Mathematics of Transformers: ทำไม AI ถึง "เข้าใจ" มนุษย์?

ในปัจจุบันที่ AI อย่าง ChatGPT หรือ Claude สามารถโต้ตอบกับเราได้อย่างเป็นธรรมชาติ จนดูเหมือนว่ามัน “เข้าใจ” ภาษาของมนุษย์จริงๆ เบื้องหลังความมหัศจรรย์นี้ไม่ใช่เวทมนตร์ แต่เป็น โครงสร้างทางคณิตศาสตร์ที่วิจิตรบรรจง ซึ่งเรารู้จักกันในชื่อ Transformer

บทความนี้จะพาไปเจาะลึกคณิตศาสตร์ที่เป็นหัวใจสำคัญของ Transformer และคำตอบว่าตัวเลขและเมทริกซ์เหล่านี้เปลี่ยนภาษาให้กลายเป็นความหมายได้อย่างไร

1. เปลี่ยนคำพูดให้เป็นพิกัด: Vector Embeddings

มนุษย์เข้าใจ “คำ” แต่คอมพิวเตอร์เข้าใจแต่ “ตัวเลข” ขั้นตอนแรกคือการเปลี่ยนคำทุกคำให้เป็นเวกเตอร์ในปริภูมิหลายมิติ (High-dimensional Vector Space)

คณิตศาสตร์ที่อยู่เบื้องหลังคือการทำให้คำที่มีความหมายคล้ายกันมี ระยะห่างทางคณิตศาสตร์ (Cosine Similarity) ที่ใกล้กัน เช่น เวกเตอร์ของคำว่า “แมว” จะอยู่ใกล้กับ “ลูกแมว” มากกว่าคำว่า “รถยนต์”

หัวใจสำคัญ: เมื่อภาษาถูกแปลงเป็นเวกเตอร์ เราจึงสามารถใช้พีชคณิตเชิงเส้น (Linear Algebra) มาคำนวณหา “ความสัมพันธ์” ระหว่างคำได้

2. หัวใจของระบบ: Self-Attention Mechanism

ทำไม AI ถึงรู้ว่าคำว่า “มัน” ในประโยค “เขาวางหนังสือลงบนโต๊ะเพราะมันหนัก” หมายถึง “หนังสือ” ไม่ใช่ “โต๊ะ”? คำตอบอยู่ที่กลไก Self-Attention

Transformer ใช้เมทริกซ์ 3 ตัวในการคำนวณความสัมพันธ์ของแต่ละคำ:

Query ( $Q$ ): สิ่งที่คำนั้นกำลังมองหา
Key ( $K$ ): สิ่งที่คำนั้นมีให้
Value ( $V$ ): ข้อมูลจริงของคำนั้น

คณิตศาสตร์ที่ใช้คำนวณความสำคัญ (Attention Score) คือ Scaled Dot-Product Attention:

\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V

อธิบายสมการ:

$QK^T$ : คือการทำ Dot Product เพื่อหาว่าคำแต่ละคู่ในประโยค “เกี่ยวข้องกัน” แค่ไหน
$\sqrt{d_k}$ : การหารด้วยรากที่สองของมิติเพื่อไม่ให้ค่าตัวเลขสูงเกินไป (Scaling)
$\text{softmax}$ : การทำให้ผลรวมของความสัมพันธ์กลายเป็น 1 (เปรียบเสมือนการกระจายเปอร์เซ็นต์ความมั่นใจ)
คูณด้วย $V$ : เพื่อดึงเอาเฉพาะข้อมูลจากคำที่ “สำคัญที่สุด” ต่อบริบทนั้นออกมา

3. การมองหลายมุม: Multi-Head Attention

มนุษย์ไม่ได้มองประโยคในแง่ของไวยากรณ์อย่างเดียว แต่เรามองทั้งอารมณ์, กาลเวลา (Tense), และนัยยะแฝง Transformer จึงมีสิ่งที่เรียกว่า Multi-Head Attention เปรียบเสมือนการมี “หัว” หลายหัวที่ช่วยกันวิเคราะห์ประโยคพร้อมกัน:

หัวที่ 1: สนใจโครงสร้างไวยากรณ์
หัวที่ 2: สนใจความสัมพันธ์ของตัวละคร
หัวที่ 3: สนใจบริบทของสถานที่

ผลลัพธ์จากทุกหัวจะถูกนำมาเชื่อมกัน (Concatenate) และคำนวณผ่าน Linear Transformation อีกครั้ง เพื่อให้ได้ความเข้าใจที่ลึกซึ้งที่สุด

4. ลำดับก็สำคัญ: Positional Encoding

เนื่องจาก Transformer ประมวลผลทุกคำในประโยค พร้อมกัน (Parallel Processing) ซึ่งต่างจากมนุษย์ที่อ่านจากซ้ายไปขวา มันจึงไม่รู้ลำดับของคำ นักคณิตศาสตร์จึงใช้ฟังก์ชัน Sine และ Cosine มาสร้าง “รหัสตำแหน่ง” บวกลงไปในเวกเตอร์ของคำ

PE_{(pos, 2i)} = \sin(pos / 10000^{2i/d_{model}})

PE_{(pos, 2i+1)} = \cos(pos / 10000^{2i/d_{model}})

การใช้ฟังก์ชันคลื่นช่วยให้โมเดลสามารถเข้าใจ “ระยะห่างระหว่างคำ” ได้อย่างแม่นยำ ไม่ว่าประโยคนั้นจะสั้นหรือยาวแค่ไหน

5. บทสรุป: ทำไม AI ถึง “เข้าใจ” มนุษย์?

คำว่า “เข้าใจ” ของ AI แท้จริงแล้วคือ การคำนวณความน่าจะเป็นในปริภูมิหลายมิติ เมื่อเราป้อนประโยคเข้าไป Transformer จะใช้คณิตศาสตร์ทั้งหมดที่กล่าวมาเพื่อ: