📜 Mathematical Cryptography & Cognitive Science

ความลับที่ซ่อนอยู่ในสถิติ:
อักษรวอยนิชคือภาษาลับ หรือเป็นเพียงเกมลูกเต๋าจำลอง?

ความน่าจะเป็น ม.5 • ตัวแปรสุ่ม ม.6 • กระบวนการมาร์คอฟ (Markov Chain) • เอนโทรปีของแชนนอน • โมเดลภาษา AI

ตลอดเวลากว่าหนึ่งศตวรรษที่ผ่านมา "ต้นฉบับวอยนิช" (The Voynich Manuscript) ถูกยกย่องให้เป็นสมุดบันทึกโบราณที่ลึกลับที่สุดในโลก มันถูกเขียนขึ้นด้วยอักขระที่ไม่มีใครอ่านออก ประกอบกับภาพวาดพืชพันธุ์ประหลาด แผนภูมิจักรราศีที่ไม่ตรงกับดวงดาวบนท้องฟ้าจริง และสตรีเปลือยในอ่างน้ำสีเขียวที่เชื่อมโยงด้วยท่อของเหลวพิสดาร นักถอดรหัสระดับตำนานของกองทัพสหรัฐฯ ในช่วงสงครามโลกครั้งที่สอง ไปจนถึงผู้เชี่ยวชาญด้านภาษาศาสตร์คอมพิวเตอร์ระดับโลก ต่างพยายามไขความหมายของหนังสือเล่มนี้ ทว่าจนถึงปัจจุบัน... ยังไม่มีใครแปลมันได้แม้แต่ประโยคเดียว

แต่ถ้าหากเราเปลี่ยนมุมมองใหม่ โดยไม่มองหนังสือเล่มนี้ผ่านเลนส์ของ ภาษาศาสตร์ แต่พิจารณาผ่านเลนส์ของ คณิตศาสตร์ความน่าจะเป็น สถิติศาสตร์ และจิตวิทยาการรู้คิด (Cognitive Science) เราอาจค้นพบความจริงที่น่าตกตะลึงยิ่งกว่า: ความลี้ลับนี้อาจไม่ได้เกิดจากภูมิปัญญาอันล้ำลึกของมนุษย์ หรือสูตรลับเล่นแร่แปรธาตุที่สาบสูญ แต่เกิดจาก "กลไกการสุ่มเชิงสถิติ" (Statistical Randomness) ที่เรียบง่ายประหนึ่งการทอยลูกเต๋า ซึ่งถูกวิวัฒนาการต่อมาจนกลายเป็นกลไกหลักของ โมเดลภาษาปัญญาประดิษฐ์ (Large Language Models) ในปัจจุบัน!

1 ต้นฉบับวอยนิชและจิตวิทยาแห่งการตีความ (The Manuscript & Cognitive Bias)

1.1 วัตถุโบราณอายุ 600 ปี (Yale Beinecke MS 408)

สมุดบันทึกเล่มนี้ถูกค้นพบในปี ค.ศ. 1912 โดย วิลฟรีด วอยนิช (Wilfrid Voynich) พ่อค้าหนังสือเก่าชาวโปแลนด์ ณ วิทยาลัยเยซูอิตในประเทศอิตาลี ปัจจุบันถูกเก็บรักษาไว้อย่างเข้มงวด ณ หอสมุดหนังสือหายากและต้นฉบับเบเนเก (Beinecke Rare Book & Manuscript Library) มหาวิทยาลัยเยล ภายใต้รหัส MS 408

ผลการตรวจหาอายุด้วยการวัดคาร์บอนกัมมันตรังสี (Radiocarbon Dating - $^{14}\text{C}$) โดยมหาวิทยาลัยแอริโซนา ยืนยันว่าแผ่นหนังลูกวัว (Vellum) ของหนังสือเล่มนี้ถูกผลิตขึ้นในช่วง ค.ศ. 1404 – 1438 ในยุคเรเนซองส์ตอนต้น มีจำนวนหน้าหลงเหลืออยู่ 240 หน้า เขียนด้วยหมึกน้ำดีของต้นโอ๊ก (Iron Gall Ink) และระบายสีด้วยแร่ธาตุธรรมชาติ ตัวหนังสือมีความลื่นไหลสม่ำเสมอ ไม่มีรอยลบ รอยขูดแก้ หรือการชะงักงันของหัวปากกาขนนก ซึ่งเป็นลักษณะที่ไม่ตรงกับการเขียน "รหัสลับ" (Ciphertext) ทั่วไป ที่ผู้เขียนมักต้องหยุดคิดเพื่อเทียบตารางรหัสตลอดเวลา

ต้นฉบับวอยนิช (Voynich Manuscript MS 408) บนแผ่นหนังแกะโบราณ — ภาพจำลองแผ่นพับของต้นฉบับวอยนิช (MS 408): ภาพวาดพืชพันธุ์ผสมประหลาดที่ไม่มีอยู่จริง แผนภูมิจักรวาลทรงกลม และเส้นอักขระอักษรวอยนิช (Voynichese) ที่เขียนอย่างลื่นไหลต่อเนื่อง

1.2 สถิติภาษาศาสตร์ที่แปลกประหลาด: เป็นภาษาจริงหรือภาพลวงตา?

