Training vs Inference
AI เรียนอย่างไร และตอบได้อย่างไร — สองช่วงหลักที่ทุก ML system ต้องผ่าน ไม่ใช่แค่ chatbot
ChatGPT ตอบเราทันที ทั้งที่ "เรียน" มาหลายเดือน — สองช่วงนี้ต่างกันยังไง?
ถ้าการฝึก AI ใช้เวลาเป็นเดือนและค่าไฟเป็นร้อยล้าน ทำไมเวลาเราถามอะไรมันถึงตอบได้ภายในไม่กี่วินาที? คำตอบอยู่ที่ความต่างระหว่างสองช่วงที่ไม่มีวันทับกัน: Training กับ Inference
บทเรียนนี้ใช้ได้กับ AI ทุกประเภท — ไม่ใช่แค่ chatbot ไม่ว่าจะเป็น Face ID ตัวกรองสแปม หรือโมเดลแนะนำเพลง ทุกระบบ ML ผ่านสองช่วงนี้เสมอ
ร้านอาหาร + ใบขับขี่ — สองอุปมาที่เข้าใจง่าย
เชฟทดลองสูตร ชิม ปรับ ลองใหม่ ทำซ้ำหลายร้อยรอบ ใช้เวลาเป็นเดือน วัตถุดิบหมดไปเยอะ ก่อนเปิดบริการจริงต้องทำให้สูตรนิ่งก่อน
สูตรนิ่งแล้ว ลูกค้าสั่ง เชฟทำตามสูตรเดิมเสิร์ฟใน 5 นาที ไม่แก้สูตรระหว่างทำ ทำซ้ำได้ล้านรอบโดยไม่ต้องเปลี่ยน
Training = เรียนขับรถ สอบ เสียเวลา เสียเงิน ผ่านกี่รอบ กว่าจะได้ใบขับขี่ | Inference = ขับส่งของจริงทุกวัน ไม่ต้องเรียนใหม่ทุกครั้งที่ออกรถ
สลับดูสองช่วง — Training กับ Inference
ช่วงเรียนรู้
โมเดลดูข้อมูลนับล้านๆ ชิ้น ทำนาย เทียบกับคำตอบที่ถูก คำนวณว่าผิดมากแค่ไหน (loss) แล้วปรับค่าภายใน (weights) ทำซ้ำจนดีขึ้น
ช่วงใช้งาน
รับ input จากผู้ใช้ ไหลผ่าน weights ที่ล็อกไว้แล้ว (forward pass) ได้ output กลับมา ทำซ้ำได้ล้านครั้งต่อวันโดยไม่เปลี่ยน weights
ทุก ML system ผ่านสองช่วงนี้ — ไม่ใช่แค่ chatbot
ลองดู 3 ระบบที่คุ้นเคย — image classifier, text classifier, และ LLM — ทุกตัวใช้ pattern เดิม
สแกนหน้าปลดล็อกมือถือ (Image Classifier)
Apple (Face ID), Google (Face Unlock) และค่ายอื่นๆ ใช้ภาพหน้าหลายล้านภาพฝึกโมเดลหลายสัปดาห์ใน data center ขนาดใหญ่
ทุกครั้งที่คุณปลดล็อกมือถือ — ใช้เวลาไม่ถึง 1 วินาที บน chip ในเครื่อง weights ไม่เปลี่ยน
ตัวกรองสแปมอีเมล (Text Classifier)
บริษัทอีเมลเทรนโมเดลจากอีเมลสแปมหลายพันล้านฉบับ ผ่าน feedback ของผู้ใช้จำนวนมาก
ทุกอีเมลที่เข้ามา — จัดหมวดหมู่อัตโนมัติภายในมิลลิวินาที โดยไม่ต้อง retrain ทุกครั้ง
ChatGPT / Claude / Gemini (LLM)
เรียนจากข้อความบนอินเทอร์เน็ตเป็นจำนวนมหาศาล ใช้เวลาหลายเดือน ค่าไฟและชิปประมวลผลหลักพันล้านถึงหลายหมื่นล้านบาท (ประมาณการ — ตัวเลขแน่นอนไม่มีการยืนยัน; last_verified_at: 2026-08)
ทุกครั้งที่คุณพิมพ์คำถาม — ตอบภายในไม่กี่วินาที weights เหมือนเดิมสำหรับทุกคน
ทุกระบบ ML ทำงาน 2 ช่วงนี้ — ไม่ว่าจะเป็นโมเดลแนะนำเพลง Spotify, ระบบตรวจจับใบหน้าในสนามบิน, หรือตัวแปลภาษา
Training กิน resources มากแค่ไหน เทียบ Inference
| ด้าน | Training | Inference |
|---|---|---|
| เวลา | หลายสัปดาห์ถึงหลายเดือน | มิลลิวินาที–วินาที |
| GPU/TPU | ใช้เยอะมาก (cluster ขนาดใหญ่) | ใช้ปานกลาง (ต่อ request) |
| ค่าไฟ | สูงมาก (ผลรวมทั้งรอบ) | ต่ำ (ต่อ request) |
| ข้อมูล input | dataset ขนาดใหญ่ | คำถาม/input ของผู้ใช้ |
| weights | ปรับทุก batch | อ่านอย่างเดียว (ล็อก) |
| ทำซ้ำบ่อยไหม | ทำไม่บ่อย (รอบ retrain) | ทำล้านครั้งต่อวัน |
5 ความเชื่อผิดๆ เกี่ยวกับ Training กับ Inference
คลิกแต่ละข้อเพื่อดูว่าที่ถูกต้องคืออะไร
✗ "AI เรียนตอนคุยกับเรา"
✗ "Inference ไม่ใช้ GPU"
✗ "Training ทำแค่ครั้งเดียวจบ"
✗ "Fine-tuning = Training ใหม่ทั้งหมด"
✗ "ยิ่งเทรนนาน โมเดลยิ่งเก่งเสมอ"
6 คำที่ต้องรู้ก่อนอ่านข่าว AI
คลิกที่แต่ละคำเพื่อดูนิยาม
ทดสอบความเข้าใจ — 4 ข้อ
จำแค่นี้ — 3 ข้อ
- 1 Training = ช่วงเรียน — weights ปรับตัวอยู่ตลอด ใช้ทรัพยากรมาก ทำไม่บ่อย (รอบ retrain)
- 2 Inference = ช่วงใช้งาน — weights ล็อกแล้ว เร็ว ทำล้านครั้งต่อวันโดยไม่เปลี่ยน weights
- 3 ทั้งสอง concept ใช้กับ ML ทุกประเภท — ไม่ใช่แค่ chatbot Face ID, spam filter, เครื่องยนต์แนะนำเพลง ล้วนผ่านสองช่วงนี้