ลองนึกภาพเพื่อนสองคนที่ตอบคำถามคณิตศาสตร์ยากๆ
- คนแรกฟังโจทย์จบปุ๊บ พูดคำตอบออกมาทันที — บางทีถูก บางทีมั่ว
- คนที่สองขอเวลาแป๊บนึง หยิบกระดาษมาคิดเลข ทดเลขไปมา แล้วค่อยพูดคำตอบสุดท้าย
AI ทุกวันนี้ก็แบ่งเป็นสองแบบนี้เหมือนกัน — Standard LLM ตอบทันที ส่วน Reasoning model นั่งคิดก่อนแล้วค่อยตอบ
Reasoning model คืออะไร
AI แบบทั่วไป (ChatGPT-4o, Claude รุ่นปกติ, Gemini รุ่นปกติ) ทำงานแบบ “พูดไปคิดไป” — พอเรากดส่งคำถาม มันเริ่มพ่นคำตอบออกมาทีละคำทันที ไม่มีขั้นตอน “คิดในใจ” ก่อน
Reasoning model (เช่น กลุ่ม GPT-5.x โหมด Thinking ของ OpenAI ที่พัฒนาต่อจาก o1/o3, DeepSeek R1, Claude กับโหมด Extended Thinking, Gemini 3 กับโหมด Thinking) ถูกฝึกมาให้ทำสิ่งที่เรียกว่า chain-of-thought แบบอัตโนมัติ — ก่อนจะตอบ มันจะ “คิดในใจ” เป็นข้อความยาวๆ ที่เราอาจไม่เห็นทั้งหมด แตกโจทย์เป็นขั้นย่อยๆ ลองผิดลองถูก ตรวจทานตัวเอง แล้วค่อยสรุปเป็นคำตอบสุดท้าย
จุดสำคัญคือ นี่ไม่ใช่แค่การพิมพ์ “ช่วยคิดทีละขั้นตอนหน่อย” ใส่ prompt (ซึ่งทำได้กับ AI ทั่วไปเหมือนกัน) แต่เป็นพฤติกรรมที่ถูก ฝึกฝังเข้าไปในตัวโมเดลเลย ผ่านกระบวนการฝึกด้วย reinforcement learning ที่ให้รางวัลตอนที่โมเดล “คิดถูกทาง” ก่อนตอบ
ตัวอย่างที่เห็นชัด
ลองถามคำถามแบบนี้กับ AI ทั่วไป:
“รถไฟสองขบวนวิ่งเข้าหากันด้วยความเร็ว 60 และ 90 กม./ชม. ห่างกัน 300 กม. จะชนกันตอนกี่นาที?”
AI ทั่วไปอาจตอบเลขผิดได้ง่ายๆ เพราะมันคำนวณ “ไปพร้อมกับพูด” ทีละคำ ไม่มีโอกาสย้อนกลับไปเช็คตัวเอง
Reasoning model จะใช้เวลาสองสามวินาทีถึงหลายสิบวินาที “คิดในใจ” — ตั้งสมการ บวกความเร็วรวมกัน หารระยะทาง แปลงหน่วยเป็นนาที เช็คคำตอบอีกรอบ — แล้วค่อยพิมพ์คำตอบสุดท้ายที่แม่นยำกว่ามาก
เวลาเปิดแอป ChatGPT แล้วปรับ reasoning effort เป็นระดับสูง (หรือกดปุ่ม Think) คุณจะเห็นข้อความ “Thinking…” หรือสรุปสั้นๆ ของกระบวนการคิดก่อนคำตอบจะโผล่มา — นั่นแหละคือ reasoning ที่กำลังทำงานอยู่
เมื่อไหร่ควรใช้ Reasoning model
เหมาะกับงานที่ต้องคิดหลายขั้นตอน:
- โจทย์คณิตศาสตร์ ฟิสิกส์ สถิติ
- เขียนโค้ด / debug โค้ดที่ซับซ้อน
- วางแผนงานที่มีเงื่อนไขซ้อนกันหลายชั้น (เช่น จัดตารางเวลาที่มีข้อจำกัดเยอะ)
- วิเคราะห์ตรรกะ ปริศนา เกมที่ต้องคำนวณความน่าจะเป็น
- รีวิวสัญญา/เอกสารกฎหมายที่ต้องเช็คความสอดคล้องหลายจุด
ไม่จำเป็นต้องใช้ (แถมช้ากว่า แพงกว่าโดยไม่ได้อะไรเพิ่ม):
- คุยเล่นทั่วไป ถามความเห็น
- เขียนอีเมล โพสต์โซเชียล บทความสั้นๆ
- แปลภาษา สรุปเนื้อหา
- ค้นหาข้อมูลง่ายๆ ที่ไม่ต้องคำนวณ
เปรียบเทียบง่ายๆ: จะถามเพื่อน “วันนี้กินอะไรดี” ไม่มีใครอยากให้เพื่อนนั่งคิดในใจ 30 วินาทีก่อนตอบ แต่ถ้าถาม “ช่วยคำนวณภาษีที่ต้องจ่ายปีนี้หน่อย” การให้เวลาคิดสักหน่อยคุ้มค่ากว่าเยอะ
ข้อแลกเปลี่ยนที่ต้องรู้
| Standard LLM | Reasoning model | |
|---|---|---|
| ความเร็ว | ตอบเกือบทันที | ช้ากว่า (วินาทีถึงนาที) |
| ค่าใช้จ่าย | ถูกกว่า | แพงกว่า (คิดในใจก็นับเป็น token ที่เสียเงิน) |
| ความแม่นยำงานซับซ้อน | พลาดง่าย | แม่นยำกว่าชัดเจน |
| งานง่ายๆ ทั่วไป | เพียงพอ | เกินความจำเป็น บางทีคิดมากเกินจนตอบแปลกๆ |
| เห็นขั้นตอนคิดไหม | ไม่มี | มักมีสรุปกระบวนการคิดให้ดู (บางส่วน) |
สิ่งที่คนใหม่มักไม่รู้: การให้ AI “คิดในใจ” ไม่ได้ฟรี — ทุกคำที่มันคิด (แม้เราไม่เห็นทั้งหมด) นับเป็น token ที่ต้องจ่ายเงิน ถ้าใช้ผ่าน API แล้วเปิด reasoning mode ไว้ตลอดโดยไม่จำเป็น บิลอาจพุ่งขึ้นเยอะโดยไม่รู้ตัว
อีกเรื่องที่น่าสนใจคือบางครั้ง reasoning model ก็ “คิดมากเกินไป” กับคำถามง่ายๆ จนตอบซับซ้อนเกินความจำเป็น หรือใช้เวลานานโดยไม่ได้คำตอบดีขึ้นเลย — เหมือนคนที่คิดเลข 2+2 นานเกินจำเป็น
จะรู้ได้ยังไงว่ากำลังใช้ Reasoning model อยู่
- ChatGPT: ปรับ reasoning effort เป็น Medium/High/Extra High หรือกดปุ่ม “Think” ในโมเดลตระกูล GPT-5.x (แทนที่จะปล่อยไว้ที่ Instant)
- Claude: เปิดโหมด “Extended Thinking” ในการตั้งค่า (มีให้เลือกใน Claude รุ่นใหม่)
- Gemini: เลือกรุ่น “Thinking” ใน Gemini 3 หรือใหม่กว่า
- DeepSeek: ใช้โมเดล R1 ซึ่งเป็น reasoning model แบบ open-weight ที่ใช้ฟรีได้
ถ้าเห็น AI แสดงข้อความ “กำลังคิด…” หรือมีกล่องแสดงกระบวนการคิดก่อนคำตอบจริง นั่นคือสัญญาณชัดเจนว่ากำลังใช้ reasoning model อยู่
สรุป
Reasoning model ไม่ใช่ AI ที่ “ฉลาดกว่า” ในทุกสถานการณ์ — มันคือ AI ที่ถูกฝึกให้ หยุดคิดก่อนพูด เหมาะกับงานที่ต้องคำนวณหลายขั้นตอนหรือมีตรรกะซับซ้อน แต่สำหรับงานง่ายๆ ในชีวิตประจำวัน AI แบบตอบทันทีก็เพียงพอและเร็วกว่ามาก
กฎง่ายๆ ที่จำได้เลย: ถ้าโจทย์ต้องใช้กระดาษทด ให้ AI คิดก่อนตอบ ถ้าแค่คุยเล่น ให้มันตอบทันทีไปเลย