สิ่งที่ทำให้นักภาษาศาสตร์งุนงงที่สุด คือเมื่อนำข้อความในวอยนิช (ซึ่งมีประมาณ 35,000 คำ และชุดอักขระพื้นฐานประมาณ 20–25 ตัว) ไปวิเคราะห์ด้วยสถิติทางคณิตศาสตร์ กลับพบปรากฏการณ์ที่ขัดแย้งกันอย่างยิ่ง:

คุณสมบัติที่ "เหมือนภาษาจริง"

กฎของซิปฟ์ (Zipf's Law): ความถี่ของคำแปรผกผันกับอันดับความถี่ ($f(r) \propto 1/r$) คำที่พบบ่อยที่สุดจะพบบ่อยกว่าคำอันดับ 2 สองเท่า เหมือนกับภาษาอังกฤษ ละติน และไทยทุกประการ
ความยาวของคำ (Word Length): มีการแจกแจงแบบปกติ (Normal Distribution) โดยมีความยาวเฉลี่ยประมาณ 5–6 ตัวอักษรต่อคำ

คุณสมบัติที่ "ขัดแย้งกับภาษาจริง"

การซ้ำคำผิดธรรมชาติ (Word Reduplication): มีคำซ้ำกัน 2 หรือ 3 ครั้งติดกันบ่อยมาก เช่น qokedy qokedy dal ซึ่งแทบไม่เคยเกิดขึ้นในภาษายุโรป
กฎตำแหน่งที่แข็งทื่อ (Rigid Morphology): อักษรบางตัวจะปรากฏเฉพาะต้นคำเท่านั้น อักษรบางตัวอยู่เฉพาะท้ายคำ และไม่มีโครงสร้างประโยคหรือเครื่องหมายวรรคตอนใดๆ เลย

1.3 จิตวิทยาแห่งการตีความ: ปรากฏการณ์อาโปฟีเนีย (Apophenia)

เหตุใดมนุษย์จึงมักปักใจเชื่อว่าข้อความที่อ่านไม่ออกนี้ต้องมีความหมายซ่อนอยู่? คำตอบทางจิตวิทยาและประสาทวิทยาศาสตร์ชี้ไปที่กลไกการทำงานของสมองที่เรียกว่า อาโปฟีเนีย (Apophenia) และ พาไรโดเลีย (Pareidolia)

จิตวิทยาของการมองเห็นรูปแบบในข้อมูลสุ่ม อาโปฟีเนียและพาไรโดเลีย — ภาพอธิบายกระบวนการรับรู้ (Perceptual Interpretation): สมองของมนุษย์วิวัฒนาการมาเพื่อค้นหารูปแบบ (Faces, Constellations, Words) ออกมาจากข้อมูลสุ่มที่ไร้ระเบียบ (Noise)

ทำไมสมองมนุษย์ถึงถูกหลอกด้วยสถิติ?

ในทางวิวัฒนาการ สมองของบรรพบุรุษมนุษย์ถูกคัดเลือกให้ "มองหาความหมาย" (Pattern-Seeking) เพื่อเอาชีวิตรอด เช่น หากเราเห็นเงาตะคุ่มในพุ่มไม้ การทึกทักไว้ก่อนว่าเป็นเสือ (แม้จะเป็นแค่เงากิ่งไม้สุ่มๆ) ทำให้เรารอดชีวิต ดีกว่าการมองว่าเป็นเรื่องบังเอิญแล้วโดนเสือขย้ำ! ด้วยเหตุนี้ เมื่อสมองเผชิญกับข้อความที่มี "โครงสร้างสถิติเฉพาะตัว" สมองจะพยายามจับคู่ (Pattern Matching) เพื่อเติมเต็มความหมายโดยอัตโนมัติ ส่งผลให้ในอดีต มีนักวิจัยมากกว่า 50 คน อ้างว่าตนถอดรหัสวอยนิชได้แล้ว ทั้งเป็นภาษาฮีบรู, ละตินยุคกลาง, นาฮัวเติล (ของชาวแอซเท็ก), บาสก์, ทมิฬ หรือแม้แต่ภาษาของมนุษย์ต่างดาว ทว่าไม่มีใครถอดรหัสออกมาได้ตรงกันแม้แต่คนเดียว!

💡 จุดเชื่อมโยงสู่คณิตศาสตร์: เมื่อจิตวิทยาอธิบายว่าสมองมนุษย์พร้อมจะมองเห็นความหมายในข้อมูลสุ่ม คำถามสำคัญในเชิงวิทยาศาสตร์จึงไม่ใช่ "วอยนิชแปลว่าอะไร?" แต่คือ "ผู้เขียนในศตวรรษที่ 15 สามารถสร้างลำดับอักขระที่มีโครงสร้างพยางค์คล้ายภาษาจริงโดยไม่ต้องอาศัยความหมายได้อย่างไร?" คำตอบอยู่ที่กลไกทางสถิติที่เรียกว่า กระบวนการมาร์คอฟ (Markov Chain) ซึ่งเราจะไปสำรวจในบทถัดไป

2 โครงสร้างสุ่มแบบมาร์คอฟและคณิตศาสตร์ความน่าจะเป็น (ม.5)

2.1 ปูพื้นฐาน: เหตุการณ์อิสระกับเหตุการณ์ที่มีเงื่อนไข

ในวิชาคณิตศาสตร์ระดับ ม.5 เรื่อง ความน่าจะเป็น (Probability) เราจำแนกประเภทของการสุ่มเหตุการณ์ออกเป็น 2 รูปแบบหลัก ซึ่งเปรียบได้กับการทอยลูกเต๋าและการจั่วไพ่:

🎲 ลูกเต๋า: เหตุการณ์ที่เป็นอิสระต่อกัน (Independent Events)

การทอยลูกเต๋าแต่ละครั้งมีผลลัพธ์ที่เป็นอิสระต่อกัน ไม่ว่าจะทอยได้หน้า 6 มาแล้วสิบครั้งติดต่อกัน โอกาสที่ครั้งถัดไปจะได้หน้า 6 ก็ยังคงเป็น $\frac{1}{6}$ เท่าเดิมเสมอ เปรียบเสมือนการสุ่มตัวอักษรแบบใส่คืน (Sampling with replacement)

$$P(A \cap B) = P(A) \cdot P(B)$$

🃏 ไพ่: เหตุการณ์ที่ขึ้นต่อกัน (Dependent Events)

การจั่วไพ่จากสำรับโดยไม่ใส่คืน (Sampling without replacement) จำนวนไพ่จะลดลง ทำให้โอกาสเกิดเหตุการณ์ถัดไปขึ้นอยู่กับว่าในอดีตเราจั่วได้ใบใด นี่คือหัวใจของ ความน่าจะเป็นแบบมีเงื่อนไข (Conditional Probability)

$$P(B|A) = \frac{P(A \cap B)}{P(A)}$$

2.2 กระบวนการมาร์คอฟ (Markov Chain): การสร้างภาษาด้วยความน่าจะเป็น

หากเรานำหลักการความน่าจะเป็นแบบมีเงื่อนไขมาสร้างสายโซ่ของตัวอักษร โดยกำหนดกฎว่า "สัญลักษณ์ถัดไปจะถูกกำหนดโดยสัญลักษณ์ในปัจจุบันเท่านั้น" ระบบนี้ในทางคณิตศาสตร์เรียกว่า กระบวนการมาร์คอฟ (Markov Process) ซึ่งคิดค้นโดยนักคณิตศาสตร์ชาวรัสเซีย อันเดรย์ มาร์คอฟ (Andrey Markov)

เราสามารถแทนโครงสร้างนี้ได้ด้วย เมทริกซ์การเปลี่ยนสถานะ (Transition Matrix: $\mathbf{P}$) ซึ่งเป็นเมทริกซ์สุ่ม (Stochastic Matrix) ที่ผลรวมของความน่าจะเป็นในแต่ละแถวต้องเท่ากับ $1$ เสมอ:

\mathbf{P} = \begin{bmatrix} P_{11} & P_{12} & \dots & P_{1n} \\ P_{21} & P_{22} & \dots & P_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ P_{n1} & P_{n2} & \dots & P_{nn} \end{bmatrix}, \quad \sum_{j=1}^{n} P_{ij} = 1 \quad (\forall i)

การทำงานของกระบวนการมาร์คอฟและลูกเต๋าแห่งความน่าจะเป็น — ภาพจำลองกระบวนการมาร์คอฟ (Markov Chain): ลูกเต๋าทำหน้าที่สุ่มทิศทางการเปลี่ยนสถานะ (State Transition) ตามเส้นทางน้ำหนักความน่าจะเป็น ทำให้เกิดลำดับตัวอักษรที่มีโครงสร้างคล้ายภาษา

สมมติว่าเรามีสัญลักษณ์เพียง 5 ตัว ได้แก่ สระ $\{A, E\}$ และพยัญชนะ $\{K, P, T\}$ หากเราสุ่มตัวอักษรแบบอิสระเท่ากันทุกตัว (Uniform Random) เราอาจได้ข้อความประหลาดที่ออกเสียงไม่ได้ เช่น "kkptp" หรือ "eeaaa" แต่ถ้าเรากำหนดเมทริกซ์มาร์คอฟว่า:

ถ้าสถานะปัจจุบันเป็น พยัญชนะ $\to$ โอกาสที่จะตามด้วย สระ สูงถึง $70\%$ ($P = 0.70$)
ถ้าสถานะปัจจุบันเป็น สระ $\to$ โอกาสที่จะตามด้วย พยัญชนะ สูงถึง $80\%$ ($P = 0.80$)

เพียงแค่ใช้ลูกเต๋าถ่วงน้ำหนักตามตารางนี้ ลำดับตัวอักษรที่ผลิตออกมาจะกลายเป็นคำจำลอง (Pseudo-words) เช่น "pateka", "tepako", "kapeti" ทันที! มันให้ความรู้สึกเหมือนภาษาโบราณที่อ่านออกเสียงได้ ทั้งที่ไม่มีความหมายใดๆ แฝงอยู่เลยแม้แต่น้อย

2.3 สมมติฐานตะแกรงคาร์ดัน (The Cardan Grille Hypothesis)

ในศตวรรษที่ 15 ยังไม่มีคอมพิวเตอร์ แล้วผู้เขียนในยุคนั้นจะสร้างกระบวนการมาร์คอฟได้อย่างไร? ในปี ค.ศ. 2004 ดร. กอร์ดอน รักก์ (Dr. Gordon Rugg) นักวิทยาการคอมพิวเตอร์แห่งมหาวิทยาลัยคีล ได้เสนอทฤษฎีที่สร้างความสั่นสะเทือนแก่วงการ นั่นคือ "สมมติฐานตะแกรงคาร์ดัน" (Cardan Grille)

การทำงานของตะแกรงคาร์ดัน (Cardan Grille) ในการสร้างข้อความวอยนิชเทียม — ภาพจำลองแผ่นกระดาษแข็งเจาะรู (Cardan Grille) วางทาบลงบนตารางรากพยางค์ (Syllabary Table) เมื่อเลื่อนแผ่นเจาะรูไปในทิศทางต่างๆ จะประกอบเป็นคำสไตล์วอยนิชที่มีสถิติตรงกับหนังสือจริงทุกประการ

เจโรลาโม คาร์ดาโน (Girolamo Cardano) นักคณิตศาสตร์ชื่อดังในศตวรรษที่ 16 ได้ประดิษฐ์แผ่นกระดาษแข็งเจาะรูเพื่อใช้ส่งสารลับ รังค์ได้พิสูจน์ให้เห็นว่า หากนำแผ่นเจาะรูนี้มาทาบลงบน ตารางพยางค์ (Syllabary Grid) ที่แบ่งเป็นส่วนพยางค์ต้น (Prefix), พยางค์แกน (Root), และพยางค์ท้าย (Suffix) แล้วสุ่มเลื่อนแผ่นเจาะรูไปเรื่อยๆ:

ผลลัพธ์จากการทดลองของ Dr. Gordon Rugg

คนยุคกลางสามารถเขียนข้อความคล้ายวอยนิชได้เร็วถึง 1-2 หน้าต่อชั่วโมง โดยข้อความที่ได้จะมีคุณสมบัติทางสถิติตรงกับวอยนิชอย่างน่าทึ่ง ทั้งการกระจายตัวของคำตามกฎของซิปฟ์, อัตราเอนโทรปีที่ต่ำ, และปรากฏการณ์คำซ้ำซาก (Reduplication) ที่เกิดขึ้นเมื่อแผ่นเจาะรูเลื่อนไปตกที่ช่องเดิมซ้ำสองครั้ง!

🎯 เตรียมพร้อมสู่ห้องทดลอง: เพื่อให้นักเรียนเห็นภาพจริงว่า "ลูกเต๋าแห่งความน่าจะเป็น" สามารถประกอบตัวอักษรขึ้นเป็นคำจำลองได้อย่างไร ขอเชิญทุกคนเข้าสู่ห้องทดลองจำลองเชิงโต้ตอบในส่วนถัดไป โดยลองปรับค่าน้ำหนักความน่าจะเป็นระหว่างสระและพยัญชนะด้วยตนเอง

3 ห้องทดลองจำลองมาร์คอฟ: สร้างภาษาปริศนาด้วยตัวคุณเอง 🎲

สัมผัสหลักการทำงานจริงของกระบวนการมาร์คอฟผ่าน Interactive Simulator ด้านล่างนี้ โดยระบบจะจำลองโหนดสถานะตัวอักษร 5 ตัว และมีอนุภาคแสงแสดงทิศทางการเปลี่ยนสถานะตามค่าน้ำหนักความน่าจะเป็นที่คุณสามารถปรับแต่งได้แบบเรียลไทม์

กิจกรรม Active Learning: ท้าทายความคิด พิชิตสถิติมาร์คอฟ!

ลองปรับแต่งค่าในแบบจำลองด้านบน แล้วตอบคำถามใน 3 ภารกิจต่อไปนี้:

ภารกิจที่ 1

สร้างคำสไตล์ภาษาธรรมชาติ

กดปุ่ม "ภาษาธรรมชาติ" (สระ $\to$ พยัญชนะ 0.80 และ พยัญชนะ $\to$ สระ 0.70)

👉 สังเกต: คำที่เกิดขึ้นด้านล่างมีจังหวะพยางค์ที่ออกเสียงได้ง่ายขึ้นหรือไม่?

ภารกิจที่ 2

สังเกตการทอยลูกเต๋า (Step)

กด "หยุดจำลอง" แล้วคลิก "ก้าวทีละขั้น (Step)" ติดต่อกัน 5-6 ครั้ง

👉 สังเกต: ตัวเลขสุ่ม (0.00-1.00) ในแผงสถานะส่งผลต่อการเลือกโหนดเป้าหมายอย่างไร?

