📚 ตอนที่ 11/12 ของซีรีส์ เลือก LLM ให้ถูกคณะ โดย CYN Communication — คู่มือเลือกโมเดล AI open-source สำหรับติดตั้งบน NVIDIA GB10 (DGX Spark) ในสถาบันการศึกษา
📜 คณะมนุษยศาสตร์/อักษรศาสตร์ — สร้างโมเดลภาษาไทยของเราเอง รักษามรดกภาษาชาติด้วยมือเรา
ทำไมคณะมนุษยศาสตร์ต้องมี LLM ของตัวเอง
หลายคนคิดว่า AI เป็นเรื่องของคณะวิศวะหรือวิทยาการคอมพิวเตอร์ แต่ความจริงที่กลับหัวคือ: โมเดลภาษา (Language Model) คือเครื่องมือของ “คนภาษา” โดยตรง — และไม่มีคณะไหนในมหาวิทยาลัยที่มี “ข้อมูล” ล้ำค่าเท่าคณะมนุษยศาสตร์/อักษรศาสตร์: คลังวรรณคดี เอกสารโบราณ คัมภีร์ใบลาน บันทึกภาษาถิ่น คลังคำ (corpus) ที่สะสมมาหลายสิบปี
ประเด็นสำคัญกว่านั้นคือเรื่อง การรักษามรดกภาษาชาติ โมเดล AI ระดับโลกถูกฝึกด้วยข้อมูลภาษาอังกฤษเป็นหลัก ภาษาไทยเป็นเพียงเศษเสี้ยว และวรรณคดีไทย สำนวนโบราณ ภาษาถิ่นเหนือ-อีสาน-ใต้ แทบไม่มีอยู่ในข้อมูลฝึกเลย ถ้าคนไทยไม่สร้างโมเดลที่เข้าใจสิ่งเหล่านี้เอง จะไม่มีใครสร้างให้ และองค์ความรู้เหล่านี้จะค่อย ๆ หายไปจากโลกดิจิทัล งานแบบนี้ต้องทำในประเทศไทย ด้วยข้อมูลที่ไม่ออกนอกประเทศ — เพราะคลังเอกสารจำนวนมากมีเงื่อนไขลิขสิทธิ์ ข้อตกลงกับชุมชนเจ้าของภาษาถิ่น หรือเป็นสมบัติของวัดและหอจดหมายเหตุที่ให้ใช้เพื่อการวิจัยในสถาบันเท่านั้น การอัปโหลดขึ้นคลาวด์ต่างประเทศจึงไม่ใช่ทางเลือก
NVIDIA GB10 (DGX Spark) เปลี่ยนเรื่องนี้จาก “งานวิจัยระดับชาติที่ต้องรอศูนย์ซูเปอร์คอมพิวเตอร์” ให้กลายเป็นงานที่ทำได้จริงบนเครื่องขนาดตั้งโต๊ะในห้องภาควิชา — คณะอักษรศาสตร์สามารถ fine-tune โมเดลภาษาไทยของตัวเองได้ ด้วยข้อมูลของตัวเอง ในตึกของตัวเอง
ชุดโมเดลแนะนำสำหรับคณะมนุษยศาสตร์
หัวใจของชุดนี้ต่างจากคณะอื่น: คณะอื่น “ใช้” โมเดล แต่คณะมนุษยศาสตร์ “สร้าง” โมเดล — เราจึงกันหน่วยความจำก้อนใหญ่ไว้สำหรับงาน fine-tuning โดยเฉพาะ
| โมเดล | ขนาดหน่วยความจำ | บทบาทในคณะ |
|---|---|---|
| Typhoon 2.5 30B (ตัวเอก) | ~32GB | โมเดลภาษาไทยหลักสำหรับงานสอนและวิจัยประจำวัน — วิเคราะห์วรรณคดี เขียนเชิงวิชาการ งานแปล |
| Qwen3.5 7–14B + LoRA fine-tuning (หัวใจของคณะ) | ~40GB (ช่วงฝึก) | ฐานสำหรับ fine-tune ด้วยคลังภาษา/วรรณคดีไทยของคณะ — สร้าง “โมเดลภาษาไทยของเราเอง” |
| Qwen2.5-VL 7B (vision) | ~9GB | OCR เอกสารโบราณ คัมภีร์ใบลาน สมุดไทย — อ่านภาพลายมือและอักษรเก่า |
| bge-m3 (embedding) | ~4GB | ทำดัชนีคลังคำและสืบค้นเชิงความหมายในเอกสารดิจิไทซ์ |
| รวม (โหมดฝึกโมเดล) | ~85GB | เหลือ headroom ~43GB สำหรับ KV cache และ session ผู้ใช้อื่น |
จุดที่ต้องอธิบาย: ทำไมงาน fine-tune ใช้โมเดลฐานแค่ 7–14B ทั้งที่เครื่องรันได้ถึง ~200B? เพราะเทคนิค LoRA (Low-Rank Adaptation) คือการฝึก “ส่วนต่อขยาย” ขนาดเล็กบนโมเดลฐาน แทนการฝึกโมเดลทั้งตัว — ใช้หน่วยความจำรวมราว 40GB ในช่วงฝึก (โมเดลฐาน + gradient + optimizer state + batch ข้อมูล) ซึ่งพอดีกับงบหน่วยความจำที่เรากันไว้ และให้รอบการทดลองที่เร็ว: นักศึกษาปรับข้อมูล ฝึกใหม่ เห็นผลได้ภายในคาบเดียวหรือข้ามคืน ขนาด 7–14B ยังเล็กพอที่โรงเรียน วัด หรือหน่วยงานวัฒนธรรมปลายทางจะนำโมเดลที่คณะสร้างไปรันต่อบนเครื่องเล็กได้จริง unified memory 128GB ของ GB10 ทำให้ทั้งหมดนี้เกิดขึ้นพร้อมกันได้ — Typhoon ให้บริการงานประจำวัน ในขณะที่งาน LoRA ฝึกอยู่เบื้องหลัง โดยไม่ต้องปิดระบบใครเลย
Lab และการสอนจริง 4 ตัวอย่าง — เปิดเทอมหน้าใช้ได้เลย
Lab 1: Fine-tune LLM กับวรรณคดี/ภาษาถิ่น แล้ววัดผลจริง (วิชาธงของคณะ)
Step 1 — นักศึกษาแบ่งกลุ่มเลือกคลังข้อมูล: กลุ่มวรรณคดี (เช่น ลิลิต โคลง กลอนสุภาพ) หรือกลุ่มภาษาถิ่น (บทสนทนา คำศัพท์ นิทานพื้นบ้าน) แล้วจัดข้อมูลเป็นชุดฝึกรูปแบบถาม-ตอบ/แปลความ Step 2 — สร้างชุดข้อสอบวัดผลก่อนฝึก (held-out test) เช่น “จงถอดความโคลงบทนี้” 50 ข้อ แล้ววัด baseline ว่าโมเดลฐานตอบถูกกี่ข้อ Step 3 — ฝึก LoRA บน GB10 หนึ่งรอบ (ชั่วโมงถึงข้ามคืนแล้วแต่ขนาดข้อมูล) Step 4 — วัดผลด้วยข้อสอบชุดเดิม เปรียบเทียบก่อน/หลัง ให้อาจารย์ผู้เชี่ยวชาญวรรณคดีเป็นกรรมการตัดสินคุณภาพคำตอบ นักศึกษาจะเห็นด้วยตาตัวเองว่าโมเดล “เข้าใจสำนวนโบราณดีขึ้น” จริงหรือไม่ และเข้าใจว่าคุณภาพข้อมูลสำคัญกว่าปริมาณ — บทเรียนที่นักภาษาศาสตร์ได้เปรียบวิศวกร
Lab 2: OCR + Digitize คัมภีร์ใบลานและเอกสารเก่า
Step 1 — ถ่ายภาพหรือสแกนเอกสารตามมาตรฐานงานจดหมายเหตุ (แสงสม่ำเสมอ มีแถบสี/สเกล) Step 2 — ใช้ Qwen2.5-VL อ่านภาพ ถอดเป็นข้อความ พร้อมให้โมเดลรายงานจุดที่ไม่มั่นใจ Step 3 — นักศึกษาตรวจแก้แบบ human-in-the-loop เทียบกับต้นฉบับ ทีละหน้า — ขั้นนี้คือหัวใจ เพราะเป็นการฝึกอ่านอักษรเก่าไปในตัว Step 4 — จัดเก็บเป็นคลังดิจิทัลที่สืบค้นได้ด้วย bge-m3 พร้อม metadata ที่มา ภาพต้นฉบับความละเอียดสูงและตัวบทอยู่ในเครื่องของคณะทั้งหมด เคารพเงื่อนไขของวัดหรือหอจดหมายเหตุเจ้าของเอกสารได้เต็มร้อย
