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

golem

Odaily资深作者

@web3_golem

2026-03-11 11:34

บทความนี้มีประมาณ 2615 คำ การอ่านทั้งหมดใช้เวลาประมาณ 4 นาที

30 คำศัพท์ใหม่ จดจำไว้สักหน่อย เพื่อไม่ให้คุณต้องพยักหน้าและยิ้มอย่างอึดอัดในงานสังสรรค์กับมือใหม่

สรุปโดย AI

ขยาย

มุมมองหลัก: บทความนี้มีวัตถุประสงค์เพื่อมอบคู่มือคำศัพท์พื้นฐานและขั้นสูงในสาขา AI แก่ผู้ปฏิบัติงานในแวดวงบล็อกเชนและคริปโตเคอร์เรนซี ช่วยให้เข้าใจแนวคิดหลักของอุตสาหกรรม AI ได้อย่างรวดเร็ว เพื่อรับมือกับแนวโน้ม "AI+Web3" ที่หลอมรวมกันมากขึ้นเรื่อยๆ
องค์ประกอบสำคัญ:
1. LLM และ SLM: Large Language Model (LLM) เป็นโมเดลการเรียนรู้เชิงลึกที่ประมวลผลเนื้อหาหลายประเภท ในขณะที่ Small Language Model (SLM) เน้นที่ต้นทุนต่ำและการปรับใช้แบบท้องถิ่น
2. AI Agent: หมายถึงระบบอัจฉริยะที่สามารถเข้าใจเป้าหมาย เรียกใช้เครื่องมือ และดำเนินงานได้ ถือเป็นกุญแจสำคัญในการเปลี่ยนจากแชทบอทไปสู่ระบบปฏิบัติการได้
3. Token และหน้าต่างบริบท: Token เป็นหน่วยพื้นฐานสำหรับการประมวลผลและการคิดค่าใช้จ่ายของโมเดล AI ส่วนหน้าต่างบริบทกำหนดจำนวน Token ทั้งหมดที่โมเดลสามารถ "จำได้" ในการประมวลผลครั้งเดียว
4. การอนุมานและต้นทุน: กระบวนการอนุมาน (Inference) หลังจากโมเดลเปิดตัว เป็นแหล่งต้นทุนหลักในขั้นตอนเชิงพาณิชย์ มักมีคำกล่าวว่า "การฝึกอบรมแพง แต่การอนุมานแพงกว่า"
5. RAG และ Grounding: การสร้างเสริมด้วยการค้นคืน (RAG) สร้างคำตอบโดยการรวมแหล่งข้อมูลภายนอก โดยมีวัตถุประสงค์เพื่อให้เกิดการจัดตำแหน่งข้อเท็จจริง (Grounding) แก้ไขปัญหาข้อมูลล้าสมัยและภาพหลอนของโมเดล
6. การเรียกใช้เครื่องมือและ API: ความสามารถของโมเดลในการเรียกใช้เครื่องมือภายนอก (Tool Calling) เป็นสิ่งสำคัญสำหรับ Agent ส่วน API เป็นโครงสร้างพื้นฐานที่เชื่อมต่อแอปพลิเคชัน AI กับบริการของบุคคลที่สาม
7. ประเด็นร้อนในอุตสาหกรรม: เวิร์กโฟลว์ของเอเจนต์ (Agentic Workflow), การเขียนโปรแกรมแบบรู้สึก (Vibe Coding) และโปรโตคอลบริบทโมเดล (MCP) เป็นแนวคิดและแนวโน้มยอดนิยมในวงการ AI ในปัจจุบัน

Original | Odaily (@OdailyChina)

Author｜Golem (@web3_golem)

ตอนนี้ ถ้าคนในวงการคริปโตไม่สนใจ AI ก็มีโอกาสถูกหัวเราะเยาะได้ง่ายๆ (ใช่แล้ว เพื่อนของฉัน ลองคิดดูสิว่าทำไมคุณถึงคลิกเข้ามา)

คุณไม่เข้าใจพื้นฐานของ AI เลยใช่ไหม ทุกครั้งที่เห็นตัวย่อในประโยคก็ต้องถาม Doubao ว่ามันหมายความว่าอะไร? หรือคุณเคยไปงานออฟไลน์เกี่ยวกับ AI แล้วมึนงงกับศัพท์เฉพาะต่างๆ ต้องแกล้งทำเป็นว่าไม่ได้หลุดจากวงสนทนา?

แม้ว่าการก้าวเข้าสู่อุตสาหกรรม AI ภายในเวลาอันสั้นจะเป็นเรื่องไม่จริง แต่การรู้คำศัพท์พื้นฐานที่ใช้บ่อยในวงการ AI ก็ไม่เสียหาย โชคดีที่บทความต่อไปนี้จัดทำขึ้นเพื่อคุณ ↓ ขอแนะนำอย่างจริงใจให้คุณอ่านให้คล่องและเก็บไว้

คำศัพท์พื้นฐาน (12)

LLM (โมเดลภาษาขนาดใหญ่)

แก่นกลางของ LLM คือโมเดลการเรียนรู้เชิงลึกที่ถูกฝึกด้วยข้อมูลมหาศาลและมีความเชี่ยวชาญในการเข้าใจและสร้างภาษา มันสามารถประมวลผลข้อความ และตอนนี้ก็สามารถประมวลผลเนื้อหาประเภทอื่นๆ ได้มากขึ้นเรื่อยๆ

สิ่งที่ตรงกันข้ามคือ SLM (โมเดลภาษาขนาดเล็ก) - โดยทั่วไปหมายถึงโมเดลภาษาที่เน้นต้นทุนที่ต่ำกว่า การปรับใช้ที่เบากว่า และการใช้งานในท้องถิ่นที่สะดวกกว่า

AI Agent (เอเจนต์อัจฉริยะ AI)

AI Agent ไม่ได้หมายถึงแค่ "โมเดลที่สามารถแชทได้" แต่หมายถึงระบบที่สามารถเข้าใจเป้าหมาย เรียกใช้เครื่องมือ ดำเนินงานเป็นขั้นตอน และเมื่อจำเป็นยังสามารถวางแผนและตรวจสอบได้ Google นิยาม agent ว่าเป็นซอฟต์แวร์ที่สามารถให้เหตุผลจากอินพุตหลายรูปแบบและดำเนินการแทนผู้ใช้ได้

Multimodal (หลายรูปแบบ)

โมเดล AI ประเภทนี้ไม่เพียงอ่านข้อความ แต่สามารถประมวลผลอินพุตและเอาต์พุตหลายรูปแบบพร้อมกันได้ เช่น ข้อความ รูปภาพ เสียง วิดีโอ Google กำหนดความหมายของหลายรูปแบบอย่างชัดเจนว่าเป็นความสามารถในการประมวลผลและสร้างเนื้อหาประเภทต่างๆ

Prompt (คำสั่ง)

คำสั่งที่ผู้ใช้ป้อนให้กับโมเดล เป็นวิธีการโต้ตอบระหว่างมนุษย์กับเครื่องที่พื้นฐานที่สุด

Generative AI (AI สร้างสรรค์ / AIGC)

เน้นที่การ "สร้างสรรค์" ของ AI แทนที่จะเป็นการจำแนกประเภทหรือการทำนายเพียงอย่างเดียว โมเดลสร้างสรรค์สามารถสร้างเนื้อหา เช่น ข้อความ รหัส ภาพ สติกเกอร์ วิดีโอ ฯลฯ ตามคำสั่งที่ได้รับ

Token (โทเค็น)

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

Context Window (หน้าต่างบริบท / ความยาวบริบท)

หมายถึงจำนวนโทเค็นทั้งหมดที่โมเดลสามารถ "เห็น" และใช้ได้ในครั้งเดียว หรืออาจเรียกว่าจำนวนโทเค็นที่โมเดลสามารถพิจารณาหรือ "จำได้" ในการประมวลผลครั้งเดียว

Memory (ความจำ)

ทำให้โมเดลหรือ Agent รักษาความชอบของผู้ใช้ บริบทของงาน สถานะในอดีตไว้ได้

Training (การฝึก)

กระบวนการที่โมเดลเรียนรู้พารามิเตอร์จากข้อมูล

Inference (การอนุมาน/การดำเนินการ)

ตรงกันข้ามกับการฝึก หมายถึงกระบวนการที่โมเดลรับอินพุตและสร้างเอาต์พุตหลังจากที่ถูกนำไปใช้งานแล้ว ในอุตสาหกรรมมักพูดว่า "การฝึกมีค่าใช้จ่ายสูง แต่การอนุมานมีค่าใช้จ่ายสูงกว่า" เพราะในขั้นตอนการค้าเชิงพาณิชย์จริงๆ ต้นทุนจำนวนมากเกิดขึ้นที่การอนุมาน การแยกแยะระหว่างการฝึก/การอนุมานที่เกี่ยวข้องก็เป็นกรอบพื้นฐานในการพูดคุยเกี่ยวกับต้นทุนการปรับใช้ของผู้ผลิตหลักเช่นกัน

Tool Use / Tool Calling (การใช้เครื่องมือ / การเรียกใช้เครื่องมือ)

หมายความว่าโมเดลไม่เพียงส่งออกข้อความ แต่สามารถไปเรียกใช้เครื่องมือต่างๆ เช่น การค้นหา การดำเนินการรหัส ฐานข้อมูล API ภายนอก ฯลฯ ซึ่งถือเป็นหนึ่งในความสามารถสำคัญของ Agent แล้ว

API (อินเทอร์เฟซ)

โครงสร้างพื้นฐานเมื่อผลิตภัณฑ์ AI แอปพลิเคชัน Agent เชื่อมต่อกับบริการของบุคคลที่สาม

คำศัพท์ระดับสูง (18)

transformer (สถาปัตยกรรม Transformer)

สถาปัตยกรรมโมเดลประเภทหนึ่งที่ทำให้ AI เข้าใจความสัมพันธ์ของบริบทได้ดีขึ้น และยังเป็นฐานทางเทคนิคของโมเดลภาษาขนาดใหญ่ส่วนใหญ่ในปัจจุบัน ลักษณะที่สำคัญที่สุดคือสามารถดูความสัมพันธ์ระหว่างแต่ละคำกับคำอื่นๆ ในเนื้อหาทั้งส่วนได้พร้อมกัน

Attention (กลไกความสนใจ)

เป็นกลไกหลักที่สำคัญที่สุดของ Transformer หน้าที่คือทำให้โมเดลสามารถตัดสินใจโดยอัตโนมัติว่า "คำใดที่ควรให้ความสำคัญเป็นพิเศษ" ขณะที่อ่านประโยคหนึ่ง

Agentic / Agentic Workflow (แบบเอเจนต์ / กระบวนการทำงานแบบเอเจนต์)

นี่เป็นคำพูดที่ร้อนแรงมากเมื่อเร็วๆ นี้ หมายความว่าระบบไม่ใช่แค่ "ถามตอบ" อีกต่อไป แต่มีการแยกงาน ตัดสินใจขั้นตอนต่อไป เรียกใช้ความสามารถภายนอกด้วยความเป็นอิสระในระดับหนึ่ง ผู้ผลิตหลายรายมองว่ามันเป็นสัญลักษณ์ของ "การเปลี่ยนจากแชทบอทไปสู่ระบบที่ปฏิบัติการได้"

Subagents (เอเจนต์ย่อย)

เอเจนต์หนึ่งแยกออกเป็นเอเจนต์เล็กๆ หลายตัวที่ทำหน้าที่เฉพาะเพื่อจัดการงานย่อย

Skills (โมดูลความสามารถที่นำกลับมาใช้ใหม่ได้)

เมื่อ OpenClaw โด่งดัง คำนี้ก็เริ่มเห็นได้ชัดเจนมากขึ้น นี่คือหน่วยความสามารถ/คู่มือการดำเนินการสำหรับ AI Agent ที่สามารถติดตั้ง นำกลับมาใช้ใหม่ และประกอบเข้าด้วยกันได้ แต่ก็ต้องเตือนเป็นพิเศษถึงความเสี่ยงของการใช้เครื่องมือในทางที่ผิดและการเปิดเผยข้อมูล

Hallucination (ภาพหลอนของเครื่อง)

หมายถึงโมเดลพูดจาไร้สาระอย่างจริงจัง "รับรู้รูปแบบที่ไม่มีอยู่จริง" จึงสร้างเอาต์พุตที่ผิดหรือไร้สาระ นี่คือเอาต์พุตที่โมเดลดูสมเหตุสมผล แต่จริงๆ แล้วเป็นความมั่นใจที่มากเกินไปและผิดพลาด

Latency (ความล่าช้า)

เวลาที่โมเดลใช้ตั้งแต่ได้รับคำขอจนถึงการส่งออกผลลัพธ์ เป็นหนึ่งในศัพท์แสลงทางวิศวกรรมที่พบได้บ่อยที่สุด มักปรากฏบ่อยครั้งเมื่อพูดคุยเกี่ยวกับการนำไปใช้งานจริงและผลิตภัณฑ์

Guardrails (ราวกั้น)

ใช้เพื่อจำกัดว่าโมเดล/Agent สามารถทำอะไรได้บ้าง ควรหยุดเมื่อไหร่ เนื้อหาอะไรที่ไม่ควรส่งออก

Vibe Coding (การเขียนโค้ดแบบรู้สึกไปเลย)

คำนี้ก็เป็นศัพท์แสลง AI ที่ร้อนแรงที่สุดในปัจจุบัน หมายถึงผู้ใช้แสดงความต้องการผ่านการสนทนาโดยตรง AI เป็นคนเขียนโค้ด และผู้ใช้ไม่จำเป็นต้องเข้าใจวิธีการเขียนโค้ดอย่างเจาะจง

Parameters (พารามิเตอร์)

ขนาดตัวเลขภายในโมเดลที่ใช้เก็บความสามารถและความรู้ มักถูกใช้เพื่อวัดขนาดของโมเดลอย่างคร่าวๆ "พารามิเตอร์แสนล้าน" "พารามิเตอร์ล้านล้าน" เป็นคำพูดที่ใช้ขู่คนที่พบได้บ่อยที่สุดในวงการ AI

Reasoning Model (โมเดลการให้เหตุผลที่แข็งแกร่ง)

โดยทั่วไปหมายถึงโมเดลที่เก่งกว่าในการให้เหตุผลหลายขั้นตอน การวางแผน การตรวจสอบ การดำเนินงานที่ซับซ้อน

MCP (โปรโตคอลบริบทโมเดล)

นี่เป็นศัพท์แสลงใหม่ที่ร้อนแรงมากในรอบปีที่ผ่านมา หน้าที่คล้ายกับการสร้างอินเทอร์เฟซสากลระหว่างโมเดลกับเครื่องมือ/แหล่งข้อมูลภายนอก

Fine-tuning / Tuning (การปรับแต่ง)

คือการฝึกโมเดลพื้นฐานต่อไป เพื่อให้มันปรับตัวเข้ากับงาน สไตล์ หรือโดเมนเฉพาะได้ดีขึ้น Google ใช้คำว่า tuning และ fine-tuning เป็นแนวคิดที่เกี่ยวข้องโดยตรงในคำศัพท์

Distillation (การกลั่น)

บีบอัดความสามารถของโมเดลขนาดใหญ่ให้โมเดลขนาดเล็กให้ได้มากที่สุด คล้ายกับการให้ "ครู" สอน "นักเรียน"

RAG (การสร้างเสริมด้วยการค้นคืน)

นี่เกือบจะกลายเป็นการกำหนดค่าพื้นฐานของ AI สำหรับองค์กรแล้ว Microsoft กำหนดความหมายว่าเป็นโหมด "การค้นหา + LLM" ใช้ข้อมูลภายนอกเพื่อสร้างพื้นฐานให้กับการตอบสนอง แก้ปัญหาที่ข้อมูลการฝึกโมเดลล้าสมัย ไม่เข้าใจคลังความรู้ส่วนตัว เป้าหมายคือสร้างการตอบสนองบนเอกสารจริงและความรู้ส่วนตัว แทนที่จะพึ่งเพียงความจำของโมเดลเอง

Grounding (การจัดแนวกับข้อเท็จจริง)

มักปรากฏพร้อมกับ RAG หมายถึงการทำให้การตอบสนองของโมเดลสร้างขึ้นบนพื้นฐานภายนอก เช่น เอกสาร ฐานข้อมูล เว็บเพจ ฯลฯ แทนที่จะพึ่งเพียงความจำของพารามิเตอร์และ "แสดงออกอย่างอิสระ" Microsoft กำหนดให้ grounding เป็นคุณค่าหลักในเอกสารเกี่ยวกับ RAG อย่างชัดเจน