คณิตศาสตร์เบื้องหลัง DeepSeek R1 และ Grok 4: ทำไมโมเดลจีน-อเมริกันถึงชนะทุก Benchmark

ศึกชิงบัลลังก์ AI: คณิตศาสตร์เบื้องหลัง DeepSeek และ Grok/GPT-4o ทำไมสงคราม Benchmark ถึงดุเดือด

ในสมรภูมิปัญญาประดิษฐ์ (AI) ที่ดุเดือด เรากำลังเห็นการ “สลับกัน” ขึ้นครองบัลลังก์ผู้นำบนตาราง Benchmark (เช่น MMLU, GPQA, HumanEval) อยู่ตลอดเวลา ล่าสุด โมเดลจากฝั่งจีนอย่าง DeepSeek-V2 ได้สร้างแรงสั่นสะเทือนด้วยการทำคะแนนเทียบเคียงหรือ “ชนะ” โมเดลยักษ์ใหญ่จากอเมริกาอย่าง GPT-4o หรือ Grok ในหลายๆ ด้าน

คำถามคือ: มันเกิดอะไรขึ้น? ทำไมพวกเขาถึงเก่งขึ้นอย่างก้าวกระโดด?

คำตอบไม่ได้อยู่ที่ “เวทมนตร์” แต่อยู่ที่ “คณิตศาสตร์ประยุกต์” ที่ชาญฉลาดและถูกผลักดันไปจนสุดขอบ นี่คือคณิตศาสตร์เบื้องหลังที่ขับเคลื่อนยักษ์ใหญ่เหล่านี้

🏛️ 1. สถาปัตยกรรมหลัก: The Transformer (พีชคณิตเชิงเส้น คือ ทุกสิ่ง)

หัวใจของโมเดลเหล่านี้ยังคงเป็นสถาปัตยกรรม Transformer ที่ถือกำเนิดในปี 2017 คณิตศาสตร์หลักของมันคือ:

• พีชคณิตเชิงเส้น (Linear Algebra): ทุกอย่างในโมเดลคือ เวกเตอร์ (Vectors) และ เมทริกซ์ (Matrices) คำ, ประโยค, หรือแนวคิด ถูกแปลงเป็นเวกเตอร์ตัวเลขในพื้นที่หลายพันมิติ
• กลไก Self-Attention: นี่คือ “สมอง” ของ Transformer ที่ตัดสินว่าคำไหนในประโยคควร “สนใจ” คำไหน มันคือการคำนวณทางคณิตศาสตร์ล้วนๆ:
  1. สร้างเวกเตอร์ 3 ตัว: Query (Q), Key (K), Value (V) (ผ่านการคูณเมทริกซ์)
  2. คำนวณ “คะแนนความสนใจ” โดยการทำ Dot Product ระหว่าง $Q$ และ $K$ ( $Attention(Q, K, V) = \text{softmax}(\frac{QK^T}{\sqrt{d_k}})V$ )
  3. ใช้ฟังก์ชัน Softmax (หลักการทางสถิติและความน่าจะเป็น) เพื่อเปลี่ยนคะแนนดิบให้เป็น “น้ำหนักความน่าจะเป็น” ที่รวมกันได้ 1
  4. นำน้ำหนักนี้ไปถ่วงน้ำหนักเวกเตอร์ Value (V)

นี่คือรากฐานที่ทุกคนใช้เหมือนกัน แต่ “ความลับ” ที่ทำให้ DeepSeek หรือ Grok โดดเด่นขึ้นมา อยู่ที่การปรับปรุง “สถาปัตยกรรม” และ “การคำนวณ” ให้มีประสิทธิภาพสูงสุด

🧠 2. ความลับที่ชนะ Benchmark: Mixture of Experts (MoE)

นี่คือคีย์เวิร์ดที่สำคัญที่สุดในปัจจุบัน ทั้ง Grok ของ xAI และ DeepSeek-V2 ต่างก็ใช้เทคนิคนี้อย่างหนักหน่วง

แนวคิดพื้นฐาน (Analogy):

ลองนึกภาพโมเดล AI แบบเก่า (Dense Model) ว่าเป็น “ผู้รู้ทุกเรื่อง” คนเดียว เมื่อคุณถามคำถาม (ไม่ว่าจะเรื่องคณิตศาสตร์, ประวัติศาสตร์, หรือการทำอาหาร) สมอง “ทั้งก้อน” ของเขาจะต้องทำงาน

Mixture of Experts (MoE) เปลี่ยนแนวคิดนี้ไปโดยสิ้นเชิง มันคือ “คณะกรรมการผู้เชี่ยวชาญ”

คณิตศาสตร์เบื้องหลัง MoE:

1. Experts (ผู้เชี่ยวชาญ): แทนที่จะมี Feed-Forward Network (FFN) ขนาดใหญ่เพียงชุดเดียว โมเดล MoE จะมี FFN ขนาดเล็กกว่าหลายๆ ชุด (เช่น 64 หรือ 128 ชุด) ที่เรียกว่า “Experts”
2. Gating Network (เครือข่ายประตู): นี่คือ “ผู้จัดการ” หรือ “สมองกล” ทางคณิตศาสตร์ที่สำคัญที่สุด เมื่อมี “โทเค็น” (Token – ชิ้นส่วนของคำ) เข้ามา Gating Network จะต้องตัดสินใจว่า “จะส่งโทเค็นนี้ไปให้ผู้เชี่ยวชาญคนไหนทำงาน?”
3. การตัดสินใจของ Gating Network: มันคือ ฟังก์ชันการจำแนกประเภท (Classification Function) โดยทั่วไปจะใช้ Softmax อีกครั้ง Gating Network จะคำนวณความน่าจะเป็นที่ “Expert” แต่ละคนจะเหมาะสมกับโทเค็นนี้ที่สุด แล้วเลือกมาเพียงไม่กี่คน (เช่น 2 คนที่ดีที่สุด)

จุดที่ “ชนะ” อยู่ตรงนี้:

• การประมวลผลแบบเบาบาง (Sparse Activation): สมมติว่า DeepSeek-V2 มี 236 พันล้านพารามิเตอร์ (พารามิเตอร์รวมของ “Expert” ทุกคน) แต่ในการประมวลผลโทเค็นหนึ่งๆ Gating Network อาจเลือกใช้ “Expert” เพียง 2 คน ซึ่งอาจมีพารามิเตอร์รวมกันแค่ 21 พันล้าน
• ผลลัพธ์: คุณได้โมเดลที่มี “ความรู้” มหาศาล (236B) แต่ใช้ “ต้นทุนการคำนวณ” (Compute) เท่ากับโมเดลขนาดเล็ก (21B) นี่คือการ “โกง” ค่าสถิติอย่างชาญฉลาดที่สุด

DeepSeek-V2 ผลักดันคณิตศาสตร์นี้ไปอีกขั้นด้วยสถาปัตยกรรม MoE ที่ซับซ้อนของตัวเอง (เช่น DeepSeekMoE) ที่จัดการการสื่อสารระหว่าง “Expert” ได้อย่างมีประสิทธิภาพสูงสุด ทำให้มันเร็วและถูกกว่าโมเดลขนาดใหญ่แบบเก่า

⚙️ 3. คณิตศาสตร์ของการ “ฝึกฝน”: แคลคูลัสและสถิติในสเกลมหึมา

การมีสถาปัตยกรรมที่ดีนั้นไร้ความหมาย ถ้าคุณ “ฝึก” มันไม่เป็น

• แคลคูลัส (Calculus): หัวใจของการเรียนรู้คือ Gradient Descent และ Backpropagation นี่คือการใช้ “อนุพันธ์ย่อย” (Partial Derivatives) เพื่อหาว่าควรปรับ “น้ำหนัก” (Weight) หรือพารามิเตอร์หลายแสนล้านตัวในโมเดลอย่างไร เพื่อลด “ความผิดพลาด” (Loss Function) ให้น้อยที่สุด
• Optimizers (ตัวปรับแต่ง): เราไม่ได้ใช้ Gradient Descent แบบพื้นฐาน แต่ใช้เวอร์ชันที่ซับซ้อนกว่าเช่น Adam หรือ RMSProp ซึ่งใช้คณิตศาสตร์สถิติ (เช่น การคำนวณ ค่าเฉลี่ยเคลื่อนที่ของโมเมนต์ที่หนึ่งและสอง – First and Second Order Moments) ของเกรเดียนต์ เพื่อปรับอัตราการเรียนรู้ (Learning Rate) แบบอัตโนมัติ ทำให้การฝึกฝนเสถียรและเร็วขึ้น
• สถิติ (Statistics): “ข้อมูล” ที่ใช้ฝึกคือทุกสิ่ง โมเดลจีนอาจได้เปรียบจากการเข้าถึงชุดข้อมูลภาษาจีนมหาศาล ขณะที่โมเดลอเมริกันอาจมีชุดข้อมูลโค้ด (Code) หรือบทสนทนาคุณภาพสูง การที่โมเดลจะ “ชนะ” Benchmark ด้านคณิตศาสตร์หรือการเขียนโค้ดได้นั้น ขึ้นอยู่กับว่ามันเคย “เห็น” ข้อมูลทางคณิตศาสตร์และโค้ดที่มีคุณภาพสูงในระหว่างการฝึกฝนมากน้อยเพียงใด ซึ่งนี่คือเกมทางสถิติล้วนๆ

🇨🇳 vs. 🇺🇸 สรุป: สงครามนี้… คณิตศาสตร์เหมือนกัน แต่ “เดิมพัน” ต่างกัน

คณิตศาสตร์พื้นฐาน (พีชคณิตเชิงเส้น, แคลคูลัส, ความน่าจะเป็น) ที่ใช้ในจีนและอเมริกานั้น ไม่ต่างกัน มันเป็นภาษาสากล

แต่ “สงคราม Benchmark” นี้ ถูกตัดสินกันด้วย:

1. สถาปัตยกรรมที่ชาญฉลาด (Smart Architecture): ใครออกแบบ “คณิตศาสตร์โครงสร้าง” (เช่น MoE) ได้มีประสิทธิภาพมากกว่ากัน DeepSeek เดิมพันกับ MoE ที่ซับซ้อนและชนะในแง่ของประสิทธิภาพต่อต้นทุน
2. วิศวกรรมสเกลยักษ์ (Massive-Scale Engineering): ใครสามารถนำคณิตศาสตร์เหล่านี้ไปรันบน GPU/TPU หลายหมื่นตัวพร้อมกันได้อย่างมีเสถียรภาพที่สุด
3. คุณภาพข้อมูล (Data Quality): ใครมี “เชื้อเพลิง” (ข้อมูล) ที่สะอาดและดีกว่ากันในการป้อนเข้าไปใน “เครื่องยนต์” (โมเดลคณิตศาสตร์)

ดังนั้น การที่ DeepSeek ชนะ Benchmark จึงไม่ใช่เพราะพวกเขามี “คณิตศาสตร์ลับ” ที่อเมริกาไม่มี แต่เป็นเพราะพวกเขา “ประยุกต์” คณิตศาสตร์ที่เรารู้จักกันดีในรูปแบบของ “สถาปัตยกรรม MoE” ได้อย่างชาญฉลาดและมีประสิทธิภาพสูงสุด ณ ช่วงเวลานี้… จนกว่ายักษ์ใหญ่ฝั่งอเมริกาจะปล่อย “นวัตกรรมทางคณิตศาสตร์” ชิ้นต่อไปออกมาสู้ในอีกไม่กี่เดือนข้างหน้าครับ