ทุกครั้งที่คุณพิมพ์คำถามเข้าไปใน AI Assistant ส่ง Prompt ผ่าน API หรือดู AI Agent ทำงานหลายขั้นตอนให้เสร็จ มีบางอย่างเกิดขึ้นก่อนที่ “ความฉลาด” ของ AI จะเริ่มทำงาน นั่นคือ Input ของคุณจะถูกแยกออกเป็นหน่วยเล็ก ๆ ที่เรียกว่า Tokens
พูดง่าย ๆ Tokenization คือก้าวแรกที่มองไม่เห็นของระบบ AI สมัยใหม่แทบทุกระบบ มันเป็นสิ่งที่กำหนดว่าโมเดลจะ “อ่าน” ข้อมูลอย่างไร ผู้ให้บริการจะคิดค่าบริการอย่างไร และที่สำคัญมากขึ้นเรื่อย ๆ สำหรับองค์กรที่นำ AI ไปใช้ในระดับใหญ่ คือค่าใช้จ่ายด้าน AI ในแต่ละเดือนจะสูงแค่ไหน
Token คือหน่วยข้อมูลพื้นฐานที่ AI Model ใช้ในการประมวลผล ลองนึกภาพว่า Token เป็นเหมือน “ตัวอักษร” ของโมเดล แต่ไม่ใช่ตัวอักษรแบบ A, B, C หรือ ก, ข, ค หากเป็นชิ้นส่วนข้อมูลที่เล็กที่สุดที่โมเดลเรียนรู้มาเพื่อใช้แบ่งและทำความเข้าใจข้อมูล
สำหรับ Large Language Models หรือ LLMs tokens มักเป็นชิ้นส่วนของข้อความ โดยมีกฎคร่าว ๆ ที่มักใช้กับโมเดลอย่างตระกูล GPT ของ OpenAI คือ 1 Token จะใกล้เคียงกับตัวอักษรภาษาอังกฤษประมาณ 4 ตัว หรือประมาณว่า 100 Tokens จะเท่ากับข้อความราว 75 คำ
Tokens ไม่ได้มีแค่ในข้อความเท่านั้น สำหรับ Vision Models หน่วยวัดอาจเป็น Pixels ส่วน Audio Models จะเปลี่ยนเสียงให้เป็น Spectrograms ก่อนแล้วจึงนำไป Tokenize ต่อ ขณะที่ Multimodal Models สามารถจัดการข้อมูลหลายรูปแบบเหล่านี้พร้อมกันได้
Tokenization คือกระบวนการแปลง Input แบบดิบ เช่น ประโยค รูปภาพ หรือโค้ด ให้กลายเป็นลำดับของ Tokens ที่โมเดลสามารถนำไปประมวลผลเชิงคณิตศาสตร์ได้
สำหรับ Language Model กระบวนการจะมีลำดับโดยรวมประมาณนี้:
ในฝั่ง Output กระบวนการจะทำย้อนกลับ โดย Token IDs ที่โมเดลสร้างขึ้นจะถูก Decode กลับมาเป็นข้อความที่มนุษย์อ่านได้
แต่ละโมเดลใช้ Tokenizer และ Vocabulary ที่ต่างกัน นั่นจึงเป็นเหตุผลว่าทำไมประโยคเดียวกันอาจมีจำนวน Tokens ไม่เท่ากัน ขึ้นอยู่กับว่าเราใช้โมเดลใด ไม่ว่าจะเป็น OpenAI GPT, Anthropic Claude, Google Gemini หรือ Meta Llama ต่างก็มีวิธี Tokenize ในแบบของตัวเอง
ปัจจุบันมีวิธี Tokenization หลายแบบที่ใช้กันอย่างแพร่หลาย เช่น:
Byte-Pair Encoding (BPE)
เป็นวิธีที่พบบ่อยที่สุดใน LLMs ปัจจุบัน โดยเริ่มจากตัวอักษรแต่ละตัว แล้วค่อย ๆ รวมคู่ของตัวอักษรหรือ Subwords ที่พบบ่อยที่สุดเข้าด้วยกัน จนได้ขนาด Vocabulary ตามที่ต้องการ โมเดล GPT ใช้ BPE ในรูปแบบหนึ่ง
WordPiece
คล้ายกับ BPE แต่จะ Optimize จากความน่าจะเป็นของข้อมูลฝึกสอน มากกว่าการดูจากความถี่เพียงอย่างเดียว วิธีนี้ใช้ใน BERT และ Encoder-based Models จำนวนมาก
SentencePiece
ทำงานกับ Raw Text โดยตรง โดยไม่ต้องแยกคำจากช่องว่างก่อน จึงเหมาะกับภาษาที่ไม่ใช่ภาษาอังกฤษ รวมถึงโค้ด โมเดลอย่าง LLaMA ใช้วิธีนี้
Character-level Tokenization
เป็นการแยกข้อความออกเป็นตัวอักษรทีละตัว ทำให้ Sequence ยาวขึ้น แต่ใช้ Vocabulary ที่เล็กกว่า
วิธี Tokenization ที่เลือกใช้มีผลต่อ 3 เรื่องสำคัญ คือ 1. ประสิทธิภาพของโมเดล 2. ความสามารถในการรองรับหลายภาษา และ 3. ค่าใช้จ่ายที่องค์กรต้องจ่ายจริง
Tokens มีบทบาทต่างกันในแต่ละช่วงของ AI Lifecycle และความแตกต่างนี้สำคัญมากสำหรับทีมที่สร้าง MLOps และ LLMOps Pipelines เพราะต้นทุนของการ Train และการ Serve โมเดลต้องถูกติดตามแยกกันอย่างชัดเจน
ในช่วง Training โมเดลจะถูกป้อนด้วย Token Sequences จำนวนมหาศาล อาจตั้งแต่หลักแสนล้านไปจนถึงหลักล้านล้าน Tokens จากคลังข้อความ หนังสือ โค้ด และข้อมูลบนเว็บ
โมเดลเรียนรู้ด้วยการทำนาย Token ถัดไปในลำดับ และปรับ Parameters ของตัวเองเมื่อทายผิด โดยทั่วไป ยิ่งมี Training Tokens มาก โมเดลก็มักมีความสามารถมากขึ้น แม้ว่าความสัมพันธ์นี้จะมีรายละเอียดที่ซับซ้อนกว่านั้นก็ตาม
ในช่วง Inference หรือเวลาที่โมเดลที่ถูก Deploy แล้วตอบกลับ Prompt ของผู้ใช้งาน Tokens จะกลายเป็นทั้งหน่วยของการประมวลผล และหน่วยของการคิดค่าใช้จ่าย โดยทุก API Call จะเกี่ยวข้องกับ:
Input tokens: Tokens ที่อยู่ใน Prompt, System Instructions, Conversation History และ Context ใดๆ ที่ถูกส่งเข้าไปให้โมเดล
Output tokens: Tokens ที่โมเดลสร้างขึ้นเป็นคำตอบ โดยปกติ Output Tokens มักมีราคาสูงกว่า Input Tokens เพราะต้องใช้การ Generate แบบ Sequential ซึ่งใช้พลังประมวลผลสูงกว่า
Context window: จำนวน Tokens สูงสุดที่โมเดลสามารถประมวลผลได้ในครั้งเดียว โดยรวมทั้ง Input และ Output โมเดลแต่ละตัวมี Context Window ต่างกัน ตั้งแต่หลักพัน Tokens ไปจนถึงมากกว่าหนึ่งล้าน Tokens หากใส่ข้อมูลเกิน Context Window ระบบส่วนใหญ่มักจะแจ้ง Error หรือไม่ก็จำเป็นต้องตัดเนื้อหาเก่าออก ซึ่งทั้งสองกรณีล้วนทำให้คุณภาพของคำตอบลดลง
เมื่อเราเข้าใจแล้วว่า Tokens คืออะไร และถูกนับอย่างไร จุดสำคัญต่อไปคือ Tokenization ไม่ใช่แค่รายละเอียดเชิงเทคนิค แต่เป็นประเด็นเชิงกลยุทธ์ขององค์กร ทุก Token ที่ถูกประมวลผลมีต้นทุน ไม่ว่าจะเป็นองค์กรที่ใช้ AI ผ่าน API หรือใช้ Self-hosted Models เมื่อนำ AI ไปใช้ในระดับใหญ่ ค่าใช้จ่ายสามารถเพิ่มขึ้นได้อย่างรวดเร็ว
ตัวอย่างเช่น Multi-agent Workflow แบบที่ยังไม่ได้ออกแบบอย่างรอบคอบ หากมี Agents 5 ตัว และแต่ละตัวต้องอ่าน Context เอกสารเดียวกันขนาด 10,000 Tokens ซ้ำกัน ระบบไม่ได้ใช้แค่ 10,000 Tokens แต่ใช้ถึง 50,000 Tokens
ที่ PALO IT เราเห็น Pattern นี้ซ้ำๆ ในการทำ Enterprise AI Implementation ผ่านแนวทาง Gen-e2 ของเรา ข้อสรุปสำคัญคือ หนึ่งในปัจจัยที่ถูกมองข้ามบ่อยที่สุด แต่ทำให้ต้นทุน AI บานปลายได้มากที่สุด ไม่ใช่จำนวน Agents หรือจำนวน Requests แต่คือ Token Duplication หรือการส่ง Context เดิม Instructions เดิม และเอกสารเดิม ให้ Agents อ่านซ้ำในทุกขั้นตอน
ดังนั้น Token Optimization จึงไม่ใช่เรื่องที่ค่อยคิดทีหลัง แต่เป็นเรื่องของ Design Discipline ตั้งแต่ต้น
แนวทางสำคัญที่ควรพิจารณา ได้แก่:
Right Agent, Right Context ให้ Agent แต่ละตัวเห็นเฉพาะ Context ที่จำเป็นต่อ Task ของตัวเอง เช่น Code-review Agent ไม่จำเป็นต้องเห็นประวัติทั้งหมดของทั้งโปรเจกต์
Right Model, Right Task ใช้ Reasoning Models ที่มีความสามารถสูงและต้นทุนสูงเฉพาะกับงานที่จำเป็นจริงๆ ส่วนงานที่ง่ายกว่า เช่น Routing, Retrieval หรือ Summarization สามารถใช้โมเดลที่เบากว่าและเร็วกว่าได้
Shared Memory and Caching Context ที่คงที่ เช่น System Instructions, ข้อมูลขององค์กร หรือ Preferences ของผู้ใช้งาน ควรถูกเก็บและ Cache ไว้ แทนที่จะให้โมเดลอ่านซ้ำทุกครั้ง Prompt Caching ซึ่งผู้ให้บริการรายใหญ่ส่วนใหญ่มีให้ใช้งาน สามารถช่วยลดต้นทุนของ Input ที่ซ้ำๆ ได้อย่างมาก
Tool Search, Not Tool Dumping การใส่คำอธิบาย Tools ทุกตัวลงไปใน Context ของ Agent จะทำให้ Prompt ใหญ่เกินจำเป็น ควรแสดงเฉพาะ Tools ที่เกี่ยวข้องกับ Task ปัจจุบัน เพื่อให้ Prompt กระชับและมีประสิทธิภาพ
Quality Gates and Stop Conditions กำหนดให้ชัดว่าแต่ละ Agentic Loop จะถือว่า “เสร็จ” เมื่อใด เพื่อให้ระบบหยุดเมื่อผลงานถึงมาตรฐาน ไม่ใช่หยุดเพราะ Context Window เต็ม