Lab 3: Corpus Linguistics — วิเคราะห์คลังคำด้วย LLM
Step 1 — โหลดคลังคำที่คณะมี (หรือสร้างใหม่จากเอกสารที่ digitize ใน Lab 2) เข้า notebook บน JupyterHub Step 2 — ใช้เครื่องมือ corpus ดั้งเดิมหาความถี่คำ collocation และ concordance ตามระเบียบวิธีมาตรฐาน Step 3 — ใช้ LLM ช่วยขั้นที่เครื่องมือเดิมทำไม่ได้: จัดกลุ่มความหมายของคำหลายนัย ติดป้ายการใช้เชิงอุปมา วิเคราะห์การเปลี่ยนความหมายของคำข้ามยุคสมัย Step 4 — สุ่มตรวจผลของ LLM ด้วยมือ 10% เพื่อรายงานความน่าเชื่อถือ — สอนทั้งภาษาศาสตร์และวิจารณญาณต่อ AI ในคาบเดียว
Lab 4: เปรียบเทียบสำนวนแปลวรรณกรรม — มนุษย์ vs AI
Step 1 — เลือกบทวรรณกรรมต่างประเทศที่มีสำนวนแปลไทยโดยนักแปลมืออาชีพอยู่แล้ว Step 2 — ให้ Typhoon 2.5 แปลบทเดียวกัน และให้นักศึกษาแปลเองด้วย Step 3 — ทำ blind review: สลับสำนวนแปลทั้งสามโดยไม่บอกที่มา ให้ทั้งชั้นให้คะแนนด้านความถูกต้อง อรรถรส และการถ่ายทอดวัฒนธรรม Step 4 — เฉลยที่มาแล้วอภิปราย: AI แปลพลาดตรงไหน ทำไมสำนวนมนุษย์ถึงเหนือกว่า (หรือไม่เหนือกว่า) ในจุดใด — นักศึกษาจะได้คำตอบด้วยตัวเองว่าอาชีพนักแปลในยุค AI ต้องยืนอยู่ตรงไหน
นักศึกษาและอาจารย์ได้อะไร — และเริ่มเทอมแรกอย่างไร
นักศึกษาอักษรศาสตร์จะจบไปพร้อมทักษะที่ตลาดกำลังขาดแคลนหนัก: คนที่รู้ทั้งภาษาศาสตร์และรู้วิธี “สอน” โมเดลภาษา — ตำแหน่งงานสาย AI training data, computational linguistics และ localization กำลังต้องการคนแบบนี้ทั่วโลก ฝั่งอาจารย์ได้แพลตฟอร์มวิจัยที่แปลงคลังข้อมูลที่สะสมมาทั้งชีวิตให้กลายเป็นผลงานระดับชาติ: โมเดลภาษาถิ่น คลังวรรณคดีดิจิทัล และบทความวิจัยที่ไม่มีใครในโลกทำแทนได้ เพราะไม่มีใครมีข้อมูลนี้
เทอมแรกเริ่มจากจุดที่คุ้มที่สุดก่อน: เปิด Lab 2 (OCR เอกสารเก่า) เป็นโครงการนำร่อง เพราะเห็นผลเร็ว จับต้องได้ และสร้างคลังข้อมูลที่จะไปต่อยอด Lab 1 กับ Lab 3 ในเทอมถัดไปโดยอัตโนมัติ ใช้ GB10 หนึ่งเครื่องผ่าน JupyterHub รองรับทั้งวิชาเรียนและงานวิจัยของภาควิชาไปพร้อมกัน ทีม CYN Communication ดูแลตั้งแต่ติดตั้งเครื่อง จัดชุดโมเดล วางระบบ fine-tuning pipeline ไปจนถึง workshop แรกให้อาจารย์และนักศึกษา — เริ่มวางแผนสำหรับคณะของท่านได้เลย ติดต่อทีม CYN
อ่านต่อ: คู่มือฉบับเต็มครบ 12 คณะ · GB10 เข้าห้องเรียนคณะนี้ (ฉบับเจาะลึก)
CYN Communication — Your AI Education Infrastructure Partner · 🌐 www.cyn.co.th · 📞 02-437-1210 · LINE @cyngroup