---
title: Token AI คืออะไร? 1 token กี่คำ และทำไมหน่วยคิดเงินของ AI ถึงไม่มีมาตรฐานกลาง
url: https://joelin.cc/th/p/9770
source: https://joelin.cc/th/p/9770
lang: th
pubDate: '2026-10-19'
date_modified: '2026-10-19'
description: Token ไม่มีนิยามกลางของวงการ แต่ละโมเดลตัดข้อความด้วยตารางคำศัพท์ที่ตายตัวของตัวเอง อธิบายการแปลง token เป็นคำ หลักการ BPE โครงสร้างราคา และทำไมบทสนทนายาวยิ่งแพง
author: joe
ai_role: ai_only
translation_of: /p/9770
mentions:
  - name: Anthropic
    sameAs:
      - https://www.wikidata.org/wiki/Q116758847
  - name: OpenAI
    sameAs:
      - https://www.wikidata.org/wiki/Q21708200
  - name: tiktoken
    sameAs:
      - https://www.wikidata.org/wiki/Q120549570
---

# Token AI คืออะไร? 1 token กี่คำ และทำไมหน่วยคิดเงินของ AI ถึงไม่มีมาตรฐานกลาง

บอกข้อสรุปก่อน: token ไม่มีนิยามที่เป็นมาตรฐานเดียวกันทั้งวงการ มันคือ “ตารางตัดคำ” ที่ถูกกำหนดตายตัวตั้งแต่ตอนฝึกโมเดลแต่ละตัว ข้อความเดียวกันส่งให้โมเดลต่างกัน จะถูกตัดออกมาได้จำนวนไม่เท่ากัน แม้แต่โมเดลต่างรุ่นของบริษัทเดียวกันก็ยังไม่เท่ากัน ดังนั้นคำถามว่า “1 token เท่ากับกี่คำ” จึงมีแค่เกณฑ์คร่าว ๆ ไม่มีตัวเลขตายตัว

สิ่งที่วงการรวมเป็นมาตรฐานเดียวกันได้จริงคือโครงสร้างการคิดราคา คือคิดเงินต่อหนึ่งล้าน token และแยกคิดอินพุตกับเอาต์พุต ไม่ใช่ตัว token เอง ความต่างข้อนี้จะกลายเป็นเรื่องใหญ่มากทันทีที่คุณเริ่มทำตารางคำนวณต้นทุน

## Token คืออะไร: เป้าหมายคือการบีบอัด ไม่ใช่ความหมาย

Token คือหน่วยประมวลผลที่เล็กที่สุดที่โมเดลตัดข้อความออกมา วิธีตัดมาจากอัลกอริทึมกลุ่มหนึ่งที่เรียกว่า BPE (Byte Pair Encoding) มีสามขั้นตอน:

1. นำคลังข้อความขนาดมหาศาลมานับสถิติ แล้วรวมชุดตัวอักษรที่ปรากฏคู่กันบ่อยที่สุดซ้ำไปเรื่อย ๆ
2. ผลการรวมจะได้เป็นตารางคำศัพท์ ขนาดมักอยู่ระหว่าง 50,000 ถึง 200,000 รายการ
3. หลังจากนั้นอินพุตทุกอย่างจะถูกนำมาเทียบกับตารางนี้แล้วตัดแบ่ง

จุดสำคัญคือ เป้าหมายของอัลกอริทึมนี้คือการบีบอัด ไม่ใช่การเข้าใจความหมาย สตริงที่พบบ่อย เช่น “the” “and” ในภาษาอังกฤษ คำภาษาจีนที่ใช้บ่อยอย่าง 的 (“ของ”) และ 因為 (“เพราะว่า”) หรือ “function” ในโค้ด จะนับเป็น token เดียวทั้งก้อน ส่วนคำที่พบน้อยจะถูกหั่นเป็นชิ้นเล็ก ชื่อคน ศัพท์เฉพาะ และคำที่พิมพ์ผิด มักถูกตัดเป็นสามถึงห้า token

ดังนั้น token ไม่ใช่ “ตัวอักษร” และไม่ใช่ “คำ” แต่เป็น “ชิ้นส่วนที่เล็กที่สุดที่โมเดลตัวนั้นรู้จัก” นี่คือพื้นฐานของการเข้าใจปัญหาต้นทุนทั้งหมดที่ตามมา

## ทำไมจึงเป็นไปไม่ได้ที่จะมีมาตรฐานเดียวกัน

ตอนแรกผมเองก็รู้สึกแปลก ปี 2026 แล้ว ทำไมหน่วยคิดเงินพื้นฐานขนาดนี้ยังไม่มีมาตรฐาน?

