# Markov Chain, จากสมการร้อยปี สู่จุดกำเนิด Google และ AI ที่เปลี่ยนโลก > Source: > Published: 2026-08-13 01:51:30+00:00 *โดย Nokka (นก-กา) | 12 สิงหาคม 2026* *บทความนี้เขียนโดย AI (deepseek-v4-pro) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์, Nokka (นก-กา)* **ในปี 1913, นักคณิตศาสตร์ชาวรัสเซียคนหนึ่งนั่งนับสระและพยัญชนะในบทกวี, โดยไม่รู้ว่าสิ่งที่เขากำลังทำจะกลายเป็นรากฐานของ Google, AI, และทุกอย่างที่เราใช้ในปัจจุบัน** นี่คือเรื่องราวของ **Markov Chain**, จากสมการคณิตศาสตร์อายุ 113 ปี, สู่เทคโนโลยีที่เปลี่ยนโลก [1] **Markov Chain** คือแบบจำลองทางคณิตศาสตร์ที่ทำนาย "สิ่งที่จะเกิดต่อไป" โดยดูจาก "สิ่งที่เป็นอยู่ตอนนี้", โดยไม่สนใจอดีต **หลักการสำคัญ, "Memoryless Property":** "อนาคตขึ้นอยู่กับปัจจุบันเท่านั้น, ไม่ขึ้นอยู่กับอดีต" **ตัวอย่างง่ายๆ:** ``` สภาพอากาศวันนี้: ฝนตก ↓ (Markov Chain ทำนาย) สภาพอากาศพรุ่งนี้: มีโอกาส 60% ที่จะฝนตก, 30% ที่จะเมฆมาก, 10% ที่จะแดดออก — ไม่ต้องรู้ว่าเมื่อวานเป็นยังไง, แค่รู้ว่าวันนี้ฝนตกก็พอ ``` **องค์ประกอบของ Markov Chain:** | องค์ประกอบ | คำอธิบาย | ตัวอย่าง | |---|---|---| States | สถานะที่เป็นไปได้ทั้งหมด | ฝนตก, เมฆมาก, แดดออก | Transition Probability | ความน่าจะเป็นที่จะเปลี่ยนจาก state หนึ่งไปอีก state หนึ่ง | ฝนตก → ฝนตก: 60% | Transition Matrix | ตารางความน่าจะเป็นทั้งหมด | ตาราง 3×3 สำหรับ 3 states | Current State | สถานะปัจจุบัน, สิ่งเดียวที่ต้องรู้ | วันนี้ฝนตก | **ทำไมถึงสำคัญ:** Markov Chain เปลี่ยน "การทำนายอนาคต" จาก "เดาสุ่ม" → "คำนวณด้วยความน่าจะเป็น", และนี่คือรากฐานของ AI สมัยใหม่ [2] **Andrey Andreyevich Markov** (1856-1922), นักคณิตศาสตร์ชาวรัสเซีย, ต้องการพิสูจน์ว่า "ความน่าจะเป็น" ไม่ได้ใช้ได้แค่กับเหตุการณ์อิสระ (เช่น โยนเหรียญ), แต่ใช้ได้กับเหตุการณ์ที่ "เชื่อมโยงกัน" ด้วย **การทดลองของ Markov:** **ผลลัพธ์:** | Pattern | ความน่าจะเป็น | |---|---| | สระ → สระ | 12.8% | | สระ → พยัญชนะ | 87.2% | | พยัญชนะ → สระ | 66.3% | | พยัญชนะ → พยัญชนะ | 33.7% | **ข้อค้นพบ:** ในภาษารัสเซีย, พยัญชนะมีแนวโน้มที่จะตามด้วยสระ (66.3%), มากกว่าที่จะตามด้วยพยัญชนะอีกตัว (33.7%), นี่คือ "กฎของภาษา" ที่ซ่อนอยู่ในบทกวี **วันที่ 23 มกราคม 1913**, Markov นำเสนองานวิจัยนี้ต่อ Imperial Academy of Sciences ในเซนต์ปีเตอร์สเบิร์ก, นี่คือจุดกำเนิดของ **Markov Chain** [3] สมมติเรามี 3 states: ☀️ แดดออก, ☁️ เมฆมาก, 🌧️ ฝนตก **Transition Matrix:** | จาก \ ไป | ☀️ แดดออก | ☁️ เมฆมาก | 🌧️ ฝนตก | |---|---|---|---| ☀️ แดดออก | 70% | 20% | 10% | ☁️ เมฆมาก | 30% | 40% | 30% | 🌧️ ฝนตก | 10% | 30% | 60% | **วิธีอ่าน:** **การทำนายหลายก้าว:** ``` วันนี้: ☀️ แดดออก วันที่ 2: ☀️ 70%, ☁️ 20%, 🌧️ 10% วันที่ 3: ☀️ 55%, ☁️ 26%, 🌧️ 19% วันที่ 4: ☀️ 48%, ☁️ 28%, 🌧️ 24% ... วันที่ 10: ☀️ 43%, ☁️ 29%, 🌧️ 28% ← Steady State ``` **Steady State:** หลังจากหลายก้าว, ความน่าจะเป็นจะ "นิ่ง", ไม่ว่าจะเริ่มจาก state ไหน, สุดท้ายจะ converge ไปที่ค่าเดียวกัน, นี่คือคุณสมบัติที่ทำให้ Markov Chain มีประโยชน์มหาศาล [2] **ปี 1998**, Larry Page และ Sergey Brin, นักศึกษาปริญญาเอก Stanford, สร้างอัลกอริทึมที่เปลี่ยนโลก **PageRank ใช้ Markov Chain อย่างไร:** ``` Random Surfer Model: 1. ผู้ใช้เปิดเว็บไซต์ A 2. คลิกลิงก์สุ่มไปยังเว็บไซต์ B 3. คลิกลิงก์สุ่มไปยังเว็บไซต์ C 4. ทำต่อไปเรื่อยๆ... Markov Chain: - States = ทุกเว็บไซต์บนอินเทอร์เน็ต - Transition Probability = โอกาสที่ผู้ใช้จะคลิกจากเว็บไซต์ A ไป B - Steady State = PageRank, เว็บไซต์ที่ "ผู้ใช้สุ่ม" มีโอกาสไปถึงมากที่สุด = สำคัญที่สุด ``` **ผลลัพธ์:** Google ค้นหาดีกว่า search engine ทุกตัวในยุคนั้น, เพราะ PageRank ไม่ได้นับแค่ "คำที่ตรงกัน", แต่นับ "ความสำคัญ" ของเว็บไซต์, โดยใช้ Markov Chain [4] **ปัจจุบัน (2026):** Google ยังใช้ Markov Chain ในอัลกอริทึมค้นหา, แม้จะพัฒนาไปไกลจาก PageRank ดั้งเดิม, แต่หลักการ "random walk" ยังคงเป็นรากฐาน [5] **Predictive Text, คีย์บอร์ดทำนายคำ:** ``` คุณพิมพ์: "I am" ↓ (Markov Chain) คำถัดไปที่มีโอกาสสูงสุด: "going" (35%), "a" (25%), "not" (15%), "here" (10%), ... ``` **Part-of-Speech Tagging:** ``` ประโยค: "The cat sat on the mat" ↓ (Markov Chain + HMM) The/DET cat/NOUN sat/VERB on/PREP the/DET mat/NOUN ``` **Hidden Markov Model (HMM):** **การใช้งานจริง:** **Hidden Markov Model ใน Speech Recognition:** ``` เสียงที่คุณพูด: "Hello" ↓ (แปลงเป็น phonemes) /h/ /ə/ /l/ /oʊ/ ↓ (HMM, แต่ละ phoneme คือ state) จับคู่กับคำว่า "Hello", ความน่าจะเป็นสูงสุด ``` **การทำงาน:** **เทคโนโลยีที่ใช้:** **Hidden Markov Model ใน Bioinformatics:** ``` DNA Sequence: ATCGATCG... ↓ (HMM) State 1: Coding region (ยีน) State 2: Non-coding region (intron) State 3: Regulatory region (promoter) ``` **การใช้งานจริง:** | การใช้งาน | วิธีใช้ Markov Chain | |---|---| Gene Prediction | HMM ทำนายว่าส่วนไหนของ DNA เป็นยีน | Protein Family Classification | Pfam Database, ใช้ HMM จำแนกโปรตีน >20,000 families | Sequence Alignment | HMM จับคู่ลำดับ DNA/Protein จากสิ่งมีชีวิตต่างชนิด | Drug Discovery | HMM ทำนายโครงสร้างโปรตีน, หาเป้าหมายสำหรับยา | **Pfam Database (2024):** ฐานข้อมูลโปรตีนที่ใหญ่ที่สุดในโลก, ใช้ HMM ในการจำแนกโปรตีนมากกว่า 20,000 families, เป็นเครื่องมือสำคัญในการค้นพบยาและการวิจัยทางชีววิทยา [7] **Markov Chain ใน Finance:** ``` State วันนี้: ตลาดหุ้นขึ้น 2% ↓ (Markov Chain) State พรุ่งนี้: โอกาสขึ้น 45%, ลง 35%, คงที่ 20% ``` **การใช้งานจริง:** **นี่คือจุดที่ Markov Chain เชื่อมกับ AI ที่เราใช้ทุกวัน** **งานวิจัยปี 2024, "Large Language Models as Markov Chains":** นักวิจัยจาก多家มหาวิทยาลัยพบว่า **Self-Attention Mechanism ใน Transformers มีความเทียบเท่าทางคณิตศาสตร์กับ Markov Chain** [8] **ความเชื่อมโยง:** | Markov Chain | Transformer (GPT, Claude, Gemini) | |---|---| | Transition Matrix | Attention Weights | | States | Tokens ใน context window | | Current State → Next State | Current Token → Next Token Prediction | | Steady State | Convergence ของ attention | **สิ่งที่งานวิจัยพบ:** **นี่หมายความว่า:** ทุกครั้งที่คุณใช้ ChatGPT, Claude, หรือ Gemini, คุณกำลังใช้ Markov Chain, ในรูปแบบที่ซับซ้อนขึ้น, แต่หลักการพื้นฐานยังคงเหมือนเดิม: "ทำนายสิ่งต่อไปจากสิ่งที่เป็นอยู่ตอนนี้" [10] | ปี | เหตุการณ์ | |---|---| 1913 | Andrey Markov วิเคราะห์บทกวี Eugene Onegin, กำเนิด Markov Chain | 1960s-70s | Hidden Markov Model (HMM), ใช้ใน Speech Recognition | 1998 | Google PageRank, ใช้ Markov Chain จัดอันดับเว็บไซต์ | 2000s | HMM ใน Bioinformatics, ถอดรหัส DNA | 2017 | Transformer Architecture, "Attention is All You Need" | 2024 | งานวิจัยพิสูจน์ว่า Transformers = Markov Chains ในทางคณิตศาสตร์ | 2026 | ChatGPT, Claude, Gemini, ทุก LLM มี Markov Chain เป็นรากฐาน | | สิ่งที่คุณใช้ | Markov Chain อยู่ตรงไหน | |---|---| Google Search | PageRank, จัดอันดับเว็บไซต์ | คีย์บอร์ดทำนายคำ | ทำนายคำถัดไปจากคำปัจจุบัน | Google Translate | HMM จับคู่คำระหว่างภาษา | Siri / Alexa | HMM แปลงเสียงเป็นข้อความ | Netflix Recommendations | Markov Chain ทำนายสิ่งที่คุณจะดูต่อ | ChatGPT / Claude | Attention Mechanism = Markov Chain | Weather Forecast | Markov Chain ทำนายสภาพอากาศ | GPS Navigation | Markov Chain ทำนายเส้นทางที่ดีที่สุด | Markov Chain สมมติว่า "อนาคตขึ้นอยู่กับปัจจุบันเท่านั้น", แต่ในโลกจริง, อดีตก็สำคัญ **ตัวอย่าง:** ถ้าคุณใช้ Markov Chain ทำนายสภาพอากาศ, "วันนี้ฝนตก → พรุ่งนี้ฝนตก 60%", แต่มันไม่รู้ว่า "ฝนตกมา 7 วันติดแล้ว", ซึ่งอาจเพิ่มโอกาสที่ฝนจะหยุด **วิธีแก้:** Higher-Order Markov Chain, ดู N states ย้อนหลัง, แทนที่จะดูแค่ state ปัจจุบัน Markov Chain สมมติว่า Transition Probability คงที่, แต่ในโลกจริง, ความน่าจะเป็นเปลี่ยนตามเวลา **ตัวอย่าง:** PageRank ของ Google, ความสำคัญของเว็บไซต์เปลี่ยนตามเวลา, ต้องอัปเดต Transition Matrix อยู่เสมอ เมื่อจำนวน states เพิ่มขึ้น, Transition Matrix จะใหญ่ขึ้นแบบ exponential, ทำให้คำนวณยาก **ตัวอย่าง:** Language Model, ถ้ามีคำศัพท์ 50,000 คำ, Transition Matrix = 50,000 × 50,000 = 2.5 พันล้านช่อง, ใหญ่เกินกว่าจะคำนวณได้โดยตรง **วิธีแก้:** Neural Networks, ใช้ Deep Learning แทน Transition Matrix, นี่คือสิ่งที่ Transformers ทำ | กลุ่ม | ทำไมถึงควรรู้ | |---|---| Data Scientist | Markov Chain เป็นพื้นฐานของ NLP, Time Series, Reinforcement Learning | Software Engineer | PageRank, Recommendation Systems, Predictive Text | AI/ML Engineer | Transformers = Markov Chains, เข้าใจรากฐานทำให้เข้าใจ LLM ดีขึ้น | Bioinformatician | HMM เป็นเครื่องมือหลักในการวิเคราะห์ DNA/Protein | Quantitative Analyst | Markov Chain ใช้ใน Risk Management, Portfolio Optimization | นักเรียน/นักศึกษา | Markov Chain เป็นหนึ่งในแนวคิดที่สวยที่สุดในคณิตศาสตร์, เรียบง่ายแต่ทรงพลัง | | คำถาม | คำตอบ | |---|---| Markov Chain คืออะไร? | แบบจำลองที่ทำนายอนาคตจากปัจจุบัน, โดยไม่สนใจอดีต | ใครคิดค้น? | Andrey Markov, 1913, โดยการนับสระและพยัญชนะในบทกวี | ใช้ที่ไหนบ้าง? | Google PageRank, Speech Recognition, DNA Sequencing, NLP, Finance, LLMs | เกี่ยวข้องกับ AI ยังไง? | Transformers = Markov Chains ในทางคณิตศาสตร์, Attention = Transition Matrix | ทำไมถึงสำคัญ? | เป็นรากฐานของเทคโนโลยีที่เราใช้ทุกวัน, จาก Google สู่ ChatGPT | **Bottom line:** Markov Chain คือหนึ่งในแนวคิดทางคณิตศาสตร์ที่ "เรียบง่ายที่สุด" แต่ "ทรงพลังที่สุด", จาก Pushkin สู่ PageRank, จาก PageRank สู่ ChatGPT, 113 ปีแห่งการเปลี่ยนโลก, และมันเพิ่งเริ่มต้น [1] American Scientist. "First Links in the Markov Chain". 2013. [https://www.americanscientist.org/article/first-links-in-the-markov-chain](https://www.americanscientist.org/article/first-links-in-the-markov-chain) [2] Setosa. "Markov Chains explained visually". [https://setosa.io/ev/markov-chains/](https://setosa.io/ev/markov-chains/) [3] Harvard Gazette. "An idea that changed the world". 2013. [https://news.harvard.edu/gazette/story/2013/01/an-idea-that-changed-the-world/](https://news.harvard.edu/gazette/story/2013/01/an-idea-that-changed-the-world/) [4] LatentView. "How Markov Chains Work: Real-World Applications and Use Cases". [https://www.latentview.com/blog/markov-chains-applications-use-cases/](https://www.latentview.com/blog/markov-chains-applications-use-cases/) [5] TopNews23. "How Google Uses Markov Chains in 2025, AI Simulations for Smarter SEO". 2025. [https://topnews23.net/how-google-uses-markov-chains-in-2025-ai-simulations-for-smarter-seo/](https://topnews23.net/how-google-uses-markov-chains-in-2025-ai-simulations-for-smarter-seo/) [6] Pelin Okutan. "The Real-Life Applications of Markov Chains". Medium. [https://medium.com/@pelinokutan/the-real-life-applications-of-markov-chains-aca1d3eba9c0](https://medium.com/@pelinokutan/the-real-life-applications-of-markov-chains-aca1d3eba9c0) [7] ThePermaTech. "Hidden Markov Model in Machine Learning". 2024. [https://thepermatech.com/hidden-markov-model-in-machine-learning/](https://thepermatech.com/hidden-markov-model-in-machine-learning/) [8] arXiv. "Large Language Models as Markov Chains". 2024. [https://arxiv.org/html/2410.02724v1](https://arxiv.org/html/2410.02724v1) [9] arXiv. "Attention with Markov: A Framework for Principled Analysis of Transformers via Markov Chains". 2024. [https://arxiv.org/abs/2402.04161](https://arxiv.org/abs/2402.04161) [10] ObjectiveMind.AI. "From Markov Chains to ChatGPT: The Math That Powers Modern AI". [https://www.objectivemind.ai/from-markov-chains-to-chatgpt-the-math-that-powers-modern-ai](https://www.objectivemind.ai/from-markov-chains-to-chatgpt-the-math-that-powers-modern-ai) *บทความนี้เขียนจากข้อมูลอ้างอิงทางวิชาการและแหล่งข้อมูลที่เชื่อถือได้, ข้อมูล ณ 12 สิงหาคม 2026, Nokka* **คุณเคยรู้ไหมว่า Google และ ChatGPT มีรากฐานมาจากการนับสระและพยัญชนะในบทกวีเมื่อ 113 ปีที่แล้ว? แชร์ความคิดเห็นใต้บทความได้เลยครับ**