยวข้องก็เป็นกรอบพื้นฐานในการอภิปรายเกี่ยวกับต้นทุนการติดตั้งของผู้ผลิตหลักเช่นกัน

Tool Use / Tool Calling (การเรียกใช้เครื่องมือ)

หมายความว่าโมเดลไม่เพียงแค่ส่งออกข้อความ แต่สามารถไปเรียกใช้เครื่องมือต่างๆ เช่น การค้นหา การดำเนินการรหัส ฐานข้อมูล API ภายนอก ฯลฯ ซึ่งถือเป็นหนึ่งในความสามารถสำคัญของ Agent

API (อินเทอร์เฟซ)

โครงสร้างพื้นฐานเมื่อผลิตภัณฑ์ AI แอปพลิเคชัน Agent เชื่อมต่อกับบริการของบุคคลที่สาม

คำศัพท์ขั้นสูง (18 คำ)

Transformer (สถาปัตยกรรม Transformer)

สถาปัตยกรรมโมเดลที่ทำให้ AI เข้าใจความสัมพันธ์ของบริบทได้ดีขึ้น และเป็นฐานทางเทคนิคของโมเดลภาษาขนาดใหญ่ส่วนใหญ่ในปัจจุบัน ลักษณะที่สำคัญที่สุดคือสามารถดูความสัมพันธ์ระหว่างแต่ละคำกับคำอื่นๆ ในเนื้อหาทั้งส่วนได้พร้อมกัน

Attention (กลไกความสนใจ)

เป็นกลไกหลักที่สำคัญที่สุดของ Transformer หน้าที่คือทำให้โมเดลสามารถตัดสินใจอัตโนมัติว่า "คำใดที่ควรให้ความสำคัญมากที่สุด" ขณะที่อ่านประโยคหนึ่ง

Agentic / Agentic Workflow (แบบเอเจนต์ / กระบวนการทำงานแบบเอเจนต์)

นี่เป็นคำที่ร้อนแรงมากในตอนนี้ หมายความว่าระบบไม่ใช่แค่ "ถาม-ตอบ" อีกต่อไป แต่มีลักษณะอิสระในระดับหนึ่งในการแยกย่อยงาน ตัดสินใจขั้นตอนต่อไป เรียกใช้ความสามารถภายนอก ผู้ผลิตหลายรายมองว่ามันเป็นสัญลักษณ์ของการ "เปลี่ยนจากแชทบอทไปสู่ระบบที่ปฏิบัติการได้"

Subagents (เอเจนต์ย่อย)

Agent หนึ่งตัวถูกแบ่งออกเป็น Agent ขนาดเล็กหลายตัวที่มีหน้าที่เฉพาะเพื่อจัดการงานย่อย

Skills (โมดูลความสามารถที่นำกลับมาใช้ใหม่ได้)

พร้อมกับความนิยมของ OpenClaw คำนี้เริ่มปรากฏบ่อยขึ้นอย่างเห็นได้ชัด นี่คือหน่วยความสามารถ/คู่มือการดำเนินการสำหรับ AI Agent ที่สามารถติดตั้ง นำกลับมาใช้ใหม่ และประกอบเข้าด้วยกันได้ แต่ก็ต้องเตือนเป็นพิเศษถึงความเสี่ยงของการใช้เครื่องมือในทางที่ผิดและการเปิดเผยข้อมูล

Hallucination (ภาพหลอนของเครื่อง)

หมายถึงโมเดลที่พูดจาไร้สาระอย่างจริงจัง "รับรู้รูปแบบที่ไม่มีอยู่จริง" จึงสร้างเอาต์พุตที่ผิดพลาดหรือไร้สาระ นี่คือเอาต์พุตที่ดูสมเหตุสมผลแต่จริงๆ แล้วผิดพลาดและมีความมั่นใจมากเกินไปของโมเดล

Latency (ความล่าช้า)

เวลาที่โมเดลใช้ตั้งแต่ได้รับคำขอจนถึงการส่งออกผลลัพธ์ เป็นหนึ่งในศัพท์แสลงทางวิศวกรรมที่พบบ่อยที่สุด มักปรากฏบ่อยครั้งเมื่อพูดถึงการนำไปใช้จริงและผลิตภัณฑ์

Guardrails (รั้วกั้น)

ใช้เพื่อจำกัดสิ่งที่โมเดล/Agent สามารถทำได้ เมื่อใดควรหยุด เนื้อหาใดที่ไม่ควรส่งออก

Vibe Coding (การเขียนโค้ดแบบรู้สึกไปเลย)

คำนี้ก็เป็นศัพท์แสลง AI ที่ร้อนแรงที่สุดในปัจจุบัน หมายถึงผู้ใช้แสดงความต้องการผ่านการสนทนาโดยตรง โดยให้ AI เป็นคนเขียนโค้ด และผู้ใช้ไม่จำเป็นต้องเข้าใจวิธีการเขียนโค้ดอย่างเจาะจง

Parameters (พารามิเตอร์)

ขนาดตัวเลขภายในโมเดลที่ใช้เก็บความสามารถและความรู้ มักถูกใช้เพื่อวัดขนาดของโมเดลอย่างหยาบๆ "พารามิเตอร์หลายหมื่นล้าน" "พารามิเตอร์หลายแสนล้าน" เป็นคำพูดที่พบบ่อยที่สุดในวงการ AI เพื่อทำให้ดูน่าเกรงขาม

Reasoning Model (โมเดลการให้เหตุผลขั้นสูง)

มักหมายถึงโมเดลที่เก่งกว่าในการให้เหตุผลหลายขั้นตอน การวางแผน การตรวจสอบ การดำเนินงานที่ซับซ้อน

MCP (โปรโตคอลบริบทโมเดล)

นี่เป็นศัพท์แสลงใหม่ที่ร้อนแรงมากในปีที่ผ่านมา หน้าที่คล้ายกับการสร้างอินเทอร์เฟซสากลระหว่างโมเดลกับเครื่องมือ/แหล่งข้อมูลภายนอก

Fine-tuning / Tuning (การปรับแต่ง)

เป็นการฝึกโมเดลพื้นฐานต่อ เพื่อให้ปรับตัวเข้ากับงานเฉพาะ สไตล์ หรือโดเมนได้ดีขึ้น Google ใช้คำว่า tuning และ fine-tuning เป็นแนวคิดที่เกี่ยวข้องกันในคำศัพท์

Distillation (การกลั่น)

การบีบอัดความสามารถของโมเดลขนาดใหญ่ให้กับโมเดลขนาดเล็กให้ได้มากที่สุด คล้ายกับการให้ "ครู" สอน "นักเรียน"

RAG (การสร้างเสริมด้วยการค้นคืน)

นี่เกือบจะกลายเป็นการตั้งค่าพื้นฐานของ AI ในองค์กรแล้ว Microsoft นิยามมันว่าเป็นโหมด "การค้นหา + LLM" ใช้ข้อมูลภายนอกเพื่อสร้างพื้นฐานให้กับคำตอบ แก้ปัญหาข้อมูลการฝึกโมเดลที่ล้าสมัยและไม่เข้าใจคลังความรู้ส่วนตัว เป้าหมายคือการสร้างคำตอบบนเอกสารจริงและความรู้ส่วนตัว แทนที่จะพึ่งเพียงความจำของโมเดลเอง

Grounding (การจัดแนวกับข้อเท็จจริง)

มักปรากฏพร้อมกับ RAG หมายถึงการทำให้คำตอบของโมเดลสร้างขึ้นบนพื้นฐานภายนอก เช่น เอกสาร ฐานข้อมูล เว็บเพจ ฯลฯ แทนที่จะพึ่งเพียงความจำของพารามิเตอร์และ "แสดงออกอย่างอิสระ" Microsoft ระบุอย่างชัดเจนในเอกสาร RAG ว่า grounding เป็นคุณค่าหลัก

Embedding (การฝังเวกเตอร์ / เวกเตอร์ความหมาย)

คือการเข้ารหัสเนื้อหา เช่น ข้อความ รูปภาพ เสียง ฯลฯ ให้เป็นเวกเตอร์ตัวเลขหลายมิติ เพื่อคำนวณความคล้ายคลึงเชิงความหมาย

Benchmark (การทดสอบมาตรฐาน)

วิธีการประเมินความสามารถของโมเดลโดยใช้ชุดมาตรฐานเดียวกัน และยังเป็นภาษาของกระดานคะแนนที่โมเดลต่างๆ ชอบนำมา "พิสูจน์ว่าตัวเองแข็งแกร่ง"

แนะนำให้อ่าน

คำถามสำคัญ 11 ข้อของ Lobster: การแยกย่อยหลักการของ OpenClaw ที่เข้าใจง่ายที่สุด