02. පරිගණක මූලධර්මවල සිට උත්පාදක AI දක්වා: වසර 70ක භාෂා බාධකය බිඳවැටීම

ප්‍රධාන තේමාව: වසර හැත්තෑවක් තිස්සේ මිනිසා පරිගණකයේ භාෂාව (කේතකරණය) ඉගෙන ගත්තේය. අද පරිගණකය මිනිසාගේ ස්වභාවික භාෂාව ඉගෙන ගෙන ඇත. මෙම සංක්‍රාන්තිය පරිපාලන ලෝකයේ සහ මානව ඉතිහාසයේ විශාලතම තාක්ෂණික බාධකය බිඳ දමා තිබේ.

1. පරිගණකයක භෞතික යථාර්ථය: එකයි බිංදුවයි (1 and 0)

කෘත්‍රිම බුද්ධියේ සැබෑ බලය තේරුම් ගැනීමට නම්, කිසිදු තාක්ෂණික පසුබිමක් නොමැති අයෙකුට වුවද පරිගණකයක් සැබවින්ම ක්‍රියාත්මක වන මූලික භෞතික යාන්ත්‍රණය වටහා ගැනීම ඉතා පහසුය.

ඔබ කඩයකට ගොස් ස්මාර්ට් ජංගම දුරකථනයක් හෝ ලැප්ටොප් පරිගණකයක් මිලදී ගන්නා අවස්ථාවක් මෙනෙහි කරන්න. ඔබ නොදැනුවත්වම එහි වෙළෙන්දාගෙන් විමසන්නේ තාක්ෂණික පිරිවිතරයන් (Specifications) කිහිපයකි: * "මේකෙ ඩිස්ප්ලේ (Display) එක කොහොමද? කැමරාව (Camera) කොහොමද?" — කැමරාව යනු ආදාන උපාංගයකි (Input Device); ඩිස්ප්ලේ එක යනු ප්‍රතිදාන උපාංගයකි (Output Device). * "මේකෙ මෙමරි (RAM) එක කොච්චරද? හාඩ් ඩිස්ක් එක (Storage) කොච්චරද?" — තාවකාලික මතකය සහ ස්ථිර මතකයයි. * "මේකෙ ප්‍රොසෙසර් එක (CPU) ඉන්ටෙල් ද? කෝර් අයි සෙවන් ද?" — පරිගණකයේ මොළය හෙවත් මධ්‍යම සැකසුම් ඒකකයයි.

රූපය 2.1: පරිගණකයක මූලික පද්ධති නිර්මාණ සැලැස්ම (Von Neumann Architecture) — ආදාන උපාංග (Input Devices), මධ්‍යම සැකසුම් ඒකකය (CPU), ප්‍රාථමික මතකය (RAM/ROM), ස්ථිර ගබඩාව (SSD/Storage) සහ ප්‍රතිදාන උපාංග (Output Devices).

රූපය 2.1 හි පද්ධති ව්‍යුහය සහ දෘඩාංග සංරචක:

1. ආදාන උපාංග සහ ආදාන බසය (Input Devices & Bus): යතුරුපුවරුව, පරිලෝකන යන්ත්‍ර (Scanners), කැමරා සහ ජෛවමිතික ස්කෑනර් මගින් මිනිස් විධාන හෝ භෞතික දත්ත විද්‍යුත් සංඥා බවට හරවා පද්ධතියට ලබා දීම.
2. මධ්‍යම සැකසුම් ඒකකය (CPU): පරිගණකයේ ප්‍රධාන ගණනය කිරීම් සහ විධාන ක්‍රියාත්මක කිරීමේ ඒකකයයි (Arithmetic Logic Unit & Control Unit). උපදෙස් ලබා ගැනීම (Fetch), විකේතනය (Decode), සහ ක්‍රියාත්මක කිරීම (Execute) යන චක්‍රය අඛණ්ඩව සිදු කරයි.
3. ප්‍රාථමික මතකය (Memory - RAM & ROM): * RAM (Random Access Memory): ක්‍රියාත්මක වන වැඩසටහන් තාවකාලිකව රඳවා ගන්නා අධිවේගී මතකයයි. විදුලිය විසන්ධි වූ විට මෙහි දත්ත මැකී යයි (Volatile). * ROM (Read-Only Memory): පරිගණකය පණගැන්වීමට (Booting) අවශ්‍ය මූලික උපදෙස් ස්ථිරව ගබඩා කර ඇති චිපයයි.
4. ද්විතීයික ගබඩාව (Storage - SSD / HDD): ලිපිගොනු, දත්ත සමුදායන් (Databases) සහ මෙහෙයුම් පද්ධතිය ස්ථිරව සුරකින ගබඩාවයි.
5. පද්ධති දත්ත සහ ලිපින බස් (Data, Address & Control Buses): CPU එක, මතකය සහ ගබඩාව අතර තත්පරයකට බයිට් බිලියන ගණනින් දත්ත හුවමාරු කරන විද්‍යුත් මාවත්.
6. ප්‍රතිදාන උපාංග (Output Devices): පරිගණක තිරය (Display), මුද්‍රණ යන්ත්‍ර (Printers) හරහා ප්‍රතිඵල නැවත පරිශීලකයා වෙත පෙන්වීම.