อีกแนวทางหนึ่งของ Token Optimization ที่มักถูกมองข้าม คือการ Encode มาตรฐานขององค์กร เช่น Security Protocols, Coding Conventions และ Architectural Patterns เข้าไปใน Instruction Set ของ AI ตั้งแต่ต้น หากไม่มีสิ่งนี้ ทีมมักจะตกอยู่ใน Loop ที่มีต้นทุนสูงมาก คือ AI สร้าง Output ออกมา Reviewer ปฏิเสธเพราะไม่ตรงมาตรฐาน แล้ว AI ต้องสร้างใหม่พร้อมคำแก้ไข แต่ละรอบทำให้ Token Cost ของ Task นั้นเพิ่มขึ้นเป็นเท่าตัว
เมื่อ Governance Rules ถูก Pre-load เข้าไปใน Context ของ Agent ตั้งแต่แรก Output ก็มีโอกาสสอดคล้องกับมาตรฐานตั้งแต่ Generation แรก เปลี่ยนจากวิธีคิดแบบ “Generate แล้วค่อยตรวจ” ไปเป็น “Generate ให้ถูกตั้งแต่ครั้งแรก”
สุดท้าย Metric ที่สำคัญจริง ๆ ไม่ใช่จำนวน Tokens ที่ใช้ แต่คือ Cost per Successful Outcome หรือ “ต้นทุนต่อผลลัพธ์ที่สำเร็จ” หลักคิดนี้คือหัวใจสำคัญของวิธีที่ทีมของเราออกแบบ AI Governance Frameworks และ Agentic Architectures ให้กับลูกค้าระดับ Enterprise
อีกหนึ่งผลกระทบสำคัญของ Token-based Architectures คือทุก Token ที่ AI System ประมวลผลจะทิ้งร่องรอยไว้เสมอ ในระบบที่มีการ Instrument อย่างดี ทีมจะสามารถเห็นได้อย่างชัดเจนว่า Tools ใดถูกเรียกใช้ Context ใดถูกส่งเข้าไป แต่ละขั้นตอนใช้ Tokens เท่าไร และงานสำเร็จหรือล้มเหลวตรงจุดไหน
ความสามารถในการ Trace นี้ไม่ใช่ผลข้างเคียง แต่เป็น Feature สำคัญ เมื่อ Agent Runs ถูก Log ในระดับ Token ทีม Engineering จะสามารถ Debug ความล้มเหลว Audit Decisions Replay Runs เพื่อทดสอบ และระบุได้ชัดเจนว่าการใช้ Token ไปกระจุกตัวอยู่ที่จุดใด
สิ่งนี้ยังเป็นพื้นฐานของการนำ AI ไปใช้อย่างรับผิดชอบ เพราะคุณไม่สามารถกำกับดูแลสิ่งที่คุณมองไม่เห็นได้ และยิ่งไปกว่านั้น หากคุณมองไม่เห็น Token Usage ในระดับละเอียด คุณก็ไม่สามารถ Optimize ได้ และไม่สามารถตั้งราคาให้แม่นยำสำหรับลูกค้าหรือทีมภายในได้เช่นกัน
การเข้าใจ Tokenization ในเชิงแนวคิดเป็นเรื่องหนึ่ง แต่การนำไปใช้จริงในการพัฒนา AI ทุกวันเป็นอีกเรื่องหนึ่ง ตัวอย่างหนึ่งคือ PALO IT ได้พัฒนา Token Optimizer ซึ่งเป็น VSCode Extension ที่อยู่ใน Development Environment โดยตรง และช่วยแปลง Prompt ที่มนุษย์เขียนตามธรรมชาติ ให้กลายเป็น Prompt ที่มีโครงสร้างชัดเจนและใช้ Tokens อย่างมีประสิทธิภาพมากขึ้น ก่อนจะส่งไปยัง LLM
แนวคิดค่อนข้างตรงไปตรงมา Developers เขียน Prompt ในแบบที่ตัวเองคิดตามธรรมชาติ จากนั้น Optimizer จะช่วยจัดโครงสร้างใหม่ เพิ่ม XML Scaffolding กำหนด Scope ให้ชัดเจน และลดความกำกวม เพื่อให้โมเดลทำงานได้แม่นยำขึ้นโดยใช้ Tokens น้อยลง
นอกจากนี้ยังช่วย Compress Session Context ให้กลายเป็น Reusable Memory Files เพื่อให้ทีมไม่ต้องโหลด Project Knowledge เดิมซ้ำๆ ทุกครั้งที่เริ่มบทสนทนาใหม่กับ AI
จากการทดลองเบื้องต้นในโปรเจกต์ลูกค้าจริง Optimizer สามารถลดต้นทุนช่วงเริ่มต้น Session ได้ถึง 5 เท่า และประหยัด Tokens รวมได้มากกว่า 15,000 Tokens ประเด็นสำคัญของตัวอย่างนี้ไม่ใช่การโปรโมต Tool ใด Tool หนึ่ง แต่คือการชี้ให้เห็นว่า Token Optimization กำลังกลายเป็นสิ่งที่สามารถทำให้เป็นระบบ และฝังเข้าไปใน Engineering Workflow ได้ ไม่ใช่ปล่อยให้ Developer แต่ละคนต้องจัดการเองแบบ Ad Hoc
ไม่ว่าจะผ่าน Tooling, Architecture Patterns หรือ Team Training การเข้าใจและจัดการ Token Usage อย่างจริงจังกำลังกลายเป็นมาตรฐานใหม่ของการสร้างระบบด้วย AI การควบคุมเรื่องนี้ได้ดีส่งผลดีต่อทีม ดีต่อสิ่งแวดล้อม เพราะลดความสิ้นเปลือง และดีต่อผลประกอบการของธุรกิจ
ยังมีอีกหนึ่งแหล่งของ Token Waste ที่ไม่ค่อยถูกพูดถึง นั่นคือการข้ามขั้นตอน Evaluation เมื่อ AI ช่วยลดเวลาการ Generate จากหลายชั่วโมงเหลือเพียงไม่กี่นาที เป็นเรื่องง่ายมากที่ทีมจะเผลอมอง Output แรกว่าเป็นงานที่เสร็จแล้ว แต่การ Generate โดยไม่มี Evaluation มักนำไปสู่ Rework และ Rework ก็คือการต้อง Regenerate Output ใหม่ ซึ่งกิน Tokens ซ้ำอีกครั้ง
ทีมที่ทำงานตามวงจร Generate → Evaluate → Refine อย่างตั้งใจ อาจใช้ Tokens มากขึ้นใน First Pass แต่โดยรวมแล้วมักใช้ Tokens น้อยกว่าในระยะยาว เพราะลดการแก้งานซ้ำที่ไม่จำเป็น ในทางปฏิบัติ แม้จะให้เวลากับการประเมิน Output ที่ AI สร้างขึ้นอย่างเหมาะสม Productivity Gains ระดับ 50–60% ก็ยังคงอยู่ ขั้นตอน Evaluation จึงไม่ได้ลดทอน Business Case ของ AI แต่เป็นสิ่งที่ช่วยปกป้องมันไว้
PALO IT เป็นบริษัทที่ปรึกษาด้านเทคโนโลยีระดับโลกที่เน้น AI เป็นอันดับแรก ด้วยแนวทางการวิศวกรรมที่จดทะเบียนเครื่องหมายการค้าเพื่อเร่งการส่งมอบผลิตภัณฑ์ดิจิทัลและปฏิวัติการปรับปรุงแพลตฟอร์มให้ทันสมัย เราช่วยองค์กรออกแบบและนำระบบ AI ไปใช้ที่ไม่เพียงแต่มีความสามารถ แต่ยังโปร่งใส ตรวจสอบได้ และมีประสิทธิภาพด้านต้นทุนในระดับที่ใหญ่ขึ้น หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการโทเค็น AI และผลกระทบที่อาจเกิดขึ้นกับทีมของคุณโปรดติดต่อเรา