---
title: "Large language model — โมเดลภาษาขนาดใหญ่"
source: "https://systems-analysis.info/int/Large_language_model_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B8%A0%E0%B8%B2%E0%B8%A9%E0%B8%B2%E0%B8%82%E0%B8%99%E0%B8%B2%E0%B8%94%E0%B9%83%E0%B8%AB%E0%B8%8D%E0%B9%88"
wiki: "systems-analysis.info/int"
article: "Large_language_model_—_โมเดลภาษาขนาดใหญ่"
language: "th"
categories:
  - "Category:Core LLM concepts"
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Thai"
revision_id: 3800
wiki_created_at: 2026-09-06T23:26:20Z
wiki_modified_at: 2026-09-06T23:26:20Z
downloaded_at: 2026-09-07T22:59:09Z
---

# Large language model — โมเดลภาษาขนาดใหญ่

**โมเดลภาษาขนาดใหญ่** (*large language model*, LLM) — คือประเภทของโมเดล Machine Learning ที่นำไปใช้งานด้วย Neural Network เชิงลึกซึ่งมีพารามิเตอร์จำนวนมาก (โดยทั่วไปหลายพันล้านตัวขึ้นไป) และได้รับการฝึกบนข้อมูลข้อความปริมาณมหาศาล คำว่า «ขนาดใหญ่» ในบริบทนี้หมายถึงทั้งขนาดของพารามิเตอร์และปริมาณของชุดข้อมูลฝึกสอน ซึ่งในระบบสมัยใหม่มีขนาดถึงหลาย petabyte และหลายล้านล้าน token LLM ได้รับการฝึกเป็นหลักด้วยวิธีการแบบ self-/semi-supervised โดยการทำนาย token ถัดไปในลำดับ และด้วยเหตุนี้จึงเรียนรู้รูปแบบทางสถิติของภาษา การเพิ่มขึ้นของพารามิเตอร์ ข้อมูล และขั้นตอนการคำนวณนำไปสู่การปรับปรุงคุณภาพที่คาดการณ์ได้ ซึ่งได้รับการยืนยันโดย scaling laws

หลังจากการปรากฏตัวของ BERT (2017) และโดยเฉพาะอย่างยิ่ง GPT-3 (2020) แนวทาง LLM ได้กลายเป็นแนวทางหลักในการประมวลผลภาษาธรรมชาติ โมเดลสมัยใหม่ (GPT-4o, Claude 3, Gemini 1.5, LLaMA 3 และอื่น ๆ) โดยไม่ต้องปรับแต่งพิเศษสามารถเขียนข้อความและโค้ด แปลภาษา สรุปความ ตอบคำถาม และสร้างสายโซ่การให้เหตุผล โดยเวอร์ชันที่เป็น multimodal สามารถวิเคราะห์ภาพ เสียง และวิดีโอได้ การปรับโมเดลให้เข้ากับงานประยุกต์ทำได้ด้วยการ fine-tuning หรือ prompt engineering และ in-context learning ควบคู่ไปกับความสำเร็จ LLM ยังสืบทอดอคติและข้อผิดพลาดจากข้อมูลต้นทาง มีแนวโน้มที่จะ «ประดิษฐ์ข้อมูลเท็จ» และต้องการทรัพยากรการคำนวณขนาดใหญ่ ดังนั้นการวิจัยในปัจจุบันจึงมุ่งเน้นไปที่การปรับพฤติกรรม การกรองชุดข้อมูล และสถาปัตยกรรมที่ประหยัดพลังงาน

## สถาปัตยกรรม

ใน LLM สมัยใหม่มักใช้สถาปัตยกรรม **Transformer** (**ทรานส์ฟอร์เมอร์)** – เครือข่ายที่มีกลไก self-attention​ โมเดล Transformer ถูกเสนอครั้งแรกในบทความ Attention is All You Need โดยนักพัฒนาจาก Google ในปี 2017