මෙම සම්භාව්‍ය ආකෘතියේ ඇති සීමාව වන්නේ CPU එක විසින් උපදෙස් ක්‍රියාත්මක කරන්නේ පියවරෙන් පියවර (Sequential Processing) වීමයි. AI සඳහා මෙයට වඩා හාත්පසින්ම වෙනස් වූ, එකවර ගණනය කිරීම් ලක්ෂ ගණනක් කළ හැකි සමාන්තර චිප්ස් (Parallel GPUs) අවශ්‍ය වන්නේ ඒ නිසාය.

2. මෙහෙයුම් පද්ධතිය (OS): මිනිසා සහ සිලිකන් චිපය අතර පළමු පාලම

සාමාන්‍ය මිනිසෙකුට පරිගණකය සමග 1 සහ 0 වලින් සංවාද කළ නොහැක. ඒ සඳහා අප දන්නේද නැත; එය අතිශය වෙහෙසකරය. එබැවින්, මෙම සංකීර්ණ දෘඩාංගයෙන් සාමාන්‍ය මිනිසාට වැඩක් කරවා දීම සඳහා පරිගණකය මත ධාවනය වන විශේෂිත සංකීර්ණ මෘදුකාංගයක් නිර්මාණය විය. ඒ මෙහෙයුම් පද්ධතියයි (Operating System - OS).

රූපය 2.2: මෙහෙයුම් පද්ධතියක මූලික ස්ථර — භෞතික දෘඩාංග (Hardware), OS කර්නලය (Kernel), පද්ධති පුස්තකාල (APIs), විධාන අතුරුමුහුණත් (Shells) සහ පරිශීලක මෘදුකාංග (Applications).

රූපය 2.2 හි මෙහෙයුම් පද්ධති ස්ථර විග්‍රහය:

1. භෞතික දෘඩාංග (Physical Hardware): Motherboard, CPU, RAM, SSD/HDD, යතුරුපුවරුව සහ තිරය.
2. මෙහෙයුම් පද්ධති කර්නලය (OS Kernel): * ක්‍රියාවලි කළමනාකරු (Process Manager): එකවර ක්‍රියාත්මක වන සිය ගණනක් වූ වැඩසටහන් අතර CPU කාලය බෙදා දීම. * මතක කළමනාකරු (Memory Manager): විවිධ මෘදුකාංග එකිනෙක ගැටීමකින් තොරව RAM මතකය නිසි ලෙස පරිහරණය කිරීම සහතික කිරීම. * ගොනු පද්ධතිය (File System): ගබඩා මාධ්‍යයේ ඇති දත්ත ෆෝල්ඩර සහ ලිපිගොනු ලෙස සංවිධානය කිරීම. * උපාංග ධාවක (Device Drivers): දෘඩාංග චිප්ස් සමග කර්නලය සෘජුව ගනුදෙනු කරන පාලක මෘදුකාංග. * පද්ධති ඇමතුම් අතුරුමුහුණත (System Call Interface - Syscalls): පරිශීලක මෘදුකාංගවලට සෘජුව දෘඩාංග විනාශ කළ නොහැකි වන පරිදි, ආරක්‍ෂිතව කර්නලයෙන් සේවා ලබා ගැනීමට ඇති ආරක්‍ෂිත පවුර.
3. පද්ධති පුස්තකාල සහ APIs (System Libraries & APIs): සම්මත POSIX හෝ C Runtime පුස්තකාල හරහා මෘදුකාංග නිර්මාණකරුවන්ට පොදු පහසුකම් සැලසීම.
4. විධාන සහ පරිශීලක අතුරුමුහුණත් (Shell & Command Interfaces): පරිශීලකයා විධාන ලබා දෙන Bash/Zsh ටර්මිනල් (CLI) හෝ Windows/Desktop GUI පරිසරය.
5. පරිශීලක යෙදුම් (User Applications): අප එදිනෙදා භාවිත කරන Chrome, Word, Excel සහ රාජ්‍ය මෘදුකාංග පද්ධති.

ඔබ පරිගණකයක් ගන්නා විට Windows තිබේදැයි බලන්නේත්, ජංගම දුරකථනයක් ගන්නා විට Android හෝ Apple iOS තිබේදැයි බලන්නේත් ඒ නිසාය.

රූපය 2.3: Windows NT Architecture සහ Android Architecture — Desktop සහ Mobile මෙහෙයුම් පද්ධති දෙකක් තුළ දෘඩාංග සහ මෘදුකාංග අතර වියුක්තන බාධකය (Abstraction) කළමනාකරණය වන ආකාරය සංසන්දනය කිරීම.

රූපය 2.3: Windows NT එදිරිව Android Architecture සංසන්දනය:

• Windows NT පද්ධති නිර්මාණ සැලැස්ම (Desktop):
• පරිශීලක යෙදුම් (Win32, UWP, Web Apps).
• Win32 Subsystem & APIs (kernel32.dll, user32.dll, ntdll.dll).
• Windows NT Kernel & Executive (Process Manager, Virtual Memory, I/O Manager).
• Hardware Abstraction Layer (HAL): x86/x64 මවුපුවරු වෙනස්කම්වලින් කර්නලය මුදාහල ආරක්‍ෂිත ස්ථරය.
• Android පද්ධති නිර්මාණ සැලැස්ම (Mobile):
• පරිශීලක යෙදුම් (Kotlin / Java Apps).
• Java API Framework (Activity Manager, Window Manager, Content Providers).
• Android Runtime (ART) සහ Native C/C++ Libraries (Bionic libc, SurfaceFlinger, Vulkan).
• Hardware Abstraction Layer (HAL Modules: Camera, Audio, Sensors).
• Linux Kernel (Binder IPC, Power Management Drivers) සහ ARM SoC දෘඩාංග.

රාජ්‍ය තාක්ෂණික නිලධාරීන්ට මෙයින් ලැබෙන පාඩම: ජංගම දුරකථනයක් සහ පරිගණකයක් ක්‍රියාත්මක වන්නේ සම්පූර්ණයෙන්ම වෙනස් මෙහෙයුම් පරිසරයන් දෙකක් තුළ බැවින්, රාජ්‍ය ඩිජිටල් සේවාවන් වේදිකාවලට සීමා නොවූ (Platform-neutral) වෙබ් සහ විවෘත API හරහා ගොඩනැගීමේ අවශ්‍යතාවය මෙයින් පැහැදිලි වේ.

3. ක්‍රමලේඛන භාෂා, කම්පයිලර් සහ වසර 70ක කේත බාධකය

මෙහෙයුම් පද්ධතියක් තිබූ පමණින් පරිගණකයකට අපට අවශ්‍ය විශේෂිත කාර්යාලීය කාර්යයන් තනිවම කළ නොහැක. උදාහරණයක් ලෙස, රජයේ සේවකයින්ගේ මාසික වැටුප ගණනය කිරීම, ඉඩම් හිමිකම් ලියාපදිංචි කිරීම හෝ විශ්‍රාම වැටුප් ගණනය කිරීම සඳහා පරිගණකයට පියවරෙන් පියවර උපදෙස් මාලාවක් (ඇල්ගොරිතමයක්) දිය යුතුය.

ඒ සඳහා ක්‍රමලේඛන භාෂා (Programming Languages) බිහි විය: Fortran, COBOL, C, C++, Java, Python යනාදී වශයෙනි.

රූපය 2.4: ක්‍රමලේඛන භාෂාව — මිනිස් තර්කනය සහ පරිගණක ද්විමය සංඥා (Binary 0 and 1) අතර වියුක්තන පවුර (Abstraction Barrier).

මිනිස් මනසේ ඇති ප්‍රතිපත්ති, සංකල්ප සහ තර්කනය (Human Thought & Logic) කෙළින්ම පරිගණකයේ සිලිකන් චිපයට තේරෙන්නේ නැත. එම පරතරය පියවීම සඳහා නිශ්චිත ව්‍යාකරණ (Syntax) සහ ගැටලු විසඳීමේ ව්‍යුහයන් (Loops, Functions) සහිත ක්‍රමලේඛන භාෂා භාවිත විය.

රූපය 2.5: සම්පාදකයක (Compiler) පියවරෙන් පියවර ක්‍රියාවලිය — ප්‍රභව කේතයේ සිට මැෂින් කේතය (Binaries) දක්වා.

රූපය 2.5 හි සම්පාදක (Compiler) ක්‍රියාවලි අදියර:

1. ප්‍රභව කේත ආදානය (Source Code Input): මිනිසා විසින් C++, Java හෝ Python වැනි භාෂාවකින් ලියන ලද පෙළ කේතය.
2. ලෙක්සිකල් විශ්ලේෂණය (Lexer / Tokenizer): කේතයේ ඇති සෑම අකුරක්ම පරීක්ෂා කර වදන්, විරාම ලකුණු සහ විධාන වෙන් කර ටෝකන (Tokens) බවට පත් කිරීම.
3. ව්‍යාකරණ විග්‍රහය (Parser): නීතිරීතිවලට අනුකූලදැයි බලා සින්ටැක්ස් දෝෂ (Syntax Errors) ඇත්නම් පෙන්වා දීම.
4. වියුක්ත සින්ටැක්ස් ගස (Abstract Syntax Tree - AST) සහ අතරමැදි කේතය: වැඩසටහනේ තාර්කික ගලායාම ගසක අතු මෙන් ව්‍යුහගත කිරීම.
5. කේත උත්පාදනය (Code Generator): අවසානයේ පරිගණක දෘඩාංගයට සෘජුව ධාවනය කළ හැකි ද්විමය මැෂින් කේතය (Executable Binary 0s & 1s) නිර්මාණය කිරීම.

4. ඓතිහාසික විප්ලවය: කේතකරණයේ සිට සංවාදය දක්වා (From Code to Conversation)

2022 වසරේ අගභාගයේදී ChatGPT කරලියට පැමිණීමත් සමග බිඳ වැටුණේ මෙම වසර 70ක බාධකයයි!

රූපය 2.6: From Code to Conversation — සංකීර්ණ කේතකරණ භාෂා වෙනුවට මිනිසාගේ ස්වභාවික භාෂාව (Natural Language) පරිගණකයේ නව මෙහෙයුම් අතුරුමුහුණත බවට පත්වීම.

දැන් පරිගණකයට කතා කිරීම සඳහා ඔබ C++ හෝ Python ඉගෙන ගත යුතු නැත. ඔබට අවශ්‍ය දේ ඔබේම මව්බසින් — සිංහලෙන්, දෙමළෙන් හෝ ඉංග්‍රීසියෙන් — පරිගණකයට පැහැදිලි කළ හැක.

උත්පාදක AI (Generative AI) මගින් පරිගණකය මිනිසාගේ ස්වභාවික භාෂාව තේරුම් ගන්නා තත්ත්වයට පත් කර ඇත. ක්‍රමලේඛකයෙකුට පමණක් සීමා වී තිබූ පරිගණක බලය, අද ප්‍රාදේශීය ලේකම් කාර්යාලයේ සාමාන්‍ය කළමනාකරණ සහකාරවරයාගේ සහ ග්‍රාම නිලධාරීවරයාගේ අතට පත්ව ඇත්තේ ඒ අයුරිනි.

5. සාම්ප්‍රදායික AI (Traditional AI) එදිරිව උත්පාදක AI (Generative AI)

මෙහිදී අප තේරුම් ගත යුතු මූලික වෙනසක් තිබේ: AI කියන එකයි Generative AI කියන එකයි එකක් නොව දෙකකි.

රූපය 2.7: Traditional AI එදිරිව Generative AI — පවතින දත්ත වර්ගීකරණය සහ පුරෝකථනය (Analytical AI) වෙනුවට නව අන්තර්ගතයන් සහ තර්කනය උත්පාදනය කිරීම (Generative AI).

රූපය 2.7 හි තාක්ෂණික පදනම සහ වෙනස:

1. පොදු තාක්ෂණික පදනම (Shared Foundation Stack): සම්ප්‍රදායික AI සහ උත්පාදක AI යන දෙකම ගොඩනැගී ඇත්තේ යන්ත්‍ර ඉගෙනුම (Machine Learning), ගැඹුරු ඉගෙනුම් ජාල (Deep Learning) සහ දැවැන්ත දත්ත සමුදායන් (Large Datasets) මතය.
2. සාම්ප්‍රදායික / විශ්ලේෂණාත්මක AI (Traditional / Analytical AI): * ප්‍රධාන අරමුණ: පවතින දත්ත කියවා, විග්‍රහ කර, වර්ගීකරණයක් (Classification) හෝ පුරෝකථනයක් (Prediction) ලබා දීම. * ප්‍රධාන හැකියාවන්:
   • දත්ත විශ්ලේෂණය සහ පුරෝකථනය (Data Analysis & Forecasting): ඉදිරි මාසයේ බදු ආදායම, අස්වැන්න හෝ ඩෙංගු රෝගීන් සංඛ්‍යාව පෙරදැකීම.
   • වර්ගීකරණය සහ රටා හඳුනාගැනීම (Classification & Pattern Matching): වංචනික ලේඛන හඳුනාගැනීම, විද්‍යුත් තැපෑල Spam ලෙස වෙන් කිරීම, රියදුරු බලපත්‍ර ඡායාරූප සැසඳීම.
   • දත්ත ටැග් කිරීම (Content Tagging): ලිපිගොනු සහ වාර්තාවලට ස්ථාවර වර්ගීකරණ ටැගයන් යෙදීම.
   • ප්‍රතිදානය (Output): නිශ්චිත අගයක්, ලේබලයක් හෝ සම්භාවිතා ප්‍රතිශතයක් (උදා: "මෙම ගනුදෙනුව වංචාවක් වීමේ සම්භාවිතාව 92% කි").
3. උත්පාදක AI (Generative AI): * ප්‍රධාන අරමුණ: පුහුණු දත්තවල රටාවන් සංස්ලේෂණය කරමින් (Synthesis Engines), මීට පෙර ලෝකයේ නොතිබූ මුළුමනින්ම අලුත් මුල් අන්තර්ගතයන් (Net-new Content) නිර්මාණය කිරීම. * ප්‍රධාන හැකියාවන්:
   • පෙළ සහ කේත සංස්ලේෂණය (Code & Text Synthesis): චක්‍රලේඛ කෙටුම්පත්, නීතිමය උපදෙස් සහ පරිගණක මෘදුකාංග කේත අලුතෙන්ම ලිවීම.
   • ශ්‍රව්‍ය සහ දෘශ්‍ය උත්පාදනය (Audio & Image Generation): හඬ කැවීම්, නිදර්ශන චිත්‍ර සහ වීඩියෝ උත්පාදනය.
   • තර්කන සහ ක්‍රියාවලි සංස්ලේෂණය (Logic & Process Synthesis): ගැටලුවක් විසඳීම සඳහා බහු-පියවර සැලසුම් සහ තර්කන දාමයන් ස්වයංක්‍රීයව සැකසීම.

රූපය 2.8: උත්පාදක AI හි සම්පූර්ණ හැකියාවන් සිතියම — ක්ෂේත්‍ර 12ක විප්ලවය (A Comprehensive Map of Gen AI Capabilities)

උත්පාදක AI යනු හුදෙක් කාර්යාල ලිපියක් ලියා දෙන සරල මෙවලමක් පමණක් නොවේ. රූපය 2.8 හි දැක්වෙන්නේ ගෝලීය කර්මාන්ත සහ රාජ්‍ය පාලනය පරිවර්තනය කරන ප්‍රධාන ක්ෂේත්‍ර 12ක් පුරා විහිදුනු එහි අතිවිශාල හැකියාවන් ජාලයයි:

රූපය 2.8: උත්පාදක AI හි පූර්ණ විෂය පථය — ගෝලීය කර්මාන්ත සහ රාජ්‍ය පාලනය ආවරණය වන ප්‍රධාන ක්ෂේත්‍ර 12 (Comprehensive Capability Map).

1. පෙළ, දැනුම සහ භාෂා පරිවර්තනය (Text, Knowledge & Translation): * ස්වාධීන බහු-ලේඛන පර්යේෂණය (Autonomous Multi-Document Research): විවිධ ආකෘතිවලින් ඇති දහස් ගණනක් වූ චක්‍රලේඛ, වාර්තා සහ කැබිනට් තීන්දු එකවර කියවා නිවැරදි සාරාංශ සැකසීම. * සංස්කෘතික පරිවර්තනය සහ දේශීයකරණය (Cross-Cultural Translation & Locality): වචනයෙන් වචනය පරිවර්තනය කිරීම වෙනුවට භාෂාවේ සංස්කෘතික හා දේශීය අර්ථය සුරකිමින් අදහස සම්ප්‍රේෂණය කිරීම. * ශෛලිය හැඩගැස්වීම සහ ස්වරය වෙනස් කිරීම (Stylectomy & Voice Transfer): එකම කරුණ ගැසට් පත්‍රයක නීතිමය භාෂාවට හෝ සාමාන්‍ය ගම්වැසියාට තේරෙන සරල සුහද භාෂාවට ක්ෂණිකව හැරවීම.
2. දෘශ්‍ය සහ නිර්මාණශීලී මාධ්‍ය (Visual & Creative Media): * දර්ශන-සංයුක්ත උත්පාදනය (Scene-Integrated Generation): ආලෝකය සහ දෘෂ්ටිකෝණය නිවැරදිව ගළපමින් මහජන දැනුවත් කිරීමේ දෘශ්‍ය නිර්මාණ සැකසීම. * දීර්ඝ වීඩියෝ නිෂ්පාදනය (Long-form Video Production): එකම චරිත සහ පරිසර අඛණ්ඩතාව පවත්වා ගනිමින් අධ්‍යාපනික වීඩියෝ සම්පාදනය. * ත්‍රිමාණ (3D) සහ VR පරිසර නිර්මාණය: පෙළ විමසුමකින් නගර සැලසුම් හෝ පුරාවිද්‍යා ස්ථානවල ත්‍රිමාණ අතථ්‍ය ආකෘති නිර්මාණය. * අන්තර්ක්‍රියාකාරී ඉදිරිපත් කිරීම් (Interactive Presentation Experiences): සභාවේ ප්‍රතිචාර මත තත්‍ය කාලීනව වෙනස් වන දේශන තිර.
3. නියෝජිත මෙහෙයුම් සහ ස්වයංක්‍රීය ක්‍රියාකාරිත්වය (Agentic & Executive Operations): * සමස්ත කාර්යයේ පූර්ණ හිමිකාරිත්වය (End-to-End Task Ownership): මානව මැදිහත්වීමකින් තොරව රාජ්‍ය මිලදී ගැනීම් (Procurement) හෝ ගෙවීම් පද්ධති පරිගණක API හරහා ස්වයංක්‍රීයව නිම කිරීම. * බහු-වේදිකා සම්බන්ධීකරණය (Multi-Platform Coordination): වෙබ් අඩවි, දත්ත ගබඩා සහ ඊමේල් අතර එකවර සැරිසරමින් කටයුතු නිම කිරීම. * ස්වයං-දියුණු වන කාර්ය ප්‍රවාහයන් (Self-Improving Workflows): වැරදීමක් සිදුවූ විට එය ස්වයංක්‍රීයව විශ්ලේෂණය කර තම ප්‍රොම්ප්ට් එක නිවැරදි කරගැනීම. * අඛණ්ඩ මතකය සහ දිගුකාලීන සැලසුම්කරණය (Persistent Memory & Long-Horizon Planning): මාස ගණනක් පුරා දිවෙන රාජ්‍ය ව්‍යාපෘතියක සියලු තොරතුරු මතක තබා ගනිමින් පියවරෙන් පියවර මෙහෙයවීම. * ස්වයං-විගණනය සහ තහවුරු කිරීම (Self-Verification & Auto-Judging): ප්‍රතිඵලය නිලධාරියා වෙත දීමට පෙර තමන්ම අභ්‍යන්තර විගණනයක් සිදු කර නිවැරදි බව තහවුරු කරගැනීම. * නියෝජිතයන් අතර සහයෝගීතාවය (Inter-Agent Collaboration - MAGS): මූල්‍ය AI, නීතිමය AI සහ පරිපාලන AI එකිනෙකා අතර සාකච්ඡා කරමින් ලිපිගොනු විසඳීම.
4. කේත සහ තාක්ෂණික පද්ධති (Code & Technical Artifacts): * පූර්ණ මෘදුකාංග සංවර්ධන නියෝජිතයන් (Full-Stack Dev Agents): මෘදුකාංග ලිවීම, පරීක්ෂා කිරීම (Testing) සහ ක්ලවුඩ් පරිසරයට මුදාහැරීම ස්වයංක්‍රීයව කිරීම. * AI-ස්වදේශික පද්ධති නිර්මාණ සැලසුම් (AI-Native Architecture Design): පරිගණක සම්පත් උපරිම කාර්යක්ෂමතාවයෙන් භාවිත වන පරිදි පද්ධති සැලසුම් කිරීම. * ස්වයංක්‍රීය දෝෂ සෙවීම සහ පැච් යෙදීම (Bug Detection & Patching): ආරක්ෂක හිඩැස් සොයාගෙන ක්ෂණිකව පිළියම් යෙදීම. * පැරණි කේත නවීකරණය (Legacy Code Revitalization): දශක ගණනාවක් පැරණි COBOL හෝ Java පද්ධති නවීන ක්ලවුඩ් පද්ධති බවට කිසිදු බිඳවැටීමකින් තොරව ප්‍රතිව්‍යුහගත කිරීම. * අභිලාෂ-පාදක යටිතල පහසුකම් (Intent-Driven Infrastructure): සරල ඉංග්‍රීසි හෝ සිංහල වාක්‍යයකින් සම්පූර්ණ ක්ලවුඩ් සේවාදායක ජාල ස්වයංක්‍රීයව නිර්මාණය කිරීම.