คำตอบคือ ตารางคำศัพท์เป็นส่วนหนึ่งของค่าน้ำหนัก (weights) ของโมเดล ฝึกเสร็จแล้วแก้ไม่ได้ โดยเนื้อแท้มันคือชิ้นส่วนหนึ่งของโมเดล ไม่ใช่ข้อกำหนดจากภายนอก การทำให้เป็นมาตรฐานจึงไม่มีจุดให้ยึดในทางเทคนิคเลย คุณไม่สามารถขอให้สองบริษัทใช้ตารางคำศัพท์เดียวกันได้ เพราะนั่นเท่ากับขอให้เขาใช้โมเดลเดียวกัน

จากตรงนี้ยังมีอีกสถานการณ์ที่สะดุดได้ง่ายกว่า: บริษัทเดียวกันเมื่อออกโมเดลรุ่นใหม่ก็อาจเปลี่ยน tokenizer ด้วย Claude เปลี่ยน tokenizer ในรุ่น Opus 4.7 ข้อความเดียวกันจึงได้จำนวน token ไม่เท่ากับรุ่นก่อน ถ้าแบบจำลองต้นทุนของคุณสร้างไว้ตั้งแต่ปีที่แล้ว พอเปลี่ยนรุ่น ตารางนั้นก็ไม่แม่นแล้ว และมันจะไม่แจ้งข้อผิดพลาด มีแต่ทำให้ค่าประมาณของคุณเพี้ยนไปเงียบ ๆ

## เกณฑ์คร่าว ๆ: ใช้ประมาณได้ ใช้เสนอราคาไม่ได้

| ประเภทเนื้อหา | การแปลงคร่าว ๆ | หมายเหตุ |
|---|---|---|
| ภาษาอังกฤษ | 1 token ≈ 4 ตัวอักษร ≈ 0.75 คำ | ค่าประมาณที่วงการอ้างถึงบ่อยที่สุด |
| ภาษาจีน | อักษรจีน 1 ตัว ≈ 0.6 ถึง 1.5 token | ช่วงกว้างมาก เหตุผลดูหัวข้อถัดไป |
| โค้ดและ JSON | สูงกว่าอย่างเห็นได้ชัด | การย่อหน้า วงเล็บปีกกา และเครื่องหมายคำพูด ล้วนเสียเงิน |
| รูปภาพ | คิดตามขนาดภาพ | ภาพหนึ่งภาพมักอยู่ที่ 1,000 ถึง 2,000 token |

ตารางนี้มีประโยชน์อย่างเดียว คือช่วยให้คุณตัดสินว่า “เรื่องนี้คุ้มที่จะทำไหม” ถ้าแค่อยากได้ตัวเลขคร่าว ๆ เพื่อตัดสินใจว่าจะลงทุนหรือไม่ ใช้ตารางนี้ก็พอ แต่ทันทีที่เกี่ยวกับการเสนอราคา งบประมาณ หรือการให้คำมั่นกับลูกค้า ห้ามใช้ตารางนี้ เพราะความคลาดเคลื่อนกับภาษาจีนและโค้ดอาจสูงถึงสองเท่า

## ทำไมภาษาจีนจึงเสียเปรียบ และเสียเปรียบเท่าไรก็ไม่แน่นอน

ในการเข้ารหัส UTF-8 อักษรจีนหนึ่งตัวใช้สามไบต์ ถ้าตารางคำศัพท์ของโมเดลนั้นมีคำที่คุณใช้อยู่ อาจรวมสองสามตัวอักษรเป็น token เดียว แต่ถ้าไม่มี การตัดจะถอยกลับไปเป็นเกือบตัดทีละไบต์ อักษรตัวเดียวกิน token ไปสองถึงสามตัว

ดังนั้นประสิทธิภาพ token ของภาษาจีนจึงขึ้นอยู่กับว่าโมเดลนั้นฝึกด้วยข้อมูลภาษาจีนมากแค่ไหนทั้งหมด นี่คือเส้นต้นทุนที่แทบไม่มีใครอธิบายให้ชัด: ข้อความภาษาจีนเดียวกัน ต้นทุนบนโมเดลของผู้ให้บริการต่างรายอาจต่างกันเกินสองเท่า และคุณมองไม่เห็นเรื่องนี้จากตารางราคาเลย

นี่เป็นเหตุผลที่ผมไม่ค่อยเชื่อการ “เทียบราคาต่อหน่วย” ราคาต่อหน่วยต่ำไม่ได้แปลว่าถูก โมเดลที่ประสิทธิภาพ token ภาษาจีนแย่กว่า 30% ต่อให้ราคาต่อหน่วยถูกกว่า 20% ก็ยังแพงกว่าอยู่ดี

## โครงสร้างการคิดราคา: ส่วนที่ทั้งวงการใช้ร่วมกัน

| รายการ | ธรรมเนียมของวงการ |
|---|---|
| หน่วยคิดราคา | เป็นดอลลาร์สหรัฐต่อหนึ่งล้าน token เสมอ |
| อินพุตและเอาต์พุต | คิดราคาแยกกัน เอาต์พุตมักแพงกว่าสี่ถึงห้าเท่า |
| แคช (prompt caching) | ส่วนนำหน้า (prefix) ที่ซ้ำกันเมื่อเขียนลงแคชแล้ว การอ่านกลับมักเสียแค่ราวหนึ่งในสิบของราคาอินพุตปกติ |
| การประมวลผลแบบกลุ่ม (batch) | งานแบบกลุ่มที่ไม่ต้องตอบทันที มักได้ส่วนลด 50% |
| token สำหรับการคิด (thinking) | นับเป็นเอาต์พุต แม้คุณจะไม่เห็นเนื้อหาก็ต้องจ่าย |

ยกตัวอย่าง API ทางการของ Anthropic ณ กลางปี 2026: Claude Opus 5 อยู่ที่ประมาณอินพุต 5 ดอลลาร์ เอาต์พุต 25 ดอลลาร์ Sonnet 5 คือ 2 และ 10 ดอลลาร์ Haiku 4.5 คือ 1 และ 5 ดอลลาร์ (ต่อหนึ่งล้าน token) ราคาจะเปลี่ยนไป ที่ผมยกตัวเลขเหล่านี้ไม่ได้ให้คุณเอาไปเสนอราคา แต่ให้เห็นโครงสร้างว่า เอาต์พุตแพงกว่าอินพุตสี่ถึงห้าเท่าเสมอ

โครงสร้างนี้เปลี่ยนการตัดสินใจด้านการออกแบบโดยตรง ฟีเจอร์ที่สร้างรายงานยาว ๆ กับฟีเจอร์ที่แค่จัดหมวดหมู่และตอบไม่กี่คำ ต่อให้อินพุตเท่ากัน ต้นทุนก็ต่างกันได้ถึงหนึ่งอันดับขนาด (สิบเท่า) อยากลดต้นทุน ให้ดูคอลัมน์เอาต์พุตก่อน

## เรื่องที่ถูกประเมินต่ำที่สุด: ต้นทุนไม่ได้เพิ่มแบบเส้นตรง

นี่คือประเด็นที่ผมคิดว่าควรแยกออกมาพูดมากที่สุด

ตัวโมเดลเองไม่มีความจำ ทุกรอบของบทสนทนาต้องส่งประวัติทั้งหมดก่อนหน้าไปใหม่ โมเดลจึงจะรู้ว่าเมื่อกี้คุยอะไรกัน ดังนั้นคำว่า “โอเค” ที่คุณพิมพ์ในรอบที่ยี่สิบ ที่ถูกคิดเงินจริงคือข้อความทั้งหมดของสิบเก้ารอบก่อนหน้าถูกนับเป็นอินพุตอีกครั้ง

ถ้าพูดแบบคณิตศาสตร์ ต้นทุนของบทสนทนายาวเพิ่มขึ้นใกล้เคียงกำลังสอง ไม่ใช่เส้นตรง ในทางปฏิบัติจะได้ข้อสรุปสามข้อ:

- ต้นทุนของบทสนทนายาวกระจุกอยู่ช่วงท้าย ไม่ได้กระจายเท่า ๆ กัน รอบที่สามคุณรู้สึกว่าถูกมาก แต่ต้นทุนต่อรอบในรอบที่สามสิบอาจเป็นสิบเท่าของมัน
- system prompt เป็นต้นทุนคงที่ที่ถูกคิดเงินซ้ำทุกรอบ ไม่ใช่จ่ายครั้งเดียวตอนเริ่มแล้วจบ การตั้งค่าบทบาทที่เขียนไว้ละเอียดมาก คุณพูดหนึ่งประโยคก็จ่ายค่ามันหนึ่งครั้ง
- กลไกแคชมีอยู่ก็เพราะเรื่องนี้ ตรึงส่วนนำหน้าที่ไม่เปลี่ยนไว้ แล้วอ่านส่วนที่ซ้ำกลับมาในราคาราวหนึ่งในสิบ นี่คือวิธีที่ได้ผลที่สุดในตอนนี้สำหรับบทสนทนายาว

## อยากได้ตัวเลขที่แม่นยำ มีวิธีเดียว

วัดจริงด้วย tokenizer ของโมเดลตัวนั้นเอง

Anthropic มี endpoint ชื่อ count_tokens ตอนเรียกต้องระบุรหัสโมเดลที่คุณจะใช้จริง เพราะแต่ละโมเดลให้ตัวเลขไม่เท่ากัน ฝั่ง OpenAI สิ่งที่เทียบเท่าคือแพ็กเกจ tiktoken

ตรงนี้มีแหล่งความคลาดเคลื่อนที่พบบ่อย: ใช้ tiktoken ประมาณการใช้งานของ Claude จะได้ค่าต่ำกว่าจริงราว 15% ถึง 20% และกับภาษาจีนและโค้ดจะคลาดมากกว่านั้น ตารางตัดคำของสองบริษัทต่างกัน จึงไม่ควรใช้แทนกันตั้งแต่ต้น ผมเคยเห็นตารางคำนวณต้นทุนที่ทำแบบนี้มากกว่าหนึ่งฉบับ ผลคือบิลจริงสูงกว่าที่ประมาณไว้ราวสองในสิบ และหาสาเหตุไม่เจอ

## สี่สถานการณ์ ควรใช้วิธีคำนวณแบบไหน

| สถานการณ์ | วิธีที่ควรใช้ |
|---|---|
| ประมาณคร่าว ๆ เพื่อตัดสินใจว่าจะทำหรือไม่ | เกณฑ์คร่าว ๆ: จำนวนตัวอักษรภาษาอังกฤษหารสี่ จำนวนอักษรจีนคูณหนึ่ง |
| ต้องเสนอราคา ต้องตั้งงบประมาณ | รัน count_tokens ด้วยรหัสโมเดลที่จะใช้งานจริงตอนขึ้นระบบ |
| ขึ้นระบบแล้ว ต้องคุมต้นทุน | ดูฟิลด์ปริมาณการใช้งานที่ส่งกลับมาทุกครั้ง โดยเฉพาะอัตราการโดนแคช (cache hit rate) |
| เทียบราคาข้ามผู้ให้บริการ | ใช้ตัวอย่างชุดเดียวกัน วัดด้วย tokenizer ของแต่ละราย ห้ามเทียบแค่ราคาต่อหน่วย |

ความต่างของสี่ช่องนี้ไม่ได้อยู่ที่ความแม่นยำ แต่อยู่ที่คุณจะใช้ตัวเลขนั้นตัดสินใจเรื่องอะไร ตอนตัดสินใจว่า “จะทำหรือไม่” ประมาณผิดไป 20% ไม่เป็นไร แต่ตอนตัดสินใจว่า “จะเก็บเงินลูกค้าเท่าไร” ประมาณผิดไป 20% ส่วนนั้นจะถูกหักจากกำไรของคุณ

กลับไปที่คำถามตอนต้น: token คืออะไร? มันคือชิ้นส่วนที่เล็กที่สุดที่โมเดลตัวนั้นรู้จัก และแต่ละโมเดลรู้จักสิ่งที่ไม่เหมือนกัน ยอมรับเรื่องนี้ได้ แบบจำลองต้นทุนของคุณถึงจะตั้งอยู่บนรากฐานที่ถูกต้อง

## คำถามที่พบบ่อย

### 1 token เท่ากับกี่คำ?

ไม่มีคำตอบตายตัว ภาษาอังกฤษ 1 token ประมาณ 4 ตัวอักษร หรือราว 0.75 คำ ภาษาจีน อักษร 1 ตัวประมาณ 0.6 ถึง 1.5 token ช่วงกว้างขนาดนี้เพราะใน UTF-8 อักษรจีนหนึ่งตัวใช้สามไบต์ และการที่คำนั้นอยู่ในตารางคำศัพท์ของโมเดลหรือไม่ ทำให้ผลต่างกันได้เกินสองเท่า ตัวเลขเหล่านี้ใช้ได้แค่ประมาณว่าควรทำหรือไม่ ใช้เสนอราคาไม่ได้

### ทำไม token ถึงไม่มีมาตรฐานกลางของวงการ?

เพราะตารางคำศัพท์เป็นส่วนหนึ่งของค่าน้ำหนักของโมเดล ฝึกเสร็จแล้วแก้ไม่ได้ โดยเนื้อแท้มันคือชิ้นส่วนหนึ่งของโมเดล ไม่ใช่ข้อกำหนดจากภายนอก การทำให้เป็นมาตรฐานจึงไม่มีจุดยึดในทางเทคนิค การขอให้สองบริษัทใช้ตารางคำศัพท์เดียวกันก็เท่ากับขอให้ใช้โมเดลเดียวกัน บริษัทเดียวกันเมื่อเปลี่ยนรุ่นก็อาจเปลี่ยน tokenizer แบบจำลองต้นทุนที่สร้างเมื่อปีที่แล้วปีนี้อาจไม่แม่นแล้ว และจะไม่มีข้อความแจ้งข้อผิดพลาดใด ๆ

### ใช้ tiktoken ประมาณการใช้งานของ Claude ได้ไหม?

ไม่แนะนำ tiktoken เป็น tokenizer ของ OpenAI ถ้านำมาใช้กับ Claude จะได้ค่าต่ำกว่าจริงราว 15% ถึง 20% และกับภาษาจีนและโค้ดจะคลาดมากกว่านั้น ถ้าต้องการตัวเลขที่แม่นยำมีวิธีเดียว คือวัดด้วย tokenizer ของโมเดลนั้นเอง ฝั่ง Anthropic คือ endpoint count_tokens และตอนเรียกต้องระบุรหัสโมเดลที่จะใช้จริง

### ทำไมบทสนทนายิ่งยาวยิ่งแพง?

เพราะตัวโมเดลไม่มีความจำ ทุกรอบต้องส่งประวัติทั้งหมดก่อนหน้าไปใหม่ คำว่า “โอเค” ที่คุณพิมพ์ในรอบที่ยี่สิบ ที่ถูกคิดเงินจริงคือข้อความทั้งหมดของสิบเก้ารอบก่อนหน้าถูกนับเป็นอินพุตอีกครั้ง ต้นทุนจึงเพิ่มใกล้เคียงกำลังสอง ไม่ใช่เส้นตรง ผลที่ตามมาคือ system prompt เป็นต้นทุนคงที่ที่ถูกคิดซ้ำทุกรอบ ไม่ใช่จ่ายครั้งเดียวตอนเริ่มแล้วจบ และ prompt caching ก็มีไว้เพื่อลดส่วนนี้

### โมเดลที่ราคาต่อหน่วยถูกกว่าจะประหยัดกว่าเสมอไหม?

ไม่เสมอไป ประสิทธิภาพ token ของภาษาจีนขึ้นอยู่กับว่าโมเดลนั้นฝึกด้วยข้อมูลภาษาจีนมากแค่ไหน ข้อความภาษาจีนเดียวกันบนโมเดลของผู้ให้บริการต่างรายอาจได้จำนวน token ต่างกันเกินสองเท่า และเรื่องนี้มองไม่เห็นเลยจากตารางราคา โมเดลที่ประสิทธิภาพ token ภาษาจีนแย่กว่า 30% ต่อให้ราคาต่อหน่วยถูกกว่า 20% ก็ยังแพงกว่าอยู่ดี ถ้าจะเทียบราคา ต้องใช้ตัวอย่างชุดเดียวกันวัดด้วย tokenizer ของแต่ละราย

คำสำคัญของบทความนี้: token AI คืออะไร, token คืออะไร, 1 token กี่คำ, tokenizer, BPE, ต้นทุน AI, ราคา LLM, prompt caching, count_tokens

แหล่งที่มา: บทความต้นฉบับภาษาจีนเผยแพร่ครั้งแรก: 2026-09-15; ปรับปรุงต้นฉบับล่าสุด: 2026-09-15. ราคาเป็นราคาอ้างอิงของ API ทางการของ Anthropic ณ กลางปี 2026 และอาจเปลี่ยนแปลงได้ เกณฑ์การแปลงคร่าว ๆ ในบทความครอบคลุมเฉพาะข้อความภาษาอังกฤษและภาษาจีน