สถาปัตยกรรม **Transformer** — คือโครงสร้าง Neural Network พื้นฐานสำหรับการทำงานกับลำดับ ซึ่งประกอบด้วยโมดูลเชิงตรรกะสองส่วน — **encoder** (เข้ารหัสข้อมูลขาเข้า) และ **decoder** (สร้างข้อมูลขาออก) โดยรับลำดับเป็นข้อมูลนำเข้า สร้างการแทนค่าเวกเตอร์ (embedding) จากนั้นเพิ่มเวกเตอร์ positional encoding หลังจากนั้นชุดของสมาชิกโดยไม่คำนึงถึงลำดับจะถูกส่งเข้าส่วนเข้ารหัส (ประมวลผลแบบขนาน) แล้วส่วนถอดรหัสจะรับส่วนหนึ่งของลำดับนั้นและผลลัพธ์จากส่วนเข้ารหัสเป็นข้อมูลนำเข้า ผลลัพธ์ที่ได้คือลำดับขาออกใหม่

ส่วนเข้ารหัสของ Transformer ประกอบด้วยหลายชั้นที่เหมือนกัน ส่วนถอดรหัสก็มีโครงสร้างคล้ายกัน Transformer เองคือลำดับของโมเดล attention ที่แปลงลำดับเวกเตอร์ต้นทางเป็นลำดับใหม่ที่แต่ละสมาชิกคำนึงถึงบริบทของสมาชิกอื่น ๆ encoder สร้างการแทนค่าแฝงของข้อมูลนำเข้าโดยเก็บรักษาข้อมูลเกี่ยวกับความสัมพันธ์ระหว่างสมาชิก decoder บนพื้นฐานของการแทนค่าแฝงสร้างลำดับ embedding ใหม่สำหรับ token ขาออก จากนั้นโดยใช้โมเดลภาษาจะสร้างสมาชิกขาออกสุดท้ายบนพื้นฐานของ embedding เหล่านั้น

เนื่องจาก Transformer ถูกพัฒนาขึ้นในตอนแรกสำหรับงานอย่างการแปลเครื่อง สถาปัตยกรรมจึงประกอบด้วย **encoder** (ประมวลผลข้อความนำเข้า เช่น ประโยคต้นทาง) และ **decoder** (สร้างข้อมูลขาออก เช่น คำแปล) อย่างไรก็ตาม โมเดลภาษาจำนวนมากใช้เฉพาะส่วน decoder ที่ทำงานในโหมด autoregressive

Transformer ถูกนำมาใช้ในสามการกำหนดค่าหลัก ซึ่งแต่ละอย่างใช้ encoder และ decoder ต่างกันและมุ่งเน้นงานคนละประเภท:

- **Encoder-Transformer** (*แบบสองทิศทาง*) เรียนรู้การกู้คืนส่วนของข้อความที่ซ่อนไว้โดยตั้งใจ จึงเหมาะสำหรับงาน «การทำความเข้าใจ» ได้แก่ การจำแนกประเภท การดึงข้อเท็จจริง และการค้นหาเชิงความหมาย
- **Decoder-Transformer** (*แบบ autoregressive*) ปรับให้เหมาะสมกับการทำนาย token ถัดไปและใช้ในงานที่ต้องการข้อมูลขาออกแบบสตรีม ได้แก่ ตัวแทนบทสนทนา การเติมโค้ดอัตโนมัติ และการสร้างสรรค์
- **สถาปัตยกรรม encoder + decoder แบบสมบูรณ์** รวมทั้งสองแนวทาง โดย encoder สร้างการแทนค่าของข้อความนำเข้าทั้งหมด และ decoder โดยอาศัยสิ่งนั้นสร้างผลลัพธ์ทีละขั้นตอน การกำหนดค่านี้มีประสิทธิภาพสูงสุดสำหรับการแปลเครื่อง การสรุปความ และระบบถาม-ตอบ

### การ Tokenization

**การ Tokenization** — คือขั้นตอนเริ่มต้นที่สำคัญของการประมวลผลข้อความใน LLM ในขั้นตอนนี้สตริงอักขระต่อเนื่องจะถูกแบ่งออกเป็นหน่วยย่อย — token การ tokenization ทำหน้าที่แปลงลำดับอักขระให้เป็นลำดับของสมาชิกที่มีโครงสร้างเพื่อให้ Neural Network ทำงานได้อย่างมีประสิทธิภาพ