5. ව්‍යාපාර, ප්‍රතිපත්ති සහ උපායමාර්ග (Business, Policy & Strategy): * පුද්ගලාරෝපිත පුරවැසි සන්නිවේදනය (Hyper-Personalized Sequences): සෑම පුරවැසියෙකුටම තම අවශ්‍යතාවයට ගැළපෙන නිල දැනුම්දීම් යැවීම. * අවදානම් සමාකරණය සහ කැබිනට් සැලසුම්කරණය (Risk Simulation & Stress-Testing): ආර්ථික අර්බුද, විදේශ විනිමය කම්පන හෝ වරාය වැඩවර්ජන හමුවේ රජය ගත යුතු තීන්දු ලක්ෂ ගණනක් වූ විකල්ප ඔස්සේ පූර්ව-පරීක්ෂා කිරීම. * පෙරහුරු නීතිමය විගණනය (Proactive Compliance & Legal Auditing): නව ගැසට් පත්‍ර සහ නීති සංශෝධන සජීවීව නිරීක්ෂණය කරමින් රාජ්‍ය ආයතනවල රෙගුලාසි ස්වයංක්‍රීයව යාවත්කාලීන කිරීම. * සැපයුම් දාම ප්‍රශස්තකරණය (Supply Chain Optimization): ඉන්ධන, ඖෂධ සහ ආහාර බෙදාහැරීමේ මාර්ග ආපදා තත්ත්වයන්ට අනුව තත්‍ය කාලීනව වෙනස් කිරීම.
6. උසස් විද්‍යාව සහ ද්‍රව්‍ය සොයාගැනීම් (Advanced Science & Material Discovery): * අණුක සංස්ලේෂණය (Generative Molecular Synthesis): නව ඖෂධ සහ ප්‍රෝටීන නිර්මාණය කිරීම. * නව ද්‍රව්‍ය පරමාණුක සැලසුම් (Material Lattice Design): කාර්යක්ෂම සූර්ය කෝෂ සහ බැටරි සඳහා නව ද්‍රව්‍ය නිර්මාණය. * ස්වයංක්‍රීය උපකල්පන ගොඩනැගීම (Automated Hypothesis Generation): විද්‍යාත්මක පර්යේෂණ පත්‍රිකා මිලියන ගණනක් කියවා නව විද්‍යාත්මක සොයාගැනීම් යෝජනා කිරීම. * ක්ෂුද්‍ර කාලගුණ අනාවැකි (Hyper-Local Climate Simulation): ගංවතුර හෝ සුළි සුළං තත්ත්වයන් ඉතා නිවැරදිව පූර්ව නිගමනය කිරීම.
7. අධ්‍යාපනය සහ මානව සම්පත් සංවර්ධනය (Education & Personalized Mentorship): * සොක්‍රටීස්වාදී ඉගැන්වීම් උපදේශකත්වය (Socratic Tutoring): ශිෂ්‍යයාගේ වේගය සහ චින්තනය අනුව පෞද්ගලිකව මඟ පෙන්වන ඩිජිටල් ගුරුවරුන්. * ස්වයංක්‍රීය විෂය නිර්දේශ සම්පාදනය (Automated Curriculum Creation): ප්‍රදේශයේ පරිසරයට ගැළපෙන පෙළපොත් සහ අභ්‍යාස සැකසීම. * AI-පාදක ලකුණු ලබා දීම සහ පූර්ව මැදිහත්වීම (AI Grading & Early Intervention): ශිෂ්‍යයා විභාග අසමත් වීමට පෙරම ඉගෙනුම් දුර්වලතා හඳුනාගෙන පිළියම් යෙදීම. * ගිලී යන VR ඉගෙනුම (Immersive VR Learning): ඓතිහාසික සිදුවීම් හෝ අභ්‍යවකාශය අතථ්‍යව අත්විඳිමින් ඉගෙනීම.
8. සෞඛ්‍ය සහ වෛද්‍ය සේවාව (Healthcare & Precision Medicine): * වෛද්‍ය රූප විග්‍රහය (Medical Imaging Diagnosis): X-ray සහ MRI ස්කෑන් වාර්තාවල ඇති රෝග ලක්ෂණ තත්පරයකින් හඳුනා ගැනීම. * පෞද්ගලීකරණය කළ ප්‍රතිකාර සැලසුම් (Personalized Treatment Plans): රෝගියාගේ ජාන දත්ත සහ ඉතිහාසය මත පදනම්ව ඖෂධ මාත්‍රාව තීරණය කිරීම. * සායනික සටහන් ස්වයංක්‍රීයකරණය (Clinical Scribe Automation): වෛද්‍යවරයා රෝගියා සමග කතා කරන අතරතුර වෛද්‍ය වාර්තාව ස්වයංක්‍රීයව ලියැවීම. * රෝගී තත්ත්ව වර්ගීකරණය (Patient Symptom Triage): රෝහල් හදිසි අනතුරු අංශයට එන රෝගීන්ගේ බරපතලකම අනුව කඩිනම් පෝලිම් කළමනාකරණය.