ภารกิจที่ 3

ทดสอบการสุ่มเท่ากัน (Uniform)

กดปุ่ม "สุ่มเท่ากัน" (ปรับสไลเดอร์ทั้ง 4 ตัวไว้ที่ 0.50 เท่ากันทั้งหมด)

👉 สังเกต: เมื่อเอนโทรปีพุ่งขึ้นสูงสุด ข้อความที่ได้ดูมีความเป็นภาษาหรือกลายเป็นขยะสุ่ม?

🔍 จากคำจำลองสู่การวัดค่าทางวิทยาศาสตร์: ในแบบจำลองข้างต้น เราเห็นแล้วว่าการปรับความน่าจะเป็นระหว่างสระและพยัญชนะช่วยสร้างคำที่ดูเป็นธรรมชาติ แต่ในทางคณิตศาสตร์ เราจะ "วัดระดับความเป็นระเบียบหรือความสุ่ม" ของข้อความเหล่านี้ออกมาเป็นตัวเลขเชิงปริมาณได้อย่างไร? ทฤษฎีสารสนเทศและเอนโทรปีของแชนนอน คือเครื่องมืออันทรงพลังที่จะมาตอบคำถามนี้

4 ทฤษฎีสารสนเทศและเอนโทรปีของแชนนอน (Information Theory & Shannon Entropy)

4.1 เอนโทรปีคืออะไร? มาตรวัดความไม่แน่นอนของข้อมูล

ในปี ค.ศ. 1948 โคลด แชนนอน (Claude Shannon) บิดาแห่งทฤษฎีสารสนเทศ ได้นิยามสมการทางคณิตศาสตร์เพื่อวัด "ระดับความไม่แน่นอน" หรือ "ปริมาณสารสนเทศเฉลี่ย" ที่แฝงอยู่ในลำดับข้อมูล เรียกว่า เอนโทรปีของแชนนอน (Shannon Entropy: $H(X)$):

H(X) = -\sum_{i=1}^{n} P(x_i) \log_2 P(x_i) \quad \text{(หน่วย: บิตต่อตัวอักษร - bits/symbol)}

ทฤษฎีสารสนเทศและเอนโทรปีของแชนนอน เปรียบเทียบความโกลาหล ภาษาธรรมชาติ และผลึกซ้ำ — แผนภาพอธิบายเอนโทรปีของแชนนอน: ฝั่งซ้ายคือเอนโทรปีสูงสุด (ความสุ่ม ไร้ระเบียบ) ตรงกลางคือเอนโทรปีปานกลาง (ภาษาธรรมชาติที่มีไวยากรณ์) และฝั่งขวาคือเอนโทรปีต่ำ (โครงสร้างซ้ำซากที่คาดเดาได้ง่าย)

ค่าเอนโทรปีสะท้อนให้เห็นว่า ข้อความนั้น "คาดเดาได้ยากหรือง่ายเพียงใด":

High Entropy

สุ่มสมบูรณ์ (White Noise): ทุกตัวอักษรมีโอกาสเกิดขึ้นเท่ากันหมด คาดเดาตัวถัดไปไม่ได้เลย ($P = 1/n$) ข้อมูลมีความไม่แน่นอนสูงสุด แต่กลับไม่มีความหมายใดๆ

Moderate Entropy

ภาษาธรรมชาติของมนุษย์ (Natural Language): ภาษาอังกฤษมีเอนโทรปีประมาณ $4.0 - 4.3$ บิตต่ออักขระ ตัวอักษรมีความถี่ไม่เท่ากัน (เช่น อักษร 'E' พบบ่อยกว่า 'Z') และมีไวยากรณ์ควบคุม ทำให้มีความสมดุลระหว่างความหลากหลายและความต่อเนื่อง

Low Entropy

โครงสร้างตายตัวแบบผลึก (Rigid Pattern): เช่น ข้อความ "abababab..." คาดเดาตัวถัดไปได้แทบ 100% เอนโทรปีต่ำมากแทบเป็นศูนย์

4.2 ความผิดปกติของวอยนิช: ทำไมเอนโทรปีจึง "ต่ำเกินไป"?

เมื่อนักคณิตศาสตร์นำข้อความในต้นฉบับวอยนิชไปคำนวณเอนโทรปี พบผลลัพธ์ที่น่าประหลาดใจยิ่ง:

การค้นพบทางสถิติระดับโลก

เอนโทรปีของอักษรวอยนิชมีค่าเฉลี่ยเพียงประมาณ $3.5 - 3.8$ บิตต่ออักขระ ซึ่ง ต่ำกว่าภาษายุโรปทุกภาษาที่มนุษย์เคยใช้ และเมื่อคำนวณเอนโทรปีแบบมีเงื่อนไขอันดับสอง (Second-order Conditional Entropy: $H(X_2|X_1)$) ค่าเอนโทรปียิ่งลดฮวบลงอย่างรวดเร็ว บ่งชี้ว่า "เมื่อทราบตัวอักษรปัจจุบัน ตัวอักษรถัดไปจะถูกบังคับเกือบตายตัว" นี่คือหลักฐานเชิงประจักษ์ว่าข้อความนี้ถูกสร้างขึ้นด้วยกลไกเชิงกลหรือตารางสุ่มที่จำกัดทางเลือกอย่างเข้มงวด

4.3 สถิติท้องถิ่น (Local Statistics) vs ความหมายระยะไกล (Global Semantics)

กระบวนการมาร์คอฟทำหน้าที่เป็น "ตัวกรองเชิงสถิติ" (Statistical Filter):

สถิติท้องถิ่น (Local Statistics): มาร์คอฟเชนอันดับ 1 หรือ 2 สามารถเลียนแบบความถี่ของพยางค์และคำ (Bigrams / Trigrams) ได้อย่างยอดเยี่ยม หลอกสายตามนุษย์ได้ในระดับสายตาที่กวาดมองผ่านๆ
ความหมายระยะไกล (Global Semantics): ภาษาธรรมชาติของมนุษย์มีความสัมพันธ์ระยะยาวข้ามประโยคและย่อหน้า (Long-range correlation) เช่น การอ้างถึงประธานในบทที่ 1 หรือการโต้เถียงเชิงเหตุผล แต่มาร์คอฟเชนแบบลูกเต๋าไม่มีความทรงจำระยะไกล มันจึงไม่สามารถร้อยเรียง "สารสนเทศที่เป็นตรรกะ" ได้เลย

🧪 พิสูจน์เอนโทรปีด้วยข้อมูลจริง: เพื่อให้นักเรียนเห็นตัวเลขเอนโทรปี (X)$ และกราฟความถี่อักขระของต้นฉบับวอยนิชจริงเปรียบเทียบกับภาษาธรรมชาติ ข้อมูลสุ่ม และข้อความซ้ำซาก เราได้จัดเตรียมห้องทดลองคำนวณสดไว้ให้ทดสอบในหัวข้อถัดไป

5 ห้องทดลองวิเคราะห์เอนโทรปีและกฎของซิปฟ์ (Interactive Entropy Lab) 🔬

ลองคลิกเลือกตัวอย่างข้อความ หรือพิมพ์/วางข้อความของคุณเอง เพื่อคำนวณค่าเอนโทรปีของแชนนอน ($H$) และตรวจสอบการแจกแจงความถี่ของตัวอักษรแบบสดๆ ทันที:

เลือกชุดข้อมูลตัวอย่าง:

เอนโทรปี $H(X)$

3.64

บิตต่ออักขระ (bits)

ระดับความซับซ้อน

ต่ำ (คล้ายวอยนิช)

Entropy Interpretation

จำนวนอักขระทั้งหมด

285

Total Length

ชุดอักขระที่ไม่ซ้ำ

Unique Symbols

การกระจายความถี่ของอักขระ 8 อันดับแรก (Zipf Distribution): สอดคล้องกับ Zipf's Law

🚀 สะพานเชื่อมสู่ปัญญาประดิษฐ์: การคำนวณความน่าจะเป็นของอักขระถัดไปไม่ได้หยุดอยู่แค่เอกสารโบราณในยุคกลาง แต่มันได้กลายเป็นแกนหลักในการสร้าง "โมเดลภาษาขนาดใหญ่" (Large Language Models) เช่น ChatGPT และ Gemini ในปัจจุบัน ซึ่งเราจะมาเจาะลึกคณิตศาสตร์ตัวแปรสุ่ม ม.6 ในส่วนถัดไป

6 จากวอยนิชสู่ AI ยุคใหม่: โมเดลภาษาและการแจกแจงความน่าจะเป็น (ม.6)

6.1 กลไกการทำนายคำถัดไป (Next-Token Prediction)

หลักการของมาร์คอฟเชนในศตวรรษที่ 15 ได้กลายเป็นรากฐานโดยตรงของโมเดลภาษาขนาดใหญ่ (Large Language Models เช่น ChatGPT, Claude, Gemini) ในศตวรรษที่ 21 โมเดลเหล่านี้ทำงานโดยการคำนวณ การแจกแจงความน่าจะเป็นของคำถัดไป (Probability Distribution over Vocabulary) ภายใต้บริบทของคำก่อนหน้าทั้งหมด:

P(w_{t+1} = w \mid w_1, w_2, \dots, w_t) = \text{Softmax}\left(\frac{z_w}{T}\right) = \frac{\exp(z_w / T)}{\sum_{j} \exp(z_j / T)}

แผนภาพการแจกแจงความน่าจะเป็นและการสุ่มคำถัดไปของโมเดลภาษา AI — แผนภาพการทำนายคำถัดไป (Next-Token Prediction): โมเดลคำนวณความน่าจะเป็นของคำในคลังคำศัพท์ จากนั้นใช้พารามิเตอร์ Temperature, Top-K, และ Top-P เพื่อคัดเลือกคำที่ดีที่สุด

6.2 พารามิเตอร์ควบคุมความน่าจะเป็นและตัวแปรสุ่ม (ม.6)

ในวิชาคณิตศาสตร์ ม.6 เรื่อง ตัวแปรสุ่มและการแจกแจงความน่าจะเป็น (Random Variables & Probability Distributions) เราเรียนรู้ว่าพฤติกรรมของการสุ่มสามารถถูกควบคุมได้ด้วยฟังก์ชันทางสถิติ ในโมเดลภาษา เราใช้พารามิเตอร์ต่อไปนี้ในการปรับแต่ง:

1. อุณหภูมิ (Temperature: $T$)

เป็นตัวแปรที่ใช้ปรับความชันของการแจกแจงความน่าจะเป็น:

$T \to 0$ (Greedy Search / Low Entropy): โมเดลจะเลือกเฉพาะคำที่มีความน่าจะเป็นสูงสุดเสมอ คำตอบจะแม่นยำ ตายตัว และไม่มีความแปลกใหม่ (คล้ายผลึก)
$T \approx 0.7$: ค่ามาตรฐานที่ให้ข้อความลื่นไหลเป็นธรรมชาติ มีความหลากหลายที่เหมาะสม
$T > 1.2$ (High Entropy): ความน่าจะเป็นของแต่ละคำจะถูกเกลี่ยให้ใกล้เคียงกัน ทำให้โมเดลมีความคิดสร้างสรรค์สูง คาดเดาได้ยาก แต่อาจหลุดบริบทจนเพ้อเจ้อ

2. การสุ่มแบบ Top-K และ Top-P (Nucleus Sampling)

เป็นการตัดคำที่มีความน่าจะเป็นต่ำ (หางแถว) ทิ้ง เพื่อป้องกันไม่ให้โมเดลสร้างคำที่ไร้สาระ:

Top-K: จำกัดตัวเลือกไว้เฉพาะกลุ่มคำที่มีความน่าจะเป็นสูงสุด $K$ อันดับแรก
Top-P (Nucleus): เลือกคำจากกลุ่มย่อยที่มีผลรวมความน่าจะเป็นสะสม (Cumulative Probability) ถึงค่าที่กำหนด เช่น $90\%$ ($P = 0.90$)

6.3 ปรากฏการณ์ภาพหลอน (AI Hallucination) กับความจริงของข้อความวอยนิช

บทเรียนสำคัญจากสถิติสู่ความฉลาดประดิษฐ์

ทั้งกระบวนการมาร์คอฟและโมเดลภาษา AI มีจุดร่วมเดียวกันอย่างลึกซึ้ง: พวกมันสร้างข้อความขึ้นมาจากความน่าจะเป็นทางสถิติ ไม่ใช่จากความเข้าใจในความหมายที่แท้จริง หากปราศจากความรู้ที่เป็นจริง โมเดล AI จะสร้าง "ภาพหลอน" (Hallucination) ที่ใช้ไวยากรณ์สละสลวยน่าเชื่อถือแต่ไร้สาระ เช่นเดียวกับผู้เขียนต้นฉบับวอยนิชในยุคกลาง ที่สามารถใช้ลูกเต๋าและกระบวนการมาร์คอฟสร้างหนังสือหนา 240 หน้า ที่ดูคล้ายตำราแพทย์อันทรงคุณค่า เพื่อหลอกขายให้แก่จักรพรรดิรูดอล์ฟที่ 2 (Holy Roman Emperor Rudolf II) ในราคาสูงถึง 600 เหรียญทองคำดุกัต!

⚖️ ประมวลผลสู่มุมมองทางวิชาการ: เมื่อเราเข้าใจกลไกสถิติทั้งในอดีตและปัจจุบันแล้ว ถึงเวลาที่เราจะนำหลักฐานทั้งหมดมาชั่งน้ำหนัก เพื่อสรุปว่าแท้จริงแล้วต้นฉบับวอยนิชคือภาษาลับ ยาสมุนไพร หรือกลลวงบันลือโลก

7 บทวิเคราะห์ทางวิชาการและบทสรุป: ภาษาลับ หรือกลลวงระดับประวัติศาสตร์?

ในแวดวงวิชาการปัจจุบัน นักวิจัยได้แบ่งทฤษฎีอธิบายต้นฉบับวอยนิชออกเป็น 3 แนวทางหลัก ซึ่งเราสามารถสรุปจุดแข็งและข้อจำกัดผ่านตารางเปรียบเทียบดังนี้:

สมมติฐานทางวิชาการ	หลักฐานที่สนับสนุน	ข้อจำกัด / ข้อโต้แย้งทางสถิติ
1. รหัสลับที่เข้ารหัสไว้ (Encrypted Ciphertext)	ผู้เขียนในยุคเรเนซองส์นิยมใช้รหัสเพื่อซ่อนสูตรเคมีและการเล่นแร่แปรธาตุ	รหัสลับส่วนใหญ่จะทำให้เอนโทรปีพุ่งสูงขึ้น (High Entropy) และทำลายกฎของซิปฟ์ แต่วอยนิชกลับมีเอนโทรปีต่ำผิดปกติ
2. ภาษาธรรมชาติที่ไม่รู้จัก (Lost Natural Language)	เป็นไปตามกฎของซิปฟ์ (Zipf's Law) และการกระจายตัวของความยาวคำเหมือนภาษาจริง	มีการซ้ำคำติดๆ กัน (Reduplication) บ่อยเกินไป และมีโครงสร้างพยางค์ที่แข็งทื่อจนไม่สอดคล้องกับสัทศาสตร์ของมนุษย์
3. กลลวงสร้างด้วยขั้นตอนวิธี (Procedural Generation / Hoax)	การใช้ Cardan Grille หรือ Markov Table เลียนแบบสถิติของวอยนิชได้สมบูรณ์แบบ ทั้งค่าเอนโทรปี กฎของซิปฟ์ และคำซ้ำ	ผู้สร้างต้องใช้ความพยายามมหาศาลในการวาดภาพประกอบและเขียนหนังสือหนา 240 หน้าโดยไม่มีความหมายจริง

คณิตศาสตร์คือแว่นขยายส่องหาความจริง ✨

ไม่ว่าต้นฉบับวอยนิชจะถูกเฉลยว่าเป็นบันทึกของแพทย์ยุคกลาง หรือเป็นเพียงกลลวงบันลือโลกที่สร้างด้วยลูกเต๋าและตารางพยางค์ สิ่งที่หนังสือเล่มนี้มอบให้แก่นักเรียนทุกคนคือ บทเรียนอันทรงคุณค่าว่าด้วย "พลังของสถิติและการคิดเชิงวิพากษ์" (Critical Thinking) ในโลกยุคปัจจุบันที่เต็มไปด้วยข้อมูลมหาศาลและโมเดล AI ที่เก่งกาจขึ้นทุกวัน การเข้าใจคณิตศาสตร์ความน่าจะเป็นและทฤษฎีสารสนเทศ คืออาวุธสำคัญที่จะช่วยให้เราแยกแยะความจริงออกจากภาพลวงตาได้เสมอครับ

สรุปสาระสำคัญสำหรับทบทวน (Math & AI Cheatsheet) 📚

ความน่าจะเป็น ม.5

Markov Property & Bigrams

กระบวนการมาร์คอฟกำหนดว่าสถานะถัดไปขึ้นกับสถานะปัจจุบันเท่านั้น ($P(X_{t+1}|X_t)$) การกำหนดความถี่ของคู่ตัวอักษรทำให้เกิดคำที่มีโครงสร้างพยางค์คล้ายภาษาจริง

$\sum_{j} P_{ij} = 1$ (Stochastic Matrix)

สถิติศาสตร์ & ทฤษฎีข้อมูล

Shannon Entropy ($H$)

วัดความไม่แน่นอนของข้อมูล วอยนิชมีเอนโทรปีต่ำ ($3.5 - 3.8$ บิต) บ่งชี้ว่าระบบถูกจำกัดกฎเกณฑ์ทางสถิติอย่างเข้มงวด ต่างจากภาษาธรรมชาติที่เอนโทรปีสูงกว่า

$H(X) = -\sum P(x) \log_2 P(x)$

ตัวแปรสุ่ม ม.6 & วิทยาการคำนวณ

Next-Token Prediction & Softmax

โมเดลภาษาแปลง Logits เป็นความน่าจะเป็นสะสม โดยใช้ Temperature ควบคุมความแบนราบของการแจกแจง และใช้ Top-K / Top-P กรองหางแถวที่ไม่เกี่ยวข้อง

$P(w) = \text{Softmax}(z / T)$

จิตวิทยาการรู้คิด

Apophenia & Hallucination

อาโปฟีเนียคือการที่สมองมนุษย์เชื่อมโยงหาความหมายในความสุ่ม สอดคล้องกับภาพหลอนของ AI ที่สร้างข้อความตามน้ำหนักสถิติโดยไม่มีความเข้าใจความจริง

Pattern-Seeking in Random Noise

เอกสารประกอบ: ถอดรหัสลับวอยนิชด้วยสถิติและ AI 📚

ศึกษาและทบทวนเนื้อหาบทเรียนเจาะลึกเกี่ยวกับคณิตศาสตร์ความน่าจะเป็น กระบวนการมาร์คอฟ เอนโทรปีของแชนนอน และโมเดลภาษา AI ได้จากสไลด์ประกอบการเรียนรู้ด้านล่างนี้

สไลด์บทเรียน: ถอดรหัสลับวอยนิชด้วยสถิติและ AI

PDF Document

เอกสารประกอบการเรียน

หน้าจอมือถืออาจจะเล็กเกินไปสำหรับการอ่านสไลด์ แนะนำให้เปิดอ่านแบบเต็มจอหรือดาวน์โหลดเก็บไว้เพื่อความสะดวก

ดาวน์โหลด / เปิดสไลด์ PDF

อยากทดลองสำรวจปรากฏการณ์คณิตศาสตร์และ AI อื่นๆ เพิ่มเติม?

เรียนรู้คณิตศาสตร์ วิทยาศาสตร์ และ AI ผ่าน Interactive Simulation ที่เข้าใจง่าย สนุก และเห็นภาพชัดเจนกับ Panya AI Tutor ได้แล้ววันนี้!

ลองใช้งาน Panya AI Tutor ฟรี