จากมุมมองทางภาษาศาสตร์ การ tokenization อาจสอดคล้องกับกระบวนการแยกหน่วยภาษาขั้นต่ำที่มีความหมายอิสระหรือหน้าที่ในตัวเอง เช่น คำ morpheme หรือส่วนประกอบของคำ อย่างไรก็ตาม บ่อยครั้ง token ก็เป็นเพียงลำดับอักขระที่พบบ่อยทางสถิติ ดังนั้นจึงสำคัญที่จะไม่ประเมินความสมเหตุสมผลทางภาษาศาสตร์ของ*ทุก*token สูงเกินไป ขึ้นอยู่กับรูปแบบที่เลือก token อาจเป็น: คำเต็ม, คำย่อย, อักขระเดี่ยว, หรือเครื่องหมายพิเศษ (เช่น เครื่องหมายเริ่มต้นและสิ้นสุดลำดับ)

การ tokenization ช่วยให้:

- จำกัดขนาดคลังคำศัพท์ให้อยู่ในขนาดที่จัดการได้
- ประมวลผลคำที่หายากและคำใหม่ได้อย่างถูกต้อง
- ให้การแมปข้อความกับลำดับตัวระบุตัวเลขที่ชัดเจน

สำหรับการแบ่งข้อความจะใช้อัลกอริทึมแบบ subword โดยที่พบมากที่สุดได้แก่ **Byte Pair Encoding (BPE)**, **WordPiece** และ **UnigramLM** แต่ละอัลกอริทึมสร้างคลังคำจากส่วนที่พบบ่อยที่สุดในชุดข้อมูลและใช้เพื่อแบ่งข้อความนำเข้าใด ๆ ตามลำดับ

หลังจากขั้นตอน tokenization แต่ละหน่วยของข้อความ — token — จะถูกแปลงเป็นการแทนค่าตัวเลขที่ Neural Network เข้าใจได้ กระบวนการนี้ประกอบด้วยขั้นตอนต่อเนื่องหลายขั้น:

- *การแปลง token เป็นตัวระบุ*: token แต่ละตัวถูกจับคู่กับดัชนีตัวเลขที่ไม่ซ้ำกันบนพื้นฐานของคลังคำ token ที่สร้างไว้ล่วงหน้า token ข้อความถูกแทนที่ด้วยตัวระบุตัวเลขที่ไม่ซ้ำกัน (ID) โดย ID แต่ละตัวคือหมายเลขของ token ในคลังคำที่สร้างไว้ล่วงหน้า ซึ่งช่วยให้ Neural Network ทำงานกับตัวเลขแทนคำ
- *การแปลงตัวระบุเป็น embedding*: สำหรับตัวระบุ token แต่ละตัว จะมีการดึงหรือคำนวณเวกเตอร์มิติคงที่ที่สอดคล้องกัน — **embedding** การแทนค่าตัวเลขหลายมิตินี้แทนที่ ID และมีข้อมูลเกี่ยวกับความหมายและคุณสมบัติบริบทของ token อยู่แล้ว embedding ทั้งหมดมีความยาวเท่ากันเพื่อความสะดวกในการประมวลผล
- *การเพิ่ม positional encoding*: เนื่องจากสถาปัตยกรรม Transformer โดยตัวมันเองไม่คำนึงถึง*ลำดับ*ของสมาชิก จึงมีการเพิ่ม **positional encoding** เข้ากับ embedding ซึ่งให้ข้อมูลเกี่ยวกับตำแหน่งของ token ในลำดับ กล่าวอีกนัยหนึ่ง ด้วยสิ่งนี้โมเดลจึง "รู้" ว่า token ใดอยู่อันดับแรก สอง สาม และต่อ ๆ ไปในประโยค
- *การสร้าง input matrix*: ที่ผลลัพธ์จะได้เมทริกซ์มิติ `[длина последовательности × размерность эмбеддинга]` ซึ่งทำหน้าที่เป็นการแทนค่าเริ่มต้นของข้อความและส่งเป็นข้อมูลนำเข้าให้กับ Neural Network โดยเฉพาะบล็อก self-attention ของ Transformer แต่ละแถวของเมทริกซ์นี้สอดคล้องกับ token หนึ่งตัว และเวกเตอร์ที่บรรจุอยู่นั้นมีทั้งความหมายเชิงความหมายของมัน (embedding) และข้อมูลเกี่ยวกับตำแหน่งในข้อความ (positional encoding)

<!-- -->

    Текст → Токены → Идентификаторы → Эмбеддинги + Позиционные кодировки → Вход в модель

### กลไก Attention

**กลไก attention (attention mechanism)** — คือองค์ประกอบสำคัญของสถาปัตยกรรม Transformer ที่ช่วยให้สามารถคำนึงถึงความสัมพันธ์ระหว่าง token โดยไม่ขึ้นกับ*ระยะ*ระหว่างกันในลำดับ หลังจากที่ข้อความนำเข้าถูกแปลงเป็นลำดับของเวกเตอร์แล้ว ลำดับนี้จะถูกส่งไปยังองค์ประกอบหลักของ Transformer — **บล็อก attention** (attention block)

กลไก attention คือวิธีที่ Neural Network กำหนดว่าควรให้ความสนใจกับส่วนใดของข้อมูลนำเข้ามากขึ้นเมื่อประมวลผลแต่ละสมาชิกในลำดับ ด้วยกลไกนี้เวกเตอร์ของส่วนต่าง ๆ ของข้อความสามารถโต้ตอบกันได้ เสริมด้วยข้อมูลและอัปเดตค่าโดยคำนึงถึงบริบทโดยรอบ ด้วยเหตุนี้โมเดลจึงสามารถจับทั้งความสัมพันธ์ในเชิงท้องถิ่นและระยะไกลระหว่าง token ได้อย่างมีประสิทธิภาพ ซึ่งช่วยเพิ่มความสามารถในการตีความโครงสร้างข้อความที่ซับซ้อนอย่างมีนัยสำคัญ

ในภาษาธรรมชาติความหมายของคำหรือวลีไม่ได้ถูกกำหนดแบบแยกส่วน — มันขึ้นอยู่กับบริบท หมายถึงคำและโครงสร้างอื่น ๆ โดยรอบ ใน Neural Network ข้อความถูกเข้ารหัสผ่านการแทนค่าเวกเตอร์ — embedding ที่สะท้อนคุณสมบัติทางคำศัพท์และไวยากรณ์ของ token ในเชิงตัวเลข หากไม่มีกลไก attention โดยตรง (เหมือนใน Transformer) ข้อมูลบริบทจะสูญหายในระยะทางไกล (เหมือนในโมเดลธรรมดา) หรือส่งผ่านตามลำดับ ซึ่งมีประสิทธิภาพน้อยกว่าในการจับความสัมพันธ์ระยะไกล อย่างไรก็ตาม ในภาษาธรรมชาติความหมายของคำหรือโครงสร้างทางไวยากรณ์เป็นแบบไดนามิก และการตีความต้องปรับตัวตามบริบท กลไก attention ทำการ contextualize การแทนค่าเวกเตอร์ **ซึ่งหมายความว่า' *(หรือเพียง*** *:*):

- token แต่ละตัว «ประเมิน» ความสำคัญของตนเองเทียบกับ token อื่น ๆ ในประโยค
- ในกระบวนการอัปเดต การแทนค่าเวกเตอร์ได้รับการเสริมด้วยข้อมูลร่วมกัน สะท้อนความสัมพันธ์ทางไวยากรณ์ บทบาทเชิงความหมาย และบริบทเชิงหน้าที่

  
ผลจากการแลกเปลี่ยนข้อมูลนี้ เวกเตอร์ที่อัปเดตจะเริ่มเข้ารหัสไม่เพียงแต่*ความหมายของ token เอง* แต่ยังรวมถึงความสัมพันธ์ทางไวยากรณ์ (syntax) บทบาทในสถานการณ์ที่อธิบาย (semantics) และความหมายโดยรวมในบริบท (pragmatics)

    Входные векторы токенов (с позициями) → Механизм Внимания (Взаимодействие векторов) → Контекстуализированные векторы токенов (Векторы обогащенные информацией о связях с другими токенами)

### การนำกลไก Attention ไปใช้ในทางเทคนิค

โครงสร้างภายในของกลไก attention ประกอบด้วยขั้นตอนและองค์ประกอบการคำนวณสำคัญหลายอย่าง สำหรับเวกเตอร์นำเข้าแต่ละตัวจะสร้างเวกเตอร์สามตัวได้แก่ Query (คำถาม), Key (คีย์) และ Value (ค่า) บนพื้นฐานของการโต้ตอบกันจะคำนวณน้ำหนัก attention ซึ่งจากนั้นใช้เพื่อให้ได้การแทนค่าเวกเตอร์ที่อัปเดตและมีบริบทแล้ว แนวทางที่นิยมคือการใช้สถาปัตยกรรม Multi-Head Attention เพื่อประมวลผลข้อมูลแบบขนาน

#### Query (คำถาม), Key (คีย์), Value (ค่า)

พื้นฐานของการคำนวณกลไก attention คือการแปลงเวกเตอร์นำเข้าแต่ละตัว (ซึ่งเป็นผลรวมของ embedding ของ token และ positional encoding ของมัน) ให้เป็นการแทนค่าเวกเตอร์สามแบบที่แตกต่างกัน ได้แก่ Query (Q), Key (K) และ Value (V)

ในเชิงแนวคิด เวกเตอร์ทั้งสามนี้ทำหน้าที่ดังนี้ในกลไก attention:

- **Query (คำถาม)**: แทนเวกเตอร์ของ token ปัจจุบันที่เริ่มกระบวนการค้นหาข้อมูลที่เกี่ยวข้องในลำดับ อาจมองได้ว่าเป็น "คำถาม" หรือ "หัววัด" ที่ใช้ประเมินความสำคัญของ token อื่น ๆ เทียบกับ token ปัจจุบัน
- **Key (คีย์):** ทำหน้าที่เป็นตัวระบุหรือ "ป้ายกำกับ" ที่อธิบายลักษณะของเนื้อหาของ token แต่ละตัว เวกเตอร์ Query (Q) ของ token ปัจจุบันถูกเปรียบเทียบกับเวกเตอร์ Key (K) ทั้งหมดในลำดับ (รวมถึงของตนเอง) เพื่อกำหนดระดับความสอดคล้องหรือความเกี่ยวข้องของพวกมัน
- **Value (ค่า):** บรรจุข้อมูลจริงหรือการแทนค่าที่เกี่ยวข้องกับ token แต่ละตัวที่จะส่งต่อไป หลังจากคำนวณน้ำหนัก attention บนพื้นฐานของการโต้ตอบระหว่าง Query และ Key แล้ว น้ำหนักเหล่านี้จะถูกนำไปใช้กับเวกเตอร์ Value เพื่อสร้างการแทนค่าถ่วงน้ำหนักสุดท้ายซึ่งเป็นผลลัพธ์ของกลไก attention สำหรับ token นั้น

## การฝึก LLM

การฝึก LLM เกิดขึ้นเป็นหลักในสองขั้นตอน:

1.  **การฝึกล่วงหน้า (Pretraining)** ในขั้นตอนนี้โมเดลได้รับการฝึกบนชุดข้อมูลข้อความขนาดใหญ่ที่ไม่มีป้ายกำกับโดยใช้วิธี self-supervised learning งานคือการทำนาย token ถัดไปในลำดับ (autoregression) หรือการกู้คืนส่วนที่ซ่อนไว้ (masked learning) การฝึกล่วงหน้าช่วยให้โมเดลเรียนรู้รูปแบบทางสถิติของภาษาอย่างกว้างขวาง ไวยากรณ์ ข้อเท็จจริงเกี่ยวกับโลก และรูปแบบพื้นฐานของการให้เหตุผล
2.  **การ Fine-tuning** หลังจากการฝึกล่วงหน้า โมเดลจะถูกฝึกเพิ่มเติมบนข้อมูลเฉพาะทางเพื่อทำงานเฉพาะ เช่น การสร้างคำตอบ การจำแนกข้อความ หรือการปฏิบัติตามคำสั่ง แนวทางสมัยใหม่ประกอบด้วย:
    - การ fine-tuning บน dataset ที่มีป้ายกำกับ (supervised fine-tuning)
    - การเรียนรู้เสริมแรงด้วยข้อเสนอแนะของมนุษย์ (RLHF, reinforcement learning from human feedback) เพื่อปรับพฤติกรรมของโมเดลให้สอดคล้องกับตัวชี้วัดเป้าหมายด้านคุณภาพ ความปลอดภัย และความเป็นประโยชน์

## ปัญหาและข้อจำกัด

แม้จะมีความก้าวหน้าที่น่าประทับใจ แต่ LLM สมัยใหม่ก็มีปัญหาและข้อจำกัดหลายประการ:

  
**I. ข้อจำกัดด้านการคำนวณและสถาปัตยกรรม**

1.  **ค่าใช้จ่ายด้านการคำนวณสูง:** การฝึกและการดำเนินงาน LLM ต้องการกำลังการคำนวณ เวลา และพลังงานอย่างมาก ซึ่งนำไปสู่ต้นทุนทางเศรษฐกิจและสิ่งแวดล้อมที่สูง นอกจากนี้ ลักษณะ autoregressive ของการสร้าง (การสร้าง token ตามลำดับ) จำกัดการประมวลผลแบบขนานและทำให้ความเร็วของการประมวลผลช้าลงเมื่อเทียบกับแนวทางที่ไม่ใช่ autoregressive
2.  **ข้อจำกัดความยาว context:** สถาปัตยกรรม Transformer มีการพึ่งพิงแบบกำลังสองของต้นทุนการคำนวณและความต้องการหน่วยความจำต่อความยาวลำดับ สิ่งนี้บังคับให้ต้องกำหนดขีดจำกัดคงที่ (หน้าต่าง context) สำหรับปริมาณข้อความที่โมเดลสามารถประมวลผลได้ในคราวเดียว ส่งผลให้เอกสารขนาดยาวถูกตัดและสูญเสียข้อมูลนอกหน้าต่าง

  
**II. ปัญหาความน่าเชื่อถือและความแม่นยำของการสร้าง**

1.  **การประดิษฐ์ข้อมูลเท็จ (Hallucination):** การสร้างข้อมูลที่ผิดเป็นข้อเท็จจริงแต่ฟังดูน่าเชื่อถือ ซึ่งเกี่ยวข้องกับการที่โมเดลไม่มีความเข้าใจโลกจริง การพึ่งพิงรูปแบบทางสถิติในข้อมูล และไม่สามารถตรวจสอบความถูกต้องของสิ่งที่สร้างขึ้น
2.  **การสะสมข้อผิดพลาด (Error Propagation):** กระบวนการที่ข้อผิดพลาดที่เกิดขึ้นในระยะแรกของการสร้างขยายตัวและนำไปสู่ความไม่แม่นยำที่เพิ่มขึ้นในขั้นตอนต่อ ๆ ไป ลดคุณภาพโดยรวมและความสอดคล้องของข้อความ
3.  **ความสามารถในการจัดการแบบ compositional ที่จำกัด:** ความยากลำบากกับงานที่ต้องการการอนุมานเชิงตรรกะหลายขั้นตอนหรือการคำนวณที่แม่นยำ (เช่น การคูณตัวเลขหลายหลัก การแก้ปริศนา) ความแม่นยำของโมเดลในงานดังกล่าวลดลงอย่างรวดเร็วตามความซับซ้อนที่เพิ่มขึ้นเนื่องจากลักษณะ autoregressive ของการสร้าง
4.  **การซ้ำซาก:** แนวโน้มที่จะทำซ้ำคำหรือวลีมากเกินไป ลดความมีข้อมูลและความอ่านออกของข้อความ ซึ่งเกี่ยวข้องกับลักษณะของการฝึกและอัลกอริทึมการถอดรหัส (การเลือก token ถัดไป)
5.  **คำสาป Reversal (Reversal Curse):** ความไม่สามารถของโมเดลในการสรุปความรู้ในทิศทางย้อนกลับโดยอัตโนมัติ หลังจากเรียนรู้ข้อความ "A คือ B" โมเดลมักไม่สามารถสรุป "B คือ A" ได้
6.  **การแลกเปลี่ยน "ความสร้างสรรค์-ความแม่นยำ":** ความจำเป็นในการสร้างสมดุลระหว่างการสร้างคำตอบที่หลากหลายและเป็นต้นฉบับกับการรักษาความแม่นยำเชิงข้อเท็จจริง การเพิ่มด้านหนึ่งมักส่งผลเสียต่ออีกด้าน เช่น ความสร้างสรรค์สูงอาจสัมพันธ์กับการเพิ่มขึ้นของการประดิษฐ์ข้อมูลเท็จ

**III. ปัญหาด้านการโต้ตอบและการควบคุม:**

1.  **ความสามารถในการควบคุมต่ำ:** ความยากลำบากในการควบคุมสไตล์ น้ำเสียง เนื้อหาของข้อความที่สร้างขึ้น หรือการปฏิบัติตามคำสั่งที่ซับซ้อนอย่างแม่นยำ ความสามารถในการควบคุมขึ้นอยู่กับคุณภาพของคำสั่งนำเข้า (prompt) และวิธีการ fine-tuning อย่างมาก
2.  **ความไวต่อการกำหนดสูตร:** การเปลี่ยนแปลงเล็กน้อยใน prompt นำเข้าอาจนำไปสู่คำตอบที่แตกต่างกันอย่างมีนัยสำคัญ แม้ว่าความหมายของ prompt จะยังคงเดิม สิ่งนี้ทำให้การได้รับผลลัพธ์ที่เสถียรและคาดการณ์ได้เป็นเรื่องยาก

  
**IV. ด้านจริยธรรมและสังคม:**

1.  **ปัญหาอคติและความเป็นธรรม:** โมเดลอาจทำซ้ำและขยายอคติทางสังคม ความเป็นอคติ หรือความเป็นพิษที่มีอยู่ในข้อมูลฝึก การรับประกันความเป็นธรรมและความปลอดภัยของโมเดลเป็นงานที่ซับซ้อน
2.  **ปัญหาการปรับพฤติกรรม (LLM Alignment):** ปัญหาทั่วไปมากกว่าที่รวมประเด็นก่อนหน้า นี่คืองานในการทำให้พฤติกรรมของโมเดลสอดคล้องกับค่านิยม เจตนา และมาตรฐานจริยธรรมของมนุษย์ รวมถึงการต่อสู้กับอคติ การประดิษฐ์ข้อมูลเท็จ การสร้างเนื้อหาที่เป็นอันตราย และการเพิ่มความสามารถในการควบคุม
3.  **ความเสี่ยงจากการใช้งานในทางที่ผิด:** ความเป็นไปได้ในการใช้ LLM เพื่อสร้างและเผยแพร่ข้อมูลเท็จ การหลอกลวงทางอินเทอร์เน็ต สแปม โค้ดที่เป็นอันตราย หรือการสร้างข้อความปลอมที่น่าเชื่อถือ ซึ่งเป็นภัยคุกคามต่อความปลอดภัยของข้อมูลและส่วนบุคคล รวมถึงบ่อนทำลายความไว้วางใจในสังคม

## ลิงก์อ้างอิง:

- «Большая языковая модель» // Википедия (Русская версия)
- *Large Language Model* // Wikipedia (English version)
- *Grand Modèle de Langage* // Wikipédia (Version française)
- *Sprachmodell* // Wikipedia (Deutsche version)

<!-- -->

- *Naveed H. и др*. // *A Comprehensive Overview of Large Language Models* // arXiv:2307.06435, 2023

## วรรณกรรม

- Vaswani, A. et al. (2017). *Attention Is All You Need*. arXiv:1706.03762.
- Devlin, J. et al. (2019). *BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding*. arXiv:1810.04805.
- Brown, T. et al. (2020). *Language Models Are Few-Shot Learners*. arXiv:2005.14165.
- Kaplan, J. et al. (2020). *Scaling Laws for Neural Language Models*. arXiv:2001.08361.
- Hoffmann, J. et al. (2022). *Training Compute-Optimal Large Language Models*. arXiv:2203.15556.
- Ouyang, L. et al. (2022). *Training Language Models to Follow Instructions with Human Feedback*. arXiv:2203.02155.
- Bai, Y. et al. (2022). *Constitutional AI: Harmlessness from AI Feedback*. arXiv:2212.08073.
- Bubeck, S. et al. (2023). *Sparks of Artificial General Intelligence: Early Experiments with GPT-4*. arXiv:2303.12712.
- OpenAI. (2023). *GPT-4 Technical Report*. arXiv:2303.08774.
- Touvron, H. et al. (2024). *The Llama 3 Herd of Models*. arXiv:2407.21783.