9. භෞතික රොබෝ තාක්ෂණය සහ අවතාර බුද්ධිය (Embodied AI & Physical Robotics): * ස්වයංක්‍රීය චාලක පාලනය (Zero-Shot Motor Control): මීට පෙර නොදුටු පරිසරයක වුවද රොබෝවරුන් ස්වාධීනව ගමන් කිරීම සහ භාණ්ඩ හැසිරවීම. * දෘශ්‍ය-චාලක නිරවද්‍යතාව (Visuomotor Policy Generation): ඉතා සියුම් ශල්‍යකර්ම හෝ එකලස් කිරීම් සඳහා කැමරා දත්ත චාලක චලනයන් බවට හැරවීම. * ඩිජිටල් නිවුන් ආකෘති (Sim-to-Real Mastery): අතථ්‍ය පරිගණක ලෝකයක රොබෝවරුන් පුහුණු කර සැබෑ ලෝකයට මුදාහැරීම. * ද්විපාද මානව රූපී සමතුලිතතාව (Humanoid Coordination): කර්මාන්තශාලා හෝ ගබඩාවල බර ඉසිලීමට මිනිස් රූපී රොබෝවරුන් යෙදවීම.
10. සයිබර් ආරක්ෂාව සහ කෘත්‍රිම ප්‍රතිරෝධය (Cybersecurity & Synthetic Defense):
    • උත්පාදක රතු කණ්ඩායම් ප්‍රහාර (Generative Red Teaming): රාජ්‍ය පද්ධතිවල ආරක්ෂාව පරීක්ෂා කිරීමට AI මගින්ම ආරක්ෂිතව ප්‍රහාර එල්ල කර දුර්වලතා හඳුනා ගැනීම.
    • බහුරූපී ආරක්ෂාව (Polymorphic Defense): හැකර්වරුන්ට පහර දිය නොහැකි වන පරිදි පද්ධති කේත සහ යතුරු නිරන්තරයෙන් ස්වයංක්‍රීයව වෙනස් කිරීම.
    • ඩීප්ෆේක් හඳුනාගැනීම සහ මූලාශ්‍ර තහවුරු කිරීම (Deepfake Detection & Provenance): ව්‍යාජ හඬපට, වීඩියෝ සහ ලේඛන විද්‍යාත්මකව හඳුනාගැනීම.
    • තර්ජන බුද්ධි සංස්ලේෂණය (Threat Intelligence Synthesis): අඳුරු වෙබය (Dark Web) පීරා රාජ්‍ය යටිතල පහසුකම්වලට එරෙහි ප්‍රහාර කලින් දැනුම් දීම.
11. මූල්‍ය සහ උපායමාර්ගික ආර්ථික සමාකරණය (Finance & Economic Simulation):
    • කළු හංස අවදානම් පරීක්ෂාව (Black Swan Stress-Testing): දැවැන්ත ගෝලීය මූල්‍ය කඩාවැටීම් හෝ ආර්ථික සම්බාධක හමුවේ ජාතික ආර්ථිකයේ ඔරොත්තු දීමේ හැකියාව පරීක්ෂා කිරීම.
    • පුද්ගලාරෝපිත ධන හා විශ්‍රාම සැලසුම්කරණය (Hyper-Personalized Wealth Architecture): විශ්‍රාම වැටුප් සහ සමාජ ආරක්ෂණ ජාල එක් එක් පුරවැසියාගේ ආදායමට ගැළපෙන සේ හැඩගැස්වීම.
    • නියාමන ස්වයංක්‍රීය සංස්ලේෂණය (Automated Regulatory Synthesis): ජාත්‍යන්තර මූල්‍ය රෙගුලාසි (FATF, IMF) වෙනස් වන විට අභ්‍යන්තර නීති ක්ෂණිකව යාවත්කාලීන කිරීම.
12. විනෝදාස්වාදය, සංස්කෘතිය සහ අවකාශීය යථාර්ථය (Entertainment & Spatial Reality):
    • NeRF තාක්ෂණය ඔස්සේ ත්‍රිමාණ සංරක්ෂණය: ඡායාරූප කිහිපයකින් ඓතිහාසික සිද්ධස්ථාන සම්පූර්ණ 3D පරිසරයන් ලෙස සංරක්ෂණය කිරීම.
    • අන්තර්ක්‍රියාකාරී කතාන්දර එන්ජින් (Interactive Narrative Engines): පුරවැසියාගේ විමසීම් අනුව සජීවීව වෙනස් වන තොරතුරු සන්නිවේදනය.
    • හඬ සහ පෞරුෂ සංරක්ෂණය (Voice & Persona Cloning): ඓතිහාසික චරිතවල හඬෙහි හැඟීම් සහ ගැඹුර සුරකිමින් අනාගත පරපුරට තබා ගැනීම.

6. AI හි මහා සංක්‍රාන්තිය: උත්පාදනයෙන් නියෝජිතභාවයