Dictionary · ศัพท์ AI ฉบับภาษาไทย

พูดภาษา AI ให้รู้เรื่อง

291 คำที่คนทำงานยุค AI ควรรู้: ทุกคำเขียนใหม่เป็นไทยจากแหล่งอ้างอิงจริง พร้อมตัวอย่างบทสนทนาแบบที่เจอในที่ทำงาน · ดูเป็นแผนที่เชื่อมโยงได้ใน Knowledge Atlas

พื้นฐาน AI

AGI (Artificial General Intelligence)AI ขั้นสมมติฐานที่ฉลาดรอบด้านเทียบเท่ามนุษย์: เรียนรู้ วางแผน และแก้ปัญหาใหม่ได้เองแทบทุกงาน ต่างจาก AI ปัจจุบันที่เก่งเฉพาะทาง

APIช่องทางมาตรฐานให้โปรแกรมคุยกันเอง เป็นสัญญาว่าถ้าส่งคำขอแบบนี้ไปจะได้ผลลัพธ์แบบนี้กลับมา คนละเรื่องกับหน้าจอสำหรับคน

Chain-of-Thoughtเทคนิคสั่งให้ AI เขียนขั้นตอนการคิดออกมาทีละขั้นก่อนให้คำตอบ แทนการเดาคำตอบทันที ช่วยให้ทำโจทย์ซับซ้อนอย่างเลขหรือตรรกะได้แม่นยำขึ้น

Chatbotโปรแกรมที่คุยโต้ตอบกับคนด้วยข้อความหรือเสียง รุ่นเก่าตอบตามกฎที่เขียนไว้ รุ่นปัจจุบันใช้โมเดลภาษาจึงคุยได้ยืดหยุ่นกว่ามาก

Computer visionสาขาที่ทำให้คอมพิวเตอร์ดึงความหมายออกจากภาพและวิดีโอได้ ใช้ตั้งแต่ตรวจของเสียในโรงงานไปจนถึงอ่านตัวหนังสือจากเอกสาร

Cross-Lingual Consistency Gapปรากฏการณ์ที่ AI ตัวเดียวกันเดินคนละขั้นตอนเมื่อสั่งงานเดียวกันด้วยคนละภาษา งานวิจัย 11 ส.ค. 2026 วัดพบว่าโมเดลแนวหน้าคงลำดับการกระทำข้ามภาษาได้ 71-73%

Datasetชุดข้อมูลที่รวบรวมไว้เป็นระเบียบสำหรับเอาไปวิเคราะห์หรือเทรนโมเดล คุณภาพของมันกำหนดเพดานของสิ่งที่โมเดลจะทำได้

Deep Learningเทคนิคสอน AI ด้วยโครงข่ายประสาทเทียมหลายชั้น ให้เรียนรู้ลักษณะสำคัญจากข้อมูลได้เอง เป็นรากฐานของ AI ยุคใหม่ ตั้งแต่ระบบรู้จำเสียงไปจนถึง ChatGPT

Emergent Abilitiesความสามารถของ AI ที่ไม่มีในโมเดลเล็ก แต่โผล่ขึ้นมาแบบก้าวกระโดดเมื่อโมเดลใหญ่ถึงจุดหนึ่ง โดยทำนายล่วงหน้าจากผลงานของโมเดลเล็กไม่ได้

Few-shot Learningเทคนิคที่ทำให้ AI เรียนรู้งานใหม่จากตัวอย่างแค่ไม่กี่ชุด เช่น แปะตัวอย่าง 2-3 แบบใน prompt แล้วโมเดลทำตามแพตเทิร์นได้ทันทีโดยไม่ต้องเทรนใหม่

Full-duplexการสื่อสารสองทางพร้อมกันโดยไม่ต้องผลัดกันพูด เป็นสิ่งที่ทำให้คุยกับ AI ด้วยเสียงแล้วรู้สึกเป็นธรรมชาติและขัดจังหวะได้

Generative AIAI ที่เรียนรู้แพทเทิร์นจากข้อมูลมหาศาล แล้วสร้างเนื้อหาใหม่ได้เองตามคำสั่ง ทั้งข้อความ ภาพ เสียง วิดีโอ และโค้ด เช่น ChatGPT และ Midjourney

Ground truthชุดคำตอบที่ถือว่าถูก ใช้เป็นไม้บรรทัดวัดว่า AI ตอบถูกหรือผิด องค์กรต้องลงแรงทำเอง และมันคือฉลากที่คนตัดสิน ไม่ใช่ความจริงสัมบูรณ์

Knowledge Distillationเทคนิคถ่ายทอดความรู้จากโมเดล AI ตัวใหญ่ (ครู) ไปยังโมเดลตัวเล็ก (นักเรียน) ให้เก่งใกล้เคียงกันแต่เบากว่าและถูกกว่า จนใช้บนมือถือหรืออุปกรณ์เล็กได้

Large Language Model (LLM)โมเดล AI ที่เทรนด้วยข้อความมหาศาลจนอ่านเขียนภาษามนุษย์ได้ เป็นสมองเบื้องหลัง ChatGPT และ Claude ทำงานด้วยหลักการทายคำถัดไปทีละ token

Machine Learningสาขาของ AI ที่ให้คอมพิวเตอร์เรียนรู้จากข้อมูลและหารูปแบบได้เอง โดยไม่ต้องเขียนโปรแกรมกำหนดกฎทีละข้อ เป็นรากฐานของ AI แทบทุกระบบที่ใช้กันทุกวันนี้

Mixture of Experts (MoE)เทคนิคออกแบบโมเดล AI ให้ข้างในมี "ผู้เชี่ยวชาญ" หลายชุด แล้วเลือกใช้แค่บางชุดต่อคำ ทำให้โมเดลใหญ่ขึ้นได้โดยไม่เปลืองพลังประมวลผลเพิ่มตามตัว

Multimodal AIAI ที่รับและเข้าใจข้อมูลได้หลายรูปแบบในระบบเดียว ทั้งข้อความ ภาพ เสียง วิดีโอ เช่น ส่งรูปให้ช่วยอ่าน หรือคุยด้วยเสียงได้เลย

Natural Language Processing (NLP)สาขาของ AI ที่ทำให้คอมพิวเตอร์อ่าน เข้าใจ และสร้างภาษามนุษย์ได้ เป็นรากฐานของระบบแปลภาษา แชทบอท และ AI ที่เราพิมพ์คุยด้วยทุกวัน

Neural Networkเครือข่ายของหน่วยประมวลผลเล็กๆ ที่เชื่อมกันเป็นชั้นๆ โดยได้แรงบันดาลใจจากสมองมนุษย์ เรียนรู้จากข้อมูลด้วยการปรับน้ำหนักการเชื่อมต่อ และเป็นรากฐานของ AI ยุคนี้

Prompt Engineeringทักษะการออกแบบและปรับข้อความสั่งงาน AI อย่างเป็นระบบ เพื่อให้ได้คำตอบที่ตรงความต้องการและผลคงที่ ไม่ใช่แค่พิมพ์ถามเก่งหรือท่องสูตรสำเร็จ

Reinforcement learningการเรียนรู้แบบลองผิดลองถูกจากรางวัลที่ได้ ไม่ต้องมีเฉลยล่วงหน้า เป็นรากฐานของการฝึกโมเดลให้ทำงานหลายขั้นและของ RLHF

Scaling Lawsกฎเชิงประจักษ์ว่ายิ่งเพิ่มขนาดโมเดล ข้อมูลฝึก และพลังประมวลผล AI ยิ่งเก่งขึ้นอย่างคาดการณ์ได้ เป็นเหตุผลที่บริษัท AI ทุ่มเงินสร้างโมเดลใหญ่ขึ้นเรื่อยๆ

Speech-to-textการแปลงเสียงพูดเป็นข้อความอัตโนมัติ ใช้ถอดเทปประชุม ทำระบบรับสาย และทำคลังเสียงให้ค้นหาได้ วัดคุณภาพด้วยอัตราคำผิด

Supervised learningการสอนโมเดลด้วยตัวอย่างที่มีเฉลยกำกับไว้แล้ว เป็นวิธีที่ใช้มากที่สุดในงานธุรกิจ และคุณภาพของเฉลยคือเพดานของผลลัพธ์

Synthetic Dataข้อมูลที่สร้างขึ้นด้วยอัลกอริทึมหรือ AI ให้มีคุณสมบัติทางสถิติเหมือนข้อมูลจริง ใช้เทรนหรือทดสอบระบบได้โดยไม่ต้องแตะข้อมูลจริงที่อ่อนไหว

Text-to-imageการสร้างภาพจากคำบรรยายที่พิมพ์เข้าไป เทคโนโลยีที่ทำให้ใครก็สร้างภาพได้ พร้อมข้อถกเถียงเรื่องข้อมูลที่ใช้เทรน

Text-to-speechการแปลงข้อความเป็นเสียงพูด ยุคโครงข่ายประสาทเทียมทำให้เสียงเป็นธรรมชาติจนโคลนเสียงคนได้จากตัวอย่างไม่กี่วินาที

Transfer Learningเทคนิค machine learning ที่นำความรู้จากโมเดลซึ่งฝึกงานหนึ่งมาแล้ว มาต่อยอดเรียนรู้งานใหม่ที่เกี่ยวข้อง โดยไม่ต้องเริ่มฝึกจากศูนย์

Unsupervised learningการให้โมเดลหาโครงสร้างจากข้อมูลที่ไม่มีเฉลยกำกับ ใช้จัดกลุ่มลูกค้าและหาความผิดปกติ เริ่มได้เร็วเพราะไม่ต้องติดป้ายก่อน

Zero-shot Learningความสามารถของโมเดล AI ในการทำงานหรือจำแนกสิ่งที่ไม่เคยถูกสอนมาก่อนเลย โดยอาศัยความรู้เดิมกับคำอธิบายงาน ไม่ต้องมีตัวอย่างให้ดูแม้แต่ชิ้นเดียว

กลไกโมเดล

AIความสามารถของระบบคอมพิวเตอร์ในการทำงานที่ปกติต้องใช้สติปัญญามนุษย์ เช่น เรียนรู้ ใช้เหตุผล แก้ปัญหา รับรู้ และตัดสินใจ

Attention Mechanismกลไกที่ทำให้ AI รู้ว่าควรโฟกัสคำไหนในข้อความ โดยให้น้ำหนักความสำคัญแต่ละคำไม่เท่ากัน เป็นหัวใจของ Transformer ที่อยู่เบื้องหลังโมเดลภาษายุคปัจจุบัน

Cache tokensToken ขาเข้าที่ระบบเคยอ่านแล้วเก็บผลไว้ใน cache ทำให้รอบถัดไปไม่ต้องประมวลผลซ้ำ ค่าใช้จ่ายถูกลงมากและโมเดลเริ่มตอบเร็วขึ้น

Calibrationความตรงระหว่างความมั่นใจที่โมเดลบอกกับความถูกต้องจริง โมเดลที่มั่นใจเกินจริงทำให้ระบบคัดกรองงานที่พึ่งค่าความมั่นใจพังทั้งชุด

Diffusion language modelโมเดลภาษาสายที่สองที่สร้างข้อความด้วยการค่อยๆ ขัดเกลาจากสัญญาณรบกวน แทนการทายทีละคำเรียงกันแบบที่โมเดลดังทุกตัวใช้

Diffusion modelเทคนิคสร้างภาพและวิดีโอของ AI ที่เริ่มจากสัญญาณรบกวน แล้วค่อยๆ ขัดเกลาทีละขั้นจนได้ผลลัพธ์ตามคำสั่ง ต่างจากการทายคำถัดไปทีละคำของโมเดลภาษาสาย transformer

Effortระดับความพยายามที่สั่งให้ AI ใช้กับงานหนึ่งๆ: ตั้งต่ำได้คำตอบเร็วและประหยัด ตั้งสูงได้การคิดที่ลึกและละเอียดขึ้น แลกกับเวลารอและค่าใช้จ่ายที่เพิ่มขึ้น

Embeddingการแปลงข้อความ รูปภาพ หรือข้อมูลอื่นให้เป็นชุดตัวเลข (vector) ที่เก็บความหมายไว้ เพื่อให้คอมพิวเตอร์คำนวณได้ว่าอะไรคล้ายกับอะไร

Fine-tuningการเอา AI model ที่ฝึกมาแล้วมาฝึกต่อด้วยตัวอย่างเฉพาะงานของเรา เพื่อให้เก่งงานนั้นขึ้น โดยไม่ต้องสร้างโมเดลใหม่ตั้งแต่ศูนย์

Hallucinationอาการที่ AI ตอบข้อมูลผิดหรือแต่งเรื่องขึ้นเองด้วยน้ำเสียงมั่นใจจนฟังดูน่าเชื่อถือ ทั้งที่ข้อมูลนั้นไม่เคยมีอยู่จริง

In-context learningการที่โมเดลเรียนรู้จากตัวอย่างในคำสั่งชั่วคราวโดยน้ำหนักไม่เปลี่ยน จบการสนทนาแล้วลืมหมด เป็นเหตุผลที่การแนบตัวอย่างได้ผลดี

Inferenceขั้นตอนที่โมเดล AI ซึ่งฝึกเสร็จแล้วถูกนำมาใช้งานจริง รับคำถามหรือข้อมูลใหม่แล้วประมวลผลออกมาเป็นคำตอบ ทุกครั้งที่คุยกับ chatbot คือ inference หนึ่งรอบ

Input tokensจำนวน token ทั้งหมดที่เราส่งให้ AI อ่านในแต่ละครั้ง ทั้งคำสั่ง ประวัติแชท และไฟล์แนบ เป็นฝั่ง "ขาเข้า" ที่ผู้ให้บริการใช้คิดค่าบริการ

Knowledge cutoffวันตัดข้อมูลที่ใช้เทรนโมเดล AI: เหตุการณ์ที่เกิดหลังวันนั้นโมเดลไม่รู้ด้วยตัวเอง ต้องพึ่งการค้นเว็บหรือข้อมูลที่เราป้อนเพิ่มให้

KV cacheหน่วยความจำที่โมเดลเก็บผลคำนวณของโทเคนก่อนหน้าไว้ใช้ซ้ำ ทำให้ตอบเร็วขึ้นมาก แต่กินหน่วยความจำโตตามความยาวบทสนทนา

LoRALoRA คือเทคนิค fine-tuning ที่ฝึกเฉพาะเมทริกซ์เล็กๆ ที่แทรกเข้าไปในโมเดล แทนการปรับพารามิเตอร์ทั้งหมด ทำให้ประหยัด GPU และพื้นที่เก็บข้อมูลมาก

Modelตัว AI ที่ผ่านการเทรนจนอ่านและสร้างข้อความได้ เป็นสมองเบื้องหลังแอปอย่าง Claude หรือ ChatGPT แต่ละรุ่นฉลาด เร็ว และแพงไม่เท่ากัน

Model collapseอาการที่โมเดลเสื่อมคุณภาพลงเมื่อถูกเทรนซ้ำด้วยข้อมูลที่ AI สร้างขึ้นเอง จนสูญเสียความหลากหลายและลืมกรณีที่พบไม่บ่อย

Model providerบริษัทหรือบริการที่รันโมเดล AI ไว้บนเซิร์ฟเวอร์ของตน แล้วเปิดให้แอปและผู้ใช้เรียกใช้ผ่าน API เช่น Anthropic ผู้ให้บริการโมเดล Claude

Model provider requestคำขอหนึ่งครั้งที่แอปหรือ agent ส่งไปยัง API ของผู้ให้บริการโมเดล เช่น Anthropic เพื่อให้โมเดลประมวลผลบทสนทนาแล้วส่งคำตอบกลับมาหนึ่งชุด

Next-token predictionกลไกหลักของ AI ภาษา: อ่านข้อความที่มีอยู่ แล้วทายว่าคำถัดไปน่าจะเป็นคำไหนตามความน่าจะเป็น ทายซ้ำทีละคำจนต่อกันเป็นคำตอบที่เราเห็น

Non-determinismธรรมชาติของ AI ที่ป้อนคำสั่งเดิมซ้ำแต่ได้คำตอบไม่เหมือนเดิม แม้ตั้งค่าเหมือนกันทุกอย่าง ไม่ใช่ระบบเสีย แต่เป็นสิ่งที่ต้องออกแบบงานเผื่อไว้

Output tokensหน่วยนับข้อความทั้งหมดที่ AI สร้างตอบกลับเรา ยิ่งให้ตอบยาวยิ่งจ่ายแพง เพราะผู้ให้บริการคิดราคาฝั่งขาออกแพงกว่าฝั่งขาเข้าราว 5 เท่า

Overfittingโมเดลจดจำรายละเอียดของข้อมูลฝึกมากเกินไปจนทำนายข้อมูลใหม่ผิดพลาด เหมือนนักเรียนท่องข้อสอบเก่าได้หมดแต่ทำข้อสอบจริงไม่ได้

Overthinkingอาการที่ reasoning model ใช้ความคิดยาวเกินจำเป็นกับโจทย์ง่าย ทำให้เสียโทเคนและเวลาโดยคำตอบไม่ได้ดีขึ้น

Parametersค่าตัวเลขนับพันล้านค่าภายในโมเดล AI ที่ถูกปรับระหว่างการ train จนกลายเป็นที่เก็บความรู้และความสามารถทั้งหมดของโมเดล

Prefix cacheเทคนิคที่ระบบ AI จำผลการอ่านส่วนต้นของ prompt ที่ส่งซ้ำๆ ไว้ ไม่ต้องประมวลผลใหม่ทุกครั้ง ทำให้ตอบไวขึ้นและค่าใช้จ่ายถูกลงมาก

Quantizationการลดความละเอียดของตัวเลขในโมเดลให้ใช้บิตน้อยลง เพื่อให้โมเดลใหญ่รันบนเครื่องเล็กได้ แลกกับความแม่นยำที่ลดลงบ้าง

Reasoning Modelโมเดล AI ที่ถูกฝึกให้คิดเป็นขั้นตอนก่อนตอบ ใช้เวลาประมวลผลมากขึ้นเพื่อแก้โจทย์ยาก เช่น คณิตศาสตร์ โค้ด และการวิเคราะห์ที่ซับซ้อน

RLHFการฝึกโมเดลด้วยผลตอบรับจากคน โดยให้คนจัดอันดับคำตอบแล้วสร้างตัวให้คะแนนมากำกับ เป็นขั้นที่ทำให้แชทบอทคุยกับคนรู้เรื่อง

Speculative decodingเทคนิคเร่งความเร็วโดยให้โมเดลเล็กเดาคำล่วงหน้าหลายคำ แล้วโมเดลใหญ่ตรวจทีเดียว เร็วขึ้นราวสองถึงสามเท่าโดยคำตอบเหมือนเดิม

Sycophancyอาการที่ AI ตอบเอาใจผู้ใช้: เลือกเห็นด้วยหรือชมตามที่ผู้ใช้อยากได้ยิน มากกว่าตอบตามข้อเท็จจริง เป็นผลข้างเคียงจากการ train ด้วย feedback ของมนุษย์

Temperatureค่าที่คุมความสุ่มตอน AI เลือกคำถัดไป ยิ่งต่ำคำตอบยิ่งนิ่งซ้ำเดิม ยิ่งสูงยิ่งหลากหลายแต่เสี่ยงหลุดประเด็น ตั้งเป็น 0 ก็ไม่การันตีว่าจะได้คำตอบเดิมทุกครั้ง

Test-time computeแนวคิดที่ว่าโมเดลเก่งขึ้นได้จากการใช้แรงคิดตอนตอบมากขึ้น ไม่ต้องรอขยายขนาดตอนเทรน จึงเป็นที่มาของคำตอบที่ดีขึ้นแลกกับเวลาและค่าใช้จ่ายที่สูงขึ้น

Tokenหน่วยย่อยที่สุดที่โมเดล AI ใช้อ่านและเขียนข้อความ อาจเป็นทั้งคำ ท่อนของคำ หรือตัวอักษร ทั้งค่าใช้จ่ายและขีดจำกัดความจำของ AI ล้วนนับเป็น token

Tokenizationการหั่นข้อความเป็นชิ้นย่อยแล้วแปลงเป็นตัวเลขก่อนป้อนโมเดล เป็นเหตุผลที่ภาษาไทยมักกินโทเคนมากกว่าภาษาอังกฤษ

Trainingกระบวนการสอนโมเดล AI ด้วยข้อมูลมหาศาลก่อนปล่อยให้ใช้งาน โดยให้ฝึกทายคำที่หายไปซ้ำๆ จนจับ pattern ภาษาได้เอง เกิดขึ้นล่วงหน้าครั้งเดียว ไม่ใช่ตอนเราแชท

Transformerสถาปัตยกรรม AI ที่เปิดตัวปี 2017 ใช้กลไก attention อ่านข้อมูลทั้งประโยคพร้อมกัน และเป็นรากฐานของ AI สร้างเนื้อหายุคใหม่แทบทุกตัวรวมถึง ChatGPT

Context และ Session

Attention budgetงบความสนใจที่จำกัดของ AI: ยิ่งป้อนข้อมูลเข้าไปมากเท่าไหร่ ความแม่นในการโฟกัสแต่ละจุดยิ่งลดลง จึงต้องคัดใส่เฉพาะข้อมูลที่จำเป็นจริงๆ

Attention degradationอาการที่ AI ยิ่งอ่านบทสนทนาหรือเอกสารยาวขึ้น ยิ่งจับใจความได้แม่นน้อยลง แม้ข้อมูลยังอยู่ในความจำครบ ทำให้เนื้อหาช่วงต้นถูกมองข้ามหรือหลงลืม

Autocompactกลไกที่เครื่องมือ AI สรุปย่อบทสนทนาเก่าให้เองอัตโนมัติเมื่อคุยยาวจนความจำใกล้เต็ม เพื่อให้ทำงานต่อได้โดยไม่สะดุด

Clearingการล้างบทสนทนาและ context ของ AI ให้ว่างก่อนเริ่มงานใหม่ เพื่อไม่ให้ข้อมูลเก่าที่ไม่เกี่ยวข้องสะสมจนคุณภาพคำตอบตก

Compactionเทคนิคที่ระบบ AI สรุปบทสนทนาที่ยาวจนความจำใกล้เต็มให้เหลือฉบับย่อ แล้วเริ่มหน้าต่างความจำใหม่ด้วยบทสรุปนั้น เพื่อทำงานต่อได้โดยไม่ลืมเรื่องสำคัญ

Contextข้อมูลทั้งหมดที่ AI มองเห็นตอนสร้างคำตอบ ทั้งคำสั่ง บทสนทนา ไฟล์แนบ และผลจากเครื่องมือ: AI รู้เท่าที่อยู่ใน context ไม่ได้จำอะไรเองข้ามแชท

Context engineeringแนวทางออกแบบอย่างเป็นระบบว่าจะใส่ข้อมูลอะไรเข้า context window ของ AI ในแต่ละรอบ ทั้งคำสั่ง ประวัติการคุย และผลจากเครื่องมือ ไม่ใช่แค่เขียน prompt ให้สวย

Context windowพื้นที่ความจำระยะสั้นของ AI: ขอบเขตข้อความทั้งหมดที่โมเดลมองเห็นได้ในบทสนทนาหนึ่ง ทั้งที่เราพิมพ์ ไฟล์ที่แนบ และคำตอบของมันเอง วัดเป็นหน่วย token

Promptข้อความหรือคำสั่งที่เราพิมพ์ส่งให้ AI เพื่อบอกว่าต้องการอะไร ยิ่งเขียนชัด ให้บริบทและตัวอย่างครบ ผลลัพธ์ยิ่งตรงใจ

Sessionบทสนทนากับ AI หนึ่งชุดที่ระบบบันทึกไว้ครบทั้งเรื่อง ทำให้ปิดโปรแกรมแล้วกลับมาทำต่อจากเดิม แตกสาขาลองแนวทางใหม่ หรือสลับระหว่างหลายงานได้

Statefulคุณสมบัติของระบบที่จำข้อมูลจากการโต้ตอบครั้งก่อนได้ เช่น แชตที่คุยต่อจากเดิมได้ ต่างจากตัวโมเดล AI ที่โดยตัวมันเองไม่จำอะไรเลยระหว่างคำขอแต่ละครั้ง

Statelessคุณสมบัติของ AI model ที่ไม่จำอะไรเลยระหว่างการเรียกใช้แต่ละครั้ง: ที่แชตดูเหมือนจำได้ เพราะระบบส่งประวัติบทสนทนาทั้งหมดกลับไปให้อ่านใหม่ทุกครั้ง

System promptชุดคำสั่งที่ตั้งให้ AI ก่อนเริ่มบทสนทนา เพื่อกำหนดบทบาท กติกา และน้ำเสียงในการตอบ โดยผู้ใช้ทั่วไปมักมองไม่เห็นเพราะถูกฝังมากับตัวแอป

Turnหนึ่งรอบถามตอบระหว่างเรากับ AI: เราส่งข้อความหนึ่งครั้ง โมเดลตอบกลับหนึ่งครั้ง บทสนทนายาวๆ ก็คือ turn หลายรอบเรียงต่อกัน

เครื่องมือและสภาพแวดล้อม

API keyกุญแจลับที่ผู้ให้บริการโมเดลออกให้ระบบของเราใช้พิสูจน์ตัวตนตอนเรียก API ใครถือคีย์ไปได้ก็ยิงค่าใช้จ่ายเข้าบัญชีเราได้

Checkpointจุดบันทึกสภาพโค้ดที่ระบบเก็บอัตโนมัติก่อนทุกคำสั่ง ใช้ย้อนกลับเมื่องานหลุดทาง แต่ไม่ครอบคลุมทุกการเปลี่ยนแปลง

Connectorช่องต่อสำเร็จรูปที่ทำให้ AI เข้าถึงเครื่องมือที่องค์กรใช้อยู่แล้ว เช่น อีเมล ปฏิทิน CRM โดยไม่ต้องคัดลอกข้อมูลไปมาเอง

Edge AIการรัน AI บนอุปกรณ์ปลายทางอย่างมือถือหรือนาฬิกาแทนการส่งขึ้นคลาวด์ ได้ความเร็ว ความเป็นส่วนตัว และทำงานตอนเน็ตหลุดได้

Environmentสภาพแวดล้อมที่ AI agent ทำงานอยู่จริง เช่น เครื่องคอมพิวเตอร์ ไฟล์ และโปรแกรมที่มันเข้าถึงได้ · agent ทำได้แค่ไหนขึ้นกับว่า environment เปิดให้ทำอะไร

Filesystemระบบไฟล์และโฟลเดอร์ในเครื่องที่ AI agent ใช้อ่าน เขียน และค้นหาข้อมูล เสมือนโต๊ะทำงานและตู้เอกสารที่ทำให้ agent จำและจัดการงานได้เกินขีดจำกัดของบทสนทนา

GPUชิปที่คำนวณเลขจำนวนมากพร้อมกันได้ เดิมทำมาเพื่องานกราฟิก แล้วกลายเป็นหัวใจของการเทรนและรัน AI เพราะงานทั้งสองอย่างต้องการการคำนวณแบบขนาน

Harnessระบบซอฟต์แวร์ที่ห่อรอบโมเดล AI ให้กลายเป็น agent ที่ทำงานจริงได้: จัดหาเครื่องมือ รันวงจรทำงาน ตรวจผลลัพธ์ และจัดการหน่วยความจำให้โมเดล

Headless modeการรัน AI แบบไม่มีหน้าจอโต้ตอบ สั่งครั้งเดียวแล้วรับผลลัพธ์ออกมาเป็นข้อความหรือ JSON เพื่อเอาไปต่อในสคริปต์หรือ CI

Hookคำสั่งที่ตั้งไว้ให้ทำงานเองอัตโนมัติทุกครั้งที่ AI ถึงจังหวะที่กำหนด เช่น ก่อนเรียกเครื่องมือ ใช้บังคับกติกาที่ห้ามพลาด

MCPมาตรฐานเปิดที่เปรียบเหมือนพอร์ต USB-C ของแอป AI: ทำให้ AI เชื่อมต่อข้อมูลและเครื่องมือภายนอกด้วยวิธีมาตรฐานเดียว ไม่ต้องเขียนตัวเชื่อมใหม่ทีละระบบ

OCRการอ่านตัวอักษรจากภาพหรือ PDF สแกนให้กลายเป็นข้อความที่ค้นหาต่อได้ เป็นด่านแรกที่งานเอกสารไทยต้องผ่านก่อนส่งเข้าระบบ AI

Permission modeระดับการขออนุญาตของ AI agent: ตัวตั้งค่าว่าก่อนแก้ไฟล์หรือรันคำสั่ง AI ต้องหยุดถามเราบ่อยแค่ไหน ตั้งแต่ถามทุกครั้งจนถึงไม่ถามเลย

Permission requestจังหวะที่ AI agent หยุดถามผู้ใช้ก่อนลงมือทำสิ่งที่มีผลกระทบจริง เช่น แก้ไฟล์หรือรันคำสั่ง เพื่อให้คนเป็นผู้อนุมัติขั้นสุดท้าย

Pluginชุดความสามารถที่แพ็กเป็นโฟลเดอร์เดียวแล้วแจกจ่ายให้ทีมติดตั้งใช้ร่วมกันได้ รวม skill, agent, hook และ MCP server ไว้ด้วยกัน

Prompt injectionการโจมตีระบบ AI โดยแอบฝังคำสั่งปนมากับข้อความหรือไฟล์ที่ AI ต้องอ่าน หลอกให้ AI ทำตามคำสั่งของผู้โจมตีแทนคำสั่งของเจ้าของระบบ

Rate limitเพดานที่ผู้ให้บริการ AI ตั้งไว้ว่าบัญชีหนึ่งยิงคำขอและใช้ token ได้เท่าไรต่อนาที เกินเมื่อไรจะได้ error 429 ซึ่งมักแนบ header บอกจำนวนวินาทีที่ต้องรอก่อนลองใหม่

Sandboxกลไกความปลอดภัยที่กักโปรแกรมหรือ AI ให้ทำงานในพื้นที่ปิด อ่านเขียนไฟล์และต่อเน็ตได้เท่าที่อนุญาต ต่อให้ทำพลาดก็ไม่ลามไปถึงระบบจริง

Slash commandคำสั่งที่พิมพ์ขึ้นต้นด้วยเครื่องหมาย / เพื่อสั่งงานตัวเครื่องมือโดยตรง เช่น ล้างบทสนทนา ย่อบริบท หรือสลับโหมด

Stateless MCPมาตรฐาน MCP ฉบับ 2026-07-28 ที่ตัดระบบ session ทิ้งทั้งหมด ทุกคำขอจบในตัวเอง เป็น breaking change ของทั้งวงการ

Toolความสามารถเสริมที่ระบบต่อให้ AI ใช้ทำสิ่งที่ตัวโมเดลทำเองไม่ได้ เช่น ค้นเว็บ อ่านไฟล์ ส่งอีเมล โดยโมเดลเป็นคนเลือกเรียก แต่ระบบภายนอกเป็นคนลงมือรันจริง

Tool callคำขอแบบมีโครงสร้างที่ AI ส่งออกมากลางบทสนทนา เพื่อให้ระบบไปเรียกใช้เครื่องมือภายนอกให้ โดยระบุชื่อเครื่องมือและข้อมูลที่ต้องใช้ ตัว AI ไม่ได้ลงมือรันเอง

Tool resultข้อมูลผลลัพธ์ที่ส่งกลับให้ AI หลังจากมันสั่งเรียกใช้เครื่องมือ เช่น ผลค้นเว็บหรือค่าจากระบบ เพื่อให้ AI นำไปใช้ตอบคำถามหรือทำงานขั้นต่อไป

Agent

A2A protocolมาตรฐานกลางใต้ Linux Foundation ที่ให้ AI agent ของคนละเจ้าส่งงานหากันได้ ต่างจาก MCP ตรงที่ MCP ต่อ agent เข้ากับเครื่องมือ ส่วน A2A ต่อ agent เข้ากับ agent

Agentระบบ AI ที่รับเป้าหมายแล้วลงมือทำเอง: วางแผน เรียกใช้เครื่องมือ ดูผลลัพธ์ แล้ววนทำต่อจนงานเสร็จ โดยไม่ต้องรอคนสั่งทีละขั้น

Agent identityการให้ AI agent มีตัวตนที่ตรวจสอบได้ว่าใครเป็นเจ้าของและใครสั่งมา เพื่อให้ปลายทางแยกออกว่าบอตที่มาติดต่อเชื่อถือได้ไหม

Agent modeโหมดใน AI coding assistant ที่ปล่อยให้ AI วางแผน แก้ไฟล์ รันคำสั่ง และวนแก้ error เองหลายขั้นตอนจนงานเสร็จ โดยมีคนคอยอนุมัติและรีวิวผลลัพธ์

Agent swarmการปล่อย agent จำนวนมากทำงานขนานกันแล้วรวมผล ได้ความครอบคลุมที่ตัวเดียวทำไม่ได้ แลกกับต้นทุนประสานงานและการตรวจที่โตตาม

AGENTS.mdไฟล์ Markdown มาตรฐานกลางที่วางไว้ในโปรเจกต์ เพื่อบอกกติกาและวิธีทำงานให้ AI coding agent อ่านก่อนลงมือทำ เปรียบเป็น README สำหรับ AI

Approval fatigueอาการที่คนกดอนุมัติคำสั่งของ AI agent ซ้ำๆ จนเลิกอ่านก่อนกด ทำให้คำสั่งอันตรายหลุดผ่านได้ง่ายกว่าที่คิด

Computer useความสามารถที่ให้ AI ควบคุมหน้าจอแทนคน เปิดแอป กดปุ่ม พิมพ์ ใช้เมื่อไม่มีช่องต่อโดยตรง ยังอยู่ในสถานะ research preview

Custom engine agentagent ที่เอา orchestrator และโมเดลของตัวเองมาต่อกับ Microsoft 365 ยืดหยุ่นกว่าแต่ต้องหาที่รันเองและรับผิดชอบความปลอดภัยเอง

Declarative agentวิธีสร้าง agent บน Microsoft 365 Copilot ด้วยการใส่คำสั่ง ความรู้ และ action ให้ โดยยืมโมเดลกับ orchestrator ของ Copilot ไม่ต้องหาที่รันเอง

Embodied AIAI ที่มีร่างกายจริงและรับรู้กับลงมือในโลกกายภาพ ต่างจาก AI ที่ทำงานกับข้อความล้วน เพราะโลกจริงไม่ให้โอกาสลองผิดฟรี

Failure attributionการชี้ให้ชัดว่า agent ทำงานพลาดเพราะตัวโมเดล ระบบที่ครอบมัน เครื่องมือที่ต่ออยู่ หรือตัวชุดทดสอบเอง เพื่อจะได้แก้ถูกจุด

Long-horizon taskงานที่ agent ต้องทำต่อเนื่องหลายร้อยรอบเป็นชั่วโมงกว่าจะจบ เป็นกำแพงที่โมเดลแนวหน้าปี 2026 ยังผ่านได้ไม่ถึง 20%

Memory systemระบบที่ให้ AI จดสิ่งที่เรียนรู้ลงไฟล์บันทึกถาวร แล้วกลับมาอ่านเมื่อเริ่มคุยครั้งใหม่ ทำให้จำเราได้ข้ามบทสนทนาโดยไม่ต้องสอนซ้ำทุกครั้ง

Microsoft Entra Agent IDการให้ AI agent มีบัญชีของตัวเองในระบบตัวตนขององค์กร เพื่อกำหนดสิทธิ์รายตัวและตรวจย้อนหลังได้ว่าตัวไหนทำอะไร

Progressive disclosureหลักการเปิดเผยข้อมูลทีละชั้น: โชว์เฉพาะสิ่งจำเป็นก่อน แล้วค่อยเปิดรายละเอียดเมื่อถูกขอ ใช้ทั้งการออกแบบหน้าจอและการป้อนความรู้ให้ AI

Skillชุดคำสั่งและไฟล์ความรู้ที่จัดเป็นโฟลเดอร์ให้ AI หยิบมาโหลดใช้เองเมื่องานตรงเรื่อง เหมือนคู่มือทำงานเฉพาะทางที่สอน AI ได้โดยไม่ต้องฝึกโมเดลใหม่

Skill libraryคลังทักษะที่ agent เก็บสะสมไว้หยิบมาใช้ซ้ำ งานปี 2026 พบว่าให้อ่านบริบทงานก่อนหน้าเฉยๆ ได้ผลพอกัน

Subagentผู้ช่วย AI ตัวรองที่ AI ตัวหลักสร้างขึ้นมารับงานเฉพาะไปทำในพื้นที่ความจำแยกของตัวเอง เสร็จแล้วส่งเฉพาะข้อสรุปกลับมา ทำให้บทสนทนาหลักไม่รก

วิธีทำงานกับ AI

AFKย่อจาก Away From Keyboard: การปล่อยให้ AI agent ทำงานต่อเองขณะเราลุกไปทำอย่างอื่น โดยวางเกณฑ์ตรวจงานและขอบเขตสิทธิ์ไว้ล่วงหน้าแทนการนั่งเฝ้าหน้าจอ

Automated checkการตรวจสอบชิ้นงานที่คอมพิวเตอร์รันให้เองอัตโนมัติ เช่น เทสต์หรือ lint แล้วตอบชัดว่าผ่านหรือไม่ผ่าน โดยไม่ต้องรอคนมานั่งไล่ดูเอง

Automated reviewการให้ AI ตรวจงานที่ส่งเข้ามาโดยอัตโนมัติ เช่นรีวิวโค้ดใน pull request แล้วชี้จุดเสี่ยงพร้อมคำอธิบาย โดยคนยังเป็นผู้อนุมัติขั้นสุดท้าย

CLAUDE.mdไฟล์ที่เขียนกติกาและบริบทของโปรเจกต์ให้ Claude Code อ่านทุกครั้งที่เริ่มงาน เป็นบริบท ไม่ใช่กฎที่บังคับได้

Handoffการส่งต่องานและบทสนทนาจาก AI agent ตัวหนึ่งไปให้อีกตัวที่เชี่ยวชาญกว่ารับช่วงตอบแทน เหมือนคอลเซ็นเตอร์โอนสายไปหาแผนกที่ตรงเรื่อง

Handoff artifactไฟล์หรือเอกสารสรุปงานที่ AI ตัวหนึ่งเขียนทิ้งไว้ ให้ AI ตัวถัดไปหรือคนที่มารับช่วงอ่านแล้วทำงานต่อได้ทันที โดยไม่ต้องเล่าเรื่องทั้งหมดใหม่

Human reviewการให้คนจริงๆ อ่านและตรวจงานที่ AI หรือเพื่อนร่วมทีมทำ ก่อนอนุมัติให้นำไปใช้จริง เพราะเครื่องมืออัตโนมัติอาจตรวจไม่ครบหรือชี้ปัญหาที่ไม่มีอยู่จริง

Human-in-the-loopแนวทางออกแบบระบบ AI ที่กำหนดให้คนเข้ามาตรวจ อนุมัติ หรือแก้ไขในจุดสำคัญของงานอัตโนมัติ เพื่อความแม่นยำ ความปลอดภัย และมีคนรับผิดชอบผลลัพธ์

Meat proxyคำเรียกคนที่เอาคำตอบจาก AI ไปวางต่อให้คนอื่นดิบๆ โดยไม่อ่านไม่ตรวจก่อน กลายเป็นตัวกลางที่ไม่ได้เพิ่มคุณค่าอะไรให้บทสนทนา

Model routingการวางระบบให้ตัดสินใจเองว่าคำขอไหนส่งไปโมเดลราคาถูก คำขอไหนต้องใช้โมเดลแพง เพื่อกดต้นทุนโดยไม่ต้องห้ามคนใช้งาน

Plan modeโหมดที่สั่งให้ AI สำรวจและเสนอแผนก่อนโดยห้ามแก้ไฟล์ ต้องให้เราอนุมัติแผนก่อนจึงจะลงมือแก้จริง

Prototypingการสร้างเวอร์ชันทดลองของซอฟต์แวร์แบบเร็วๆ เพื่อให้ได้เห็นและลองใช้ของจริงก่อนตัดสินใจลงแรงพัฒนาเต็มรูปแบบ ผิดได้เร็วและแก้ได้ถูกตั้งแต่ต้น

Self-reflectionเทคนิคให้โมเดลตรวจและแก้คำตอบตัวเองอีกรอบ งานปี 2026 พบว่าที่ต้นทุนเท่ากันมันแพ้การถามซ้ำแล้วนับเสียงข้างมาก

Specเอกสารระบุความต้องการอย่างละเอียดว่างานที่จะสร้างต้องทำอะไรได้และดีแค่ไหนถึงผ่าน ใช้เป็นพิมพ์เขียวให้ AI ทำงานได้ตรงใจโดยไม่ต้องเดา

Structured outputการบังคับให้โมเดล AI ตอบกลับเป็นข้อมูลตามโครงสร้างที่กำหนดไว้ล่วงหน้า เช่น JSON ตาม schema แทนข้อความอิสระ เพื่อให้ระบบปลายทางอ่านต่อได้แน่นอน

Ticketใบงานหนึ่งชิ้นในระบบติดตามงาน บันทึกว่าปัญหาหรืองานที่ต้องทำคืออะไร ใครรับผิดชอบ สถานะถึงไหน พร้อมประวัติทั้งหมดให้ตามอ่านย้อนหลังได้

Vibe codingการสั่งให้ AI เขียนโค้ดทั้งหมดด้วยภาษาพูด แล้วยอมรับผลลัพธ์โดยไม่ตรวจโค้ดทีละบรรทัด เน้นลองใช้จริงแล้วบอกให้ AI แก้ไปเรื่อยๆ จนได้ของที่ใช้งานได้

ความรู้และแหล่งอ้างอิง

Artificial Analysisเว็บวัดผลอิสระที่รันชุดทดสอบเดียวกันกับทุกโมเดล AI แล้วเปิดเผยคะแนนความฉลาด ราคา และความเร็ว ให้เทียบข้ามค่ายได้โดยไม่ต้องพึ่งตัวเลขที่บริษัทประกาศเอง

Benchmarkชุดข้อสอบมาตรฐานที่ใช้เทียบความสามารถระหว่างระบบ อ่านคะแนนต้องระวัง เพราะผู้ผลิตมีแรงจูงใจจะปรับให้เก่งเฉพาะข้อสอบ

Chunkingการหั่นเอกสารยาวให้เป็นชิ้นย่อยก่อนแปลงเป็น embedding เพื่อใช้ค้นคืนใน RAG ขนาดชิ้นและระยะเหลื่อมที่เลือกกระทบคุณภาพคำตอบโดยตรง

Cloakingการที่เว็บส่งเนื้อหาคนละชุดให้บอตกับคน ยุค AI เริ่มมีเคสที่บอตได้เนื้อหาที่มีโฆษณาแทรกซึ่งคนอ่านไม่มีวันเห็น

Contextual knowledgeความรู้ที่ AI ได้รับตอนใช้งานจริง จากข้อมูลที่เราป้อนเข้าไปในบทสนทนา เช่น ไฟล์ เอกสาร หรือผลค้นหา ต่างจากความรู้ที่ฝังมากับตัวโมเดลตั้งแต่ตอนเทรน

Deep researchโหมดที่ AI ไปค้นเว็บหลายรอบแล้วเรียบเรียงเป็นรายงานพร้อมอ้างอิง งานวิจัยชี้ว่าเอกสารชี้นำผิดใบเดียวก็ทำให้ข้อสรุปเพี้ยนได้

Groundingขั้นตอนที่ระบบไปดึงข้อมูลจริงมาแนบเข้ากับคำสั่งก่อนส่งให้โมเดลตอบ เป็นตัวแยกคำตอบที่รู้เรื่องบริษัทเราออกจากคำตอบทั่วไป

LLM-as-judgeวิธีให้โมเดลภาษาอีกตัวทำหน้าที่กรรมการให้คะแนนคำตอบของ AI แทนการจ้างคนอ่าน เร็วและถูกกว่า แต่กรรมการมีอคติต่อตำแหน่งที่วางคำตอบซึ่งวัดเป็นตัวเลขได้จริง

Parametric knowledgeความรู้ที่ฝังอยู่ในตัวโมเดล AI ผ่านค่าพารามิเตอร์ตั้งแต่ตอนเทรน ทำให้ตอบได้เองโดยไม่ต้องค้นข้อมูลภายนอก แต่แก้ไขอัปเดตยากและหยุดอยู่แค่วันตัดข้อมูล

Primary sourceแหล่งข้อมูลปฐมภูมิ: หลักฐานหรือเอกสารต้นฉบับจากเหตุการณ์หรือผู้เกี่ยวข้องโดยตรง ยังไม่ถูกใครย่อยหรือตีความ ใช้เป็นตัวตัดสินเวลาต้องเช็คว่าสิ่งที่ AI สรุปมาจริงแค่ไหน

RAGเทคนิคที่ให้ AI ไปค้นข้อมูลจากคลังความรู้ภายนอกมาแนบก่อนตอบ ทำให้คำตอบอิงเอกสารจริงที่อัปเดตได้ ไม่ใช่พึ่งแค่ความจำจากตอนฝึกโมเดล

Rerankingขั้นตอนจัดอันดับผลค้นหาซ้ำด้วยโมเดลที่แม่นยำกว่าเดิม หลังค้นด้วย embedding รอบแรก ก่อนส่งเอกสารที่เกี่ยวข้องที่สุดเข้า context ของ LLM

Secondary sourceแหล่งข้อมูลมือสองที่เล่า วิเคราะห์ หรือตีความข้อมูลจากแหล่งต้นทางอีกที เช่น หนังสือ บทความรีวิว หรือคำสรุปของ AI ต่างจากหลักฐานชั้นต้นที่มาจากเหตุการณ์ตรง

System cardเอกสารที่ผู้ผลิตออกพร้อมโมเดลใหม่ บอกผลทดสอบความปลอดภัย การประเมิน และข้อจำกัด เป็นหลักฐานชิ้นแรกที่ควรอ่านก่อนเลือกใช้

Trivial baselineคะแนนที่ได้จากการตอบมั่วแบบทางเดียวโดยไม่อ่านโจทย์ ใช้เป็นเส้นฐานตรวจว่าคะแนน benchmark ที่เห็นบอกอะไรจริงหรือเปล่า

Vector databaseฐานข้อมูลที่เก็บข้อมูลในรูปเวกเตอร์แล้วค้นด้วยความหมายใกล้เคียง ไม่ใช่ค้นด้วยคำที่ตรงกันเป๊ะ เป็นชิ้นส่วนหลักของระบบ RAG

ประสบการณ์นักพัฒนา

Agent SDKไลบรารีที่ยกเครื่องยนต์ของ Claude Code มาให้นักพัฒนาเรียกใช้ในโปรแกรมตัวเอง เพื่อสร้าง agent ของตัวเองโดยไม่ต้องเขียนวงจรทำงานใหม่

AXAX (Agent Experience) คือแนวคิดการออกแบบเว็บ แอป และบริการให้ AI agent เข้ามาใช้งานแทนคนได้สะดวก เพราะยุคนี้ผู้ใช้ไม่ได้มีแค่มนุษย์อีกต่อไป

Deletion avoidanceอาการที่โมเดลเขียนโค้ดไม่ยอมลบของเก่าที่ควรลบ แต่เลือกครอบด้วยเงื่อนไขแทน โค้ดจึงผ่านเทสต์ทั้งที่ระบบรกขึ้นเรื่อยๆ

DXประสบการณ์โดยรวมของนักพัฒนาที่มีต่อเครื่องมือและขั้นตอนการทำงาน: ยิ่งรอผลน้อยและติดขัดน้อย ทีมยิ่งส่งงานได้เร็วและมีความสุขขึ้น

Observabilityการมองเห็นว่าระบบ AI ทำอะไรไปบ้างตอนรันจริง แต่ละคำขอเรียกโมเดลไหน ใช้ token เท่าไหร่ เรียก tool อะไร และช้าตรงจุดใด

โมเดลและผู้เล่นหลัก

Anthropicบริษัทวิจัยและพัฒนา AI จากสหรัฐฯ ผู้สร้างโมเดล Claude ก่อตั้งปี 2021 โดยอดีตทีมงาน OpenAI โดยชูความปลอดภัยของ AI เป็นหัวใจของงานวิจัยและผลิตภัณฑ์

ChatGPTแชตบอต AI จาก OpenAI ที่คุยโต้ตอบเป็นภาษาคน ช่วยเขียน สรุป แปล และตอบคำถามได้ เปิดตัวปลายปี 2022 ปัจจุบันมีผู้ใช้หลายร้อยล้านคนต่อสัปดาห์

Claudeแชทบอทและตระกูลโมเดล AI จากบริษัท Anthropic เปิดตัวปี 2023 ใช้คุยงาน เขียนเอกสาร วิเคราะห์ข้อมูล ค้นคว้า และเขียนโค้ดได้ในที่เดียว

Claude Codeเครื่องมือ AI จาก Anthropic ที่ทำงานเป็น agent เขียนโค้ดแทนเรา: สั่งเป็นภาษาคน แล้วมันอ่านโปรเจกต์ แก้ไฟล์ รันคำสั่ง ทดสอบ จนงานเสร็จ

Claude Coworkฟีเจอร์ agent ของ Claude ที่รับงานหลายขั้นตอนไปทำแทนจนจบ เช่น จัดไฟล์ ทำสไลด์ สรุปข้อมูล โดยเราเป็นคนเลือกว่าเข้าถึงอะไรได้และอนุมัติผลงานก่อนใช้จริง

Cursorโปรแกรมเขียนโค้ดที่มี AI เป็นแกนกลาง ผู้ใช้สั่งงานด้วยภาษาคนแล้ว agent ช่วยค้นโค้ด แก้ไฟล์ รันคำสั่งให้อัตโนมัติ พัฒนาโดยบริษัท Anysphere

DeepSeekบริษัท AI จากจีนผู้พัฒนาโมเดลภาษาแบบ open-weights อย่าง V3 และ R1 ที่ดังทั่วโลกต้นปี 2025 เพราะผลงานเทียบชั้นโมเดลชั้นนำแต่เคลมต้นทุนฝึกถูกกว่ามาก

Difyแพลตฟอร์ม open source สำหรับสร้างแอป AI แบบลากวางบล็อกบนหน้าจอ ทำ chatbot, agent และระบบถามตอบจากเอกสารได้โดยแทบไม่ต้องเขียนโค้ด

ElevenLabsแพลตฟอร์ม AI ด้านเสียงที่ขึ้นชื่อเรื่องแปลงข้อความเป็นเสียงพูดเหมือนคนจริง โคลนเสียง พากย์ข้ามภาษา และสร้าง voice agent ได้ในกว่า 70 ภาษา

Gemmaโมเดล AI แบบ open weights จาก Google DeepMind สร้างจากเทคโนโลยีเดียวกับ Gemini แต่ตัวเล็กพอจะดาวน์โหลดไปรันบนเครื่องของเราเองได้

GitHub Copilotผู้ช่วยเขียนโค้ดด้วย AI จาก GitHub: เติมโค้ดให้ขณะพิมพ์ ถามตอบผ่านแชต และสั่งงานแบบ agent ได้ นับเป็น AI ช่วยเขียนโค้ดที่แพร่หลายที่สุดตัวหนึ่ง

Google DeepMindห้องแล็บวิจัย AI ของ Google ผู้สร้างโมเดล Gemini, AlphaGo และ AlphaFold ถือเป็นหน่วยงานหลักเบื้องหลังเทคโนโลยี AI เกือบทั้งหมดของ Google

Google Geminiตระกูลโมเดล AI หลักของ Google ที่เข้าใจทั้งข้อความ ภาพ เสียง และวิดีโอ ใช้ได้ทั้งแบบแอปแชตและฝังอยู่ใน Search, Gmail และมือถือ Android

GPT (model family)ตระกูลโมเดลภาษาขนาดใหญ่ของ OpenAI ที่ฝึกให้ทายคำถัดไปจากข้อความมหาศาล เป็นเครื่องยนต์เบื้องหลัง ChatGPT และกลายเป็นคำที่คนใช้เรียก AI แชตแบบเหมารวม

Grokแชตบอต AI จาก xAI บริษัทของ Elon Musk จุดเด่นคือดึงข้อมูลสดจากแพลตฟอร์ม X มาตอบได้เรียลไทม์ และวางคาแรกเตอร์กวนๆ มีอารมณ์ขัน

Hugging Faceแพลตฟอร์มกลางของชุมชน AI ทั่วโลกสำหรับแชร์และดาวน์โหลดโมเดล ชุดข้อมูล และแอปสาธิต เปรียบเหมือนห้องสมุดที่รวมโมเดล AI แบบเปิดไว้กว่า 2 ล้านตัว

Kimiแชตบอต AI และตระกูลโมเดลจาก Moonshot AI ของจีน เด่นเรื่องอ่านเอกสารยาวมาก และปล่อยโมเดลแบบ open weights ให้ดาวน์โหลดไปใช้เองได้

LangChainเฟรมเวิร์กโอเพนซอร์สที่นักพัฒนาใช้เชื่อมโมเดล AI อย่าง GPT หรือ Claude เข้ากับข้อมูลและระบบขององค์กร เพื่อสร้างแชตบอตหรือ agent ได้เร็วขึ้น

Llamaตระกูลโมเดล AI แบบ open weights จาก Meta ที่เปิดให้ดาวน์โหลดไปรันหรือปรับแต่งบนเครื่องขององค์กรเองได้ ไม่ต้องใช้ผ่าน cloud ของผู้ให้บริการ

Meta AIMeta AI คือทั้งแล็บวิจัย AI ของบริษัท Meta และผู้ช่วย AI ที่ฝังใน Facebook, Instagram, WhatsApp และแว่น Ray-Ban Meta ขับเคลื่อนด้วยโมเดล Llama

Microsoft 365 Copilot Chatแชต AI ที่มากับ Microsoft 365 โดยไม่คิดเงินเพิ่ม แต่อ่านได้แค่ข้อมูลจากเว็บ ส่วนการอ่านไฟล์และเมลของบริษัทต้องซื้อ license เสริม

Microsoft Copilotแชตบอต AI จาก Microsoft ที่ฝังใน Windows, Edge และแอปทำงานอย่าง Word กับ Excel ช่วยตอบคำถาม ร่างเอกสาร และสรุปงาน แค่พิมพ์สั่งเป็นภาษาคน

Midjourneyบริการ AI สร้างภาพจากข้อความแบบ text-to-image: พิมพ์คำบรรยายเป็น prompt แล้วได้ภาพกลับมา ใช้ผ่านเว็บหรือ Discord แบบสมัครสมาชิก

Mistral AIบริษัท AI สัญชาติฝรั่งเศสที่โด่งดังจากการปล่อยโมเดลภาษาแบบ open weights ให้ดาวน์โหลดฟรี และถูกวางตัวเป็นผู้นำ AI ของยุโรปในการแข่งกับค่ายอเมริกา

Moonshot AIบริษัท AI จากปักกิ่งผู้สร้างแชตบอต Kimi และโมเดล open weights ตระกูล K2/K3 ที่เด่นเรื่องอ่านเอกสารยาวและทำงาน coding แบบ agent

n8nเครื่องมือสร้างระบบงานอัตโนมัติแบบลากวาง เอาแอปที่ใช้อยู่กับ AI มาต่อกันเป็นสายงานเดียว เห็นทุกขั้นตอนบนหน้าจอ และเขียนโค้ดเสริมได้เมื่อจำเป็น

NotebookLMเครื่องมือ AI จาก Google ที่ให้เราอัปโหลดเอกสารของตัวเองแล้วถามตอบ สั่งสรุป หรือฟังเป็นพอดแคสต์ได้ โดยยึดคำตอบจากไฟล์ที่เราให้ ไม่ใช่ความรู้ลอยๆ ของโมเดล

NVIDIAบริษัทออกแบบชิป GPU จากสหรัฐฯ ผู้ครองตลาดชิปสำหรับฝึกและรัน AI กว่า 80% ของโลก จนกลายเป็นบริษัทมูลค่าสูงที่สุดในโลกในยุค AI บูม

Ollamaโปรแกรม open source สำหรับดาวน์โหลดและรันโมเดล AI บนคอมพิวเตอร์ของเราเอง ข้อมูลประมวลผลอยู่ในเครื่อง ไม่ต้องส่งขึ้นคลาวด์ของผู้ให้บริการ

Open source AIAI ที่เปิดให้ใช้ ศึกษา แก้ไข และแบ่งปันได้จริง ซึ่งตามนิยามของ OSI ต้องเปิดทั้งข้อมูล โค้ด และน้ำหนัก ไม่ใช่แค่น้ำหนักอย่างเดียว

Open weightsโมเดลที่เปิดให้ดาวน์โหลดน้ำหนักไปรันบนเครื่องตัวเองได้ ต่างจากโมเดลเปิดซอร์สเต็มรูปตรงที่ไม่ได้เปิดข้อมูลเทรนและโค้ดเทรน

OpenAIบริษัทวิจัยและพัฒนา AI จากอเมริกา ผู้สร้าง ChatGPT และโมเดลตระกูล GPT ก่อตั้งปี 2015 ด้วยภารกิจให้ AGI เป็นประโยชน์ต่อมนุษยชาติทั้งหมด

OpenAI Codexเครื่องมือเขียนโค้ดของ OpenAI คู่แข่ง Claude Code และ Cursor ใช้โควตาร่วมแพ็กเกจ ChatGPT คนละตัวกับโมเดล Codex ปี 2021 ที่เคยขับเคลื่อน GitHub Copilot

OpenRouterตัวกลางรวมโมเดล AI จากหลายบริษัทไว้หลัง API เดียว ให้นักพัฒนาสลับโมเดลและเทียบราคาข้ามค่ายได้โดยไม่ต้องทำสัญญาแยกกับแต่ละเจ้า

PerplexitySearch engine แบบ AI ที่ตอบคำถามเป็นคำตอบสำเร็จรูปพร้อมแนบลิงก์แหล่งอ้างอิง โดยผสาน language model เข้ากับการค้นเว็บแบบ real-time

Qwenตระกูลโมเดล AI แบบ open weights จาก Alibaba Cloud มีครบทุกขนาดทุกงาน ทั้งแชท เขียนโค้ด เข้าใจภาพและเสียง และเป็นโมเดลเปิดที่ถูกต่อยอดมากที่สุดกลุ่มหนึ่ง

Runwayบริษัท AI ผู้สร้างเครื่องมือ generate วิดีโอจากข้อความหรือภาพ ที่วงการหนังและสายครีเอทีฟใช้ทำงานจริง และเป็นผู้ร่วมสร้าง Stable Diffusion

SLM (Small language model)โมเดลภาษาขนาดเล็กที่รันบนเครื่องตัวเองหรือบนมือถือได้ องค์กรนิยมเอามาเทรนเพิ่มด้วยข้อมูลภายในเพื่อไม่ต้องส่งข้อมูลออก

Soraโมเดลและแอปสร้างวิดีโอจากข้อความของ OpenAI พิมพ์บรรยายฉากแล้วได้คลิปพร้อมเสียง เปิดตัวปี 2024 ก่อนปิดบริการแอปในปี 2026

Stable Diffusionโมเดล AI สร้างภาพจากข้อความที่เปิด weights ให้ดาวน์โหลดไปรันบนเครื่องตัวเองได้ เปิดตัวปี 2022 จุดกระแสภาพ AI ที่ใครก็เข้าถึงและดัดแปลงได้

Sunoแพลตฟอร์ม AI สร้างเพลงเต็มเพลง ทั้งเนื้อร้อง เสียงร้อง และดนตรี จากการพิมพ์ข้อความอธิบายเพลงที่อยากได้ ภายในไม่ถึงหนึ่งนาที

Veoโมเดล AI สร้างวิดีโอของ Google DeepMind ที่เปลี่ยนข้อความหรือภาพนิ่งให้เป็นคลิปวิดีโอพร้อมเสียงพูดและเสียงประกอบในตัว ใช้งานผ่านแอป Gemini ได้

Whisperโมเดล AI ถอดเสียงพูดเป็นข้อความจาก OpenAI รองรับ 99 ภาษารวมภาษาไทย ใช้ถอดเทปประชุมหรือสัมภาษณ์ได้ และเปิดให้ใช้ฟรีแบบ open source

Windsurfโปรแกรมเขียนโค้ด (AI IDE) ที่มี agent ในตัวช่วยทำงานได้ทั้งโปรเจกต์ ปัจจุบันถูก Cognition ซื้อกิจการและรีแบรนด์เป็น Devin Desktop

xAIบริษัท AI ของ Elon Musk ผู้สร้างแชตบอต Grok ก่อตั้งปี 2023 โตเร็วจนควบรวมกับแพลตฟอร์ม X และถูก SpaceX ซื้อกิจการ รีแบรนด์เป็น SpaceXAI ในปี 2026

ความปลอดภัยและสังคม

AI Alignmentความพยายามทำให้ระบบ AI ทำตามเป้าหมายและคุณค่าที่มนุษย์ตั้งใจจริง ไม่ใช่แค่ทำตามคำสั่งตามตัวอักษรจนเกิดผลลัพธ์ที่ไม่มีใครต้องการ

AI Biasความเอนเอียงอย่างเป็นระบบของ AI ที่ให้ผลลัพธ์ไม่เป็นธรรมกับคนบางกลุ่มซ้ำๆ มักเกิดจากข้อมูลที่ใช้สอนโมเดลซึ่งแบกอคติของมนุษย์และสังคมติดมาด้วย

AI Content Detectionเครื่องมือที่อ้างว่าตรวจจับได้ว่าข้อความหรือภาพเป็นฝีมือ AI แต่ความแม่นยำต่ำและมักตัดสินผิดกับคนที่ไม่ได้ใช้อังกฤษเป็นภาษาแม่

AI Governanceกรอบกติกาและกลไกกำกับดูแลการใช้ AI ทั้งระดับองค์กรและระดับกฎหมาย เพื่อให้ใช้ AI ได้อย่างปลอดภัย โปร่งใส และมีผู้รับผิดชอบชัดเจน

AI Literacyชุดทักษะในการเข้าใจ ใช้ และประเมิน AI อย่างมีวิจารณญาณ: รู้ว่ามันทำอะไรได้ ทำอะไรไม่ได้ และใช้อย่างไรให้ปลอดภัย โดยไม่จำเป็นต้องเขียนโค้ดเป็น

AI safetyสาขาที่ทำงานป้องกันอุบัติเหตุ การใช้ในทางร้าย และผลเสียอื่นจากระบบ AI เน้นการป้องกันเชิงเทคนิค ต่างจากจริยธรรมที่ถามว่าอะไรควรทำ

AI slopเนื้อหาหรือโค้ดที่ AI ผลิตออกมาเร็วและเยอะแต่คุณภาพต่ำ ปี 2026 กลายเป็นปัญหาที่แพลตฟอร์มใหญ่ต้องทำปุ่มให้คนรายงาน

AI supply chainห่วงโซ่ของโมเดล ชุดข้อมูล และไลบรารีที่เราดาวน์โหลดมาใช้ต่อ ซึ่งกลายเป็นช่องทางโจมตีใหม่เมื่อจุดใดจุดหนึ่งถูกแทรกแซง

AI Watermarkingเทคนิคฝังลายน้ำดิจิทัลที่ตามองไม่เห็นลงในเนื้อหาที่ AI สร้าง เช่น ภาพ เสียง วิดีโอ ข้อความ เพื่อให้ตรวจสอบย้อนหลังได้ว่าชิ้นงานนั้นมาจาก AI

AI wormคำสั่งอันตรายที่ซ่อนในเอกสารแล้วถูก AI คัดลอกลงในเอกสารที่มันสร้างใหม่ ทำให้แพร่ต่อเองเมื่อคนแชร์กันตามปกติ

Constitutional AIวิธีฝึกโมเดลให้ประพฤติตามหลักการที่เขียนเป็นลายลักษณ์อักษร โดยให้โมเดลวิจารณ์และแก้คำตอบตัวเองตามหลักการนั้น แทนการให้คนมานั่งให้คะแนนทีละใบ

Content provenanceการแนบประวัติที่มาของไฟล์สื่อไว้กับตัวไฟล์ ให้ตรวจได้ว่าถ่ายด้วยอะไร แก้อะไรมาบ้าง และมี AI เกี่ยวข้องหรือไม่

Copyright and AIประเด็นกฎหมายสองด้านของยุค AI: เอางานมีลิขสิทธิ์ไปฝึกโมเดลได้แค่ไหน และผลงานที่ AI สร้างมีลิขสิทธิ์เป็นของใคร ซึ่งศาลทั่วโลกยังตัดสินไม่ตรงกัน

Data poisoningการจงใจปนข้อมูลร้ายเข้าไปในชุดเทรน เพื่อให้โมเดลที่ได้ทำงานผิดพลาดหรือมีประตูหลังที่เปิดด้วยคำสั่งลับ

Data Privacyสิทธิและแนวปฏิบัติในการคุ้มครองข้อมูลส่วนบุคคล ว่าใครเก็บ ใช้ หรือเปิดเผยข้อมูลของเราได้แค่ไหน โดยต้องขอความยินยอมและให้เจ้าของข้อมูลควบคุมได้

Deepfakeสื่อปลอมที่สร้างด้วย AI เช่น วิดีโอ เสียง หรือภาพ ที่ทำให้บุคคลจริงดูเหมือนพูดหรือทำในสิ่งที่ไม่เคยเกิดขึ้น สมจริงจนแยกด้วยตาเปล่าได้ยาก

EU AI Actกฎหมายควบคุม AI ฉบับแรกของโลกจากสหภาพยุโรป แบ่งระบบ AI ตามระดับความเสี่ยง ยิ่งเสี่ยงสูงยิ่งคุมเข้ม และบังคับถึงบริษัทนอก EU ที่ให้บริการคนใน EU

Evals (AI Evaluation)วิธีทดสอบวัดผลระบบ AI อย่างเป็นระบบ ด้วยชุดข้อสอบและเกณฑ์ให้คะแนนที่กำหนดไว้ล่วงหน้า เพื่อให้ได้ตัวเลขชัดๆ ว่าระบบทำงานดีแค่ไหนก่อนปล่อยใช้จริง

Existential riskข้อถกเถียงว่า AI ขั้นสูงในอนาคตอาจเป็นภัยคุกคามระดับที่ทำให้มนุษยชาติสูญพันธุ์หรือสูญเสียการควบคุมถาวร

Explainable AIความพยายามทำให้เหตุผลเบื้องหลังคำตัดสินของ AI อธิบายได้ จำเป็นในงานที่มีกฎหมายกำกับ แต่ยิ่งโมเดลใหญ่ยิ่งอธิบายได้ไม่ครบ

GDPRกฎหมายคุ้มครองข้อมูลส่วนบุคคลของสหภาพยุโรป เริ่มบังคับใช้ปี 2018 ครอบคลุมองค์กรนอก EU ที่แตะข้อมูลคนใน EU และเป็นต้นแบบของ PDPA ไทย

Guardrailsชั้นป้องกันที่ครอบระบบ AI ไว้ คอยกรองทั้งคำถามขาเข้าและคำตอบขาออก ไม่ให้หลุดเนื้อหาอันตราย ข้อมูลส่วนตัว หรือเรื่องนอกขอบเขตที่องค์กรกำหนด

Jailbreakการหลอกหรือกดดันให้ AI ข้ามกติกาความปลอดภัยที่ผู้สร้างตั้งไว้ จนยอมตอบหรือทำสิ่งที่ปกติจะปฏิเสธ เช่น สร้างเนื้อหาอันตรายหรือหลุดจากบทบาทที่กำหนด

Memory injectionการแอบวางข้อมูลพิษไว้ในหน่วยความจำระยะยาวของ agent เพื่อให้มันดึงขึ้นมาใช้ในภายหลังแล้วเบี่ยงออกจากเจตนาเดิมของผู้ใช้

Misinformationข้อมูลผิดหรือชวนเข้าใจผิดที่ถูกแชร์ต่อโดยคนส่งไม่ได้ตั้งใจหลอก ต่างจาก disinformation ที่จงใจ และยิ่งแพร่ง่ายขึ้นในยุคที่ AI สร้างเนื้อหาได้เอง

Model Cardเอกสารกำกับโมเดล AI ที่บอกว่าโมเดลคืออะไร ฝึกจากข้อมูลไหน ตั้งใจให้ใช้กับงานแบบไหน และมีข้อจำกัดอะไร เปรียบเหมือนฉลากข้างกล่องของโมเดล

NIST AI RMFกรอบบริหารความเสี่ยง AI แบบสมัครใจจากหน่วยงานมาตรฐานสหรัฐฯ มี 4 ฟังก์ชันคือ Govern Map Measure Manage ไม่มีระบบออกใบรับรอง

Recursive self-improvementสมมติฐานที่ว่า AI จะแก้ไขตัวเองให้เก่งขึ้นเรื่อยๆ จนฉลาดพุ่งทะยาน เป็นแกนของข้อถกเถียงเรื่องความเสี่ยงระยะยาว

Red Teamingการตั้งทีมสวมบทผู้โจมตีมาทดสอบระบบหรือ AI ขององค์กรเองอย่างเป็นระบบ หาช่องโหว่ให้เจอก่อนผู้ไม่หวังดีตัวจริง แล้วนำผลไปปิดจุดอ่อน

Responsible AIแนวทางพัฒนาและใช้ AI อย่างมีความรับผิดชอบ ให้ระบบเป็นธรรม โปร่งใส ปลอดภัย เคารพความเป็นส่วนตัว และมีคนรับผิดชอบผลลัพธ์เสมอ

SOC 2รายงานตรวจสอบระบบควบคุมภายในด้านความปลอดภัยของผู้ให้บริการที่ CPA อิสระออกให้ตามกรอบของ AICPA ฝ่ายจัดซื้อมักขอดูก่อนเซ็นสัญญา มีสองแบบคือ Type 1 และ Type 2

Sovereign AIแนวคิดที่ประเทศหรือองค์กรควบคุมทั้งโครงสร้างพื้นฐาน ข้อมูล และโมเดล AI ของตัวเองไว้ในเขตอำนาจของตัวเอง

Zero-dayช่องโหว่ซอฟต์แวร์ที่ยังไม่มีใครรู้หรือยังไม่มีแพตช์ ทำให้ผู้ดูแลระบบมีเวลาป้องกันเป็นศูนย์วันก่อนถูกใช้โจมตี ปี 2026 AI เข้ามาอยู่ทั้งฝั่งค้นหาและฝั่งใช้โจมตี

AI ในองค์กร

Agentforceแพลตฟอร์มสร้าง AI agent ของ Salesforce ที่ทำ action จริงในระบบ CRM เช่น ตอบลูกค้า ปิดเคส คัดกรอง lead แทนพนักงาน ไม่ใช่แค่แนะนำแบบ chatbot

Agentic commerceการให้ AI agent ทำธุรกรรมแทนเรา ทั้งค้นหา เปรียบเทียบ และสั่งซื้อ ปี 2026 เริ่มมีคำพิพากษาชี้ว่าใครคือผู้เข้าถึงระบบ

AI Policyเอกสารกติกาภายในองค์กรที่บอกพนักงานว่าใช้ AI กับงานไหนได้ ห้ามอะไร และข้อมูลแบบไหนห้ามพิมพ์ใส่เครื่องมือ AI ภายนอก

AI Readinessความพร้อมขององค์กรด้านข้อมูล ทักษะคน กระบวนการทำงาน และการกำกับดูแล ก่อนลงทุนหรือขยายผลใช้ AI จริงจังทั่วทั้งองค์กร

AI ROIอัตราส่วนผลตอบแทนทางธุรกิจต่อต้นทุนที่ลงทุนไปกับ AI วัดยากกว่าโครงการไอทีทั่วไป เพราะประโยชน์ส่วนหนึ่งจับต้องเป็นเงินได้ยาก เช่น เวลาที่ประหยัดได้

AI washingการอวดอ้างว่าสินค้าใช้ AI เกินจริงเพื่อการตลาดหรือระดมทุน ทั้งที่ระบบจริงไม่มีความสามารถตามโฆษณา ปัจจุบันมีบทลงโทษทางกฎหมายจริงจาก SEC สหรัฐฯ

Algorithmic pricingการให้ซอฟต์แวร์ตั้งราคาขายอัตโนมัติเพื่อทำกำไรสูงสุด ปี 2026 มีชุดวัดชี้ว่า AI ที่เก่งสุดยังทำกำไรได้ไม่ถึงหนึ่งในสาม

Amazon Bedrockบริการของ AWS ที่รวมโมเดล AI จากหลายค่าย เช่น Anthropic, Meta, Mistral และ Amazon เอง ให้เรียกผ่าน API เดียว แบบไม่ต้องดูแลเซิร์ฟเวอร์เอง

Audit logบันทึกที่ระบบเขียนเองว่าใครทำอะไรกับระบบเมื่อไหร่ ใช้ตอบฝ่ายกำกับและสอบสวนตอนข้อมูลรั่ว ผู้ใช้แก้หรือลบเองไม่ได้

Azure OpenAI Serviceบริการเรียกโมเดล GPT ของ OpenAI ผ่านคลาวด์ Azure ของ Microsoft ให้สัญญาองค์กร กำหนดพื้นที่ประมวลผลข้อมูลได้ และไม่นำ prompt ไปเทรนโมเดล ต่างจากสมัคร ChatGPT ตรง

Center of Excellenceทีมกลางข้ามสายงานที่องค์กรตั้งขึ้นเพื่อวางมาตรฐานและกำกับความเสี่ยง แล้วขยายผลการใช้ AI ให้ทั่วองค์กรอย่างมีทิศทางเดียวกัน แทนที่แต่ละแผนกทำเองแบบกระจัดกระจาย

Change managementการบริหารด้านคนและกระบวนการทำงานตอนองค์กรนำ AI เข้ามาใช้ ไม่ใช่แค่ซื้อ license แจกพนักงานแล้วจบเหมือนโปรเจกต์ไอทีทั่วไป

ChatGPT Enterpriseแพ็กเกจ ChatGPT สำหรับองค์กรจาก OpenAI ที่ฝ่าย IT คุมบัญชีจากศูนย์กลาง มี SSO และยืนยันว่าจะไม่นำข้อมูลบริษัทไปเทรนโมเดล ราคาต่อรองผ่านฝ่ายขาย

Citizen developerพนักงานที่ไม่ใช่โปรแกรมเมอร์มืออาชีพ สร้างแอปหรือระบบงานอัตโนมัติให้ตัวเองหรือทีมใช้ ด้วยเครื่องมือ low-code หรือ no-code ที่องค์กรอนุญาตให้ใช้

Copilot Control Systemชุดเครื่องมือฝั่งผู้ดูแลระบบสำหรับคุม Microsoft 365 Copilot ทั้งความปลอดภัย การแจก license วงจรชีวิต agent และการวัดว่ามีคนใช้จริงไหม

Data Governanceกรอบบริหารจัดการข้อมูลองค์กร กำหนดว่าใครเป็นเจ้าของข้อมูลชุดไหน คุณภาพต้องเป็นแบบไหน ใครเข้าถึงได้ และจัดชั้นความลับอย่างไร

Data Residencyหลักการที่ข้อมูลองค์กรถูกเก็บและประมวลผลอยู่ในประเทศหรือภูมิภาคไหนจริง ๆ มีผลต่อการเลือก region ของบริการ AI และเงื่อนไขโอนข้อมูลข้ามประเทศ

DLP (Data Loss Prevention)กฎที่คอยดักไม่ให้ข้อมูลอ่อนไหวรั่วออกไป ในยุค AI ขยายมาคุมได้ถึงระดับห้ามโมเดลอ่านไฟล์บางชั้นและห้ามส่งคำสั่งบางแบบออกเว็บ

Gammaเครื่องมือ AI ที่พิมพ์หัวข้อหรือวางเนื้อหาแล้วได้สไลด์ เอกสาร หรือเว็บเพจจัดหน้าอัตโนมัติเป็น card พร้อมแชร์เป็นลิงก์ ไม่ต้องนั่งจัดเองแบบ PowerPoint

Gemini Enterprise Agent Platform (เดิม Vertex AI)แพลตฟอร์ม AI องค์กรของ Google Cloud เรียกใช้ ปรับแต่ง deploy โมเดล Gemini ผ่าน Model Garden เดิมชื่อ Vertex AI ก่อนเปลี่ยนเป็น Gemini Enterprise Agent Platform

GEO (Generative Engine Optimization)การปรับเนื้อหาให้ถูกหยิบไปใช้ในคำตอบของ AI บ่อยขึ้น ต่อยอดจาก SEO ที่เดิมแข่งกันติดอันดับหน้าค้นหา

Gleanแพลตฟอร์ม AI ค้นหาและผู้ช่วยงานระดับองค์กร เชื่อมข้อมูลจากหลายแอปในบริษัทมาตอบคำถามพร้อมอ้างอิง บังคับใช้สิทธิ์เข้าถึงเดิมของผู้ใช้ตามที่บริษัทระบุ

ISO/IEC 42001มาตรฐานสากลฉบับแรกสำหรับระบบบริหารจัดการ AI เผยแพร่ธันวาคม 2023 ขอใบรับรองระดับองค์กรได้จริง ต่างจาก NIST AI RMF ที่เป็นกรอบสมัครใจและไม่มีใบรับรอง

Microsoft Agent 365ระบบของ Microsoft ที่ทำทะเบียนกลางของ AI agent ทุกตัวในองค์กร แล้วกำกับสิทธิ์ ตรวจสอบ และเฝ้าระวังจากที่เดียว

Microsoft Copilot Studioเครื่องมือ low-code ของ Microsoft ให้องค์กรสร้าง AI agent ของตัวเอง ต่อกับข้อมูลบริษัทผ่าน knowledge source และ connector ต่อยอดมาจาก Power Virtual Agents

Microsoft Graphชั้นข้อมูลกลางของ Microsoft 365 ที่ Copilot ใช้ดึงอีเมล แชต และเอกสารมาประกอบคำตอบ โดยจำกัดตามสิทธิ์ของผู้ใช้ที่ล็อกอิน

Microsoft Purviewชุดเครื่องมือกำกับข้อมูลของ Microsoft ที่ใช้คุมความเสี่ยงจากการใช้ AI ในองค์กร ทั้งป้ายกำกับ ป้องกันข้อมูลรั่ว และเก็บบันทึกการใช้งาน

Model deprecationเหตุการณ์ที่ผู้ให้บริการ AI ประกาศเลิกซัพพอร์ตโมเดลรุ่นหนึ่งอย่างเป็นทางการ ระบบที่เรียกชื่อรุ่นนั้นตรงตัวจะได้ error กลับมาทันทีเมื่อถึงวันปลดระวาง

Model driftอาการที่ระบบ AI ซึ่งเคยแม่นค่อยๆ ทำนายพลาดมากขึ้นเมื่อเวลาผ่านไป เพราะข้อมูลและกฎเกณฑ์ในโลกจริงเปลี่ยนไปจากตอนเทรน ไม่ใช่เพราะโค้ดพัง

Neocloudผู้ให้บริการคลาวด์พันธุ์ใหม่ที่ขายพลังประมวลผล GPU สำหรับงาน AI อย่างเดียว ไม่ใช่คลาวด์อเนกประสงค์แบบเจ้าใหญ่เดิม

No-code AIการสร้างแอปหรือ agent ที่มี AI ทำงานข้างในผ่านหน้าจอลากวางโดยไม่ต้องเขียนโค้ดเลย ต่างจาก low-code ที่ยังเปิดให้เสริมโค้ดเองได้เมื่อจำเป็น

On-premise AIการรัน AI บนเครื่องขององค์กรเองแทนการเรียกผ่านคลาวด์ แลกความสะดวกและต้นทุนเริ่มต้น กับการควบคุมข้อมูลที่เต็มที่กว่า

Oversharingภาวะที่ไฟล์ในองค์กรถูกแชร์กว้างเกินจำเป็นมานาน แล้ว AI ทำให้ค้นเจอได้ทันที กลายเป็นความเสี่ยงอันดับแรกก่อนเปิดใช้ Copilot

PDPAกฎหมายคุ้มครองข้อมูลส่วนบุคคลของไทย บังคับใช้เต็มรูปแบบ 1 มิถุนายน 2565 กำกับโดย PDPC กำหนดสิทธิเจ้าของข้อมูลและหน้าที่องค์กรเวลาเก็บหรือส่งข้อมูลให้บุคคลที่สาม

Power Automateเครื่องมือ automation แบบลากวางของ Microsoft ต่อแอปที่ใช้อยู่แล้วให้ทำงานเป็นสายอัตโนมัติ (cloud flow) และสั่งงานหน้าจอแทนคนแบบ RPA ได้ (desktop flow)

Proof of Concept (POC)การทดลองขนาดเล็กระยะสั้น เพื่อพิสูจน์ว่าไอเดียหรือเทคโนโลยีทำได้จริงในทางเทคนิค ก่อนลงทุนเต็มรูปแบบ ปัญหาคือหลายองค์กรติดอยู่ตรงนี้ ไปไม่ถึงงานจริงสักที

RPAซอฟต์แวร์ที่เลียนแบบการกดหน้าจอของคนเพื่อทำงานซ้ำๆ แทน ใช้กับระบบเก่าที่ไม่มีช่องเชื่อมต่อ แต่พังง่ายเมื่อหน้าจอเปลี่ยน

Sensitivity labelป้ายระดับความลับที่ติดไว้กับไฟล์และอีเมล เป็นตัวที่ทำให้กฎความปลอดภัยของ AI ทำงานได้ ถ้าไม่มีใครติดป้าย กฎก็ไม่มีอะไรให้จับ

Service boundaryขอบเขตบริการที่ผู้ให้บริการระบุว่าข้อมูลขององค์กรอยู่ภายในและไม่ไหลออกไปไหน เป็นคำตอบมาตรฐานต่อคำถามว่าข้อมูลเราไปอยู่ที่ไหน

Shadow AIพนักงานแอบใช้เครื่องมือ AI ทำงานเองโดยองค์กรไม่รู้และไม่อนุมัติ เสี่ยงข้อมูลลับหลุดออกนอกองค์กรแบบตรวจสอบย้อนหลังไม่ได้

Synthesiaแพลตฟอร์ม AI วิดีโอสำหรับองค์กร แปลงสคริปต์เป็นวิดีโอที่มีผู้ประกาศ AI avatar พูดพร้อมเสียงสังเคราะห์หลายสิบภาษา ไม่ต้องเข้าสตูดิโอหรือใช้นักแสดงจริง

Synthetic personaการให้ LLM สมมติตัวเป็นผู้บริโภคเพื่อตอบแบบสอบถามหรือทำ focus group แทนคนจริง งานวิจัยชี้ว่ามันเดาผิดไปทาง stereotype

Tokenmaxxingการที่พนักงานเร่งใช้โทเคน AI ให้เยอะเข้าไว้เพื่อไต่อันดับหรือให้ดูเหมือนใช้ AI เก่ง โดยที่ผลงานจริงไม่ได้ดีขึ้นตาม

Total cost of ownershipต้นทุนรวมของการใช้ AI ตลอดอายุการใช้งาน ไม่ใช่แค่ค่า license ในใบเสนอราคา แต่รวมค่า token ค่าเตรียมข้อมูล ค่าคนตรวจงาน และค่าอบรมทีมด้วย

Upskilling และ Reskillingยกระดับทักษะเดิมให้เก่งขึ้น (upskilling) กับฝึกทักษะใหม่ย้ายสายงาน (reskilling) ที่องค์กรต้องเร่งทำ เพราะทักษะหลักเกือบ 4 ใน 10 จะเปลี่ยนภายในปี 2030

Vendor Lock-inสภาพที่องค์กรผูกติดกับผู้ให้บริการ AI รายเดียวจน prompt ข้อมูล agent และสัญญาผูกกันแน่น ย้ายเจ้าอื่นได้ยากเพราะต้นทุนย้ายสูงเกินคุ้ม

Work IQชั้นความเข้าใจงานของ Microsoft 365 ที่อ่านอีเมล ปฏิทิน ไฟล์ และความสัมพันธ์ของคน แล้วเปิดให้ agent เรียกใช้ตามสิทธิ์ของผู้ใช้

Workflow automationการให้เทคโนโลยีทำขั้นตอนงานประจำแทนคน เมื่อเติม AI เข้าไปจึงรับมืองานที่ข้อมูลไม่เป็นระเบียบอย่างเอกสารและภาพได้

Zero Data Retention (ZDR)ข้อตกลงที่ผู้ให้บริการ AI ไม่จัดเก็บ prompt และคำตอบไว้ที่ที่จัดเก็บข้อมูลหลังส่งคำตอบกลับ ต่างจากสัญญาไม่เอาไปเทรนที่ยังเก็บ log ตรวจ abuse ได้

เพดานค่าใช้จ่าย AI (Spend Cap)วงเงินที่องค์กรตั้งเป็นเพดานแข็งให้ระบบ AI agent หยุดเรียกโมเดลเองอัตโนมัติเมื่อถึงยอดที่กำหนด กันไม่ให้งานที่รันยาวๆ โดยไม่มีคนดูใช้เงินบานปลาย

■ ไม่อยากพลาดของใหม่

อ่านจบแล้วอยากตามเรื่อง AI แบบนี้ต่อทุกวัน เรามีสรุปข่าวภาษาไทยส่งทาง LINE ทุกเช้า กดเพิ่มเพื่อนไว้ได้เลย ไม่มีค่าใช้จ่าย

เพิ่มเพื่อนใน LINE →

คอมพิวเตอร์สแกนด้วยมือถือได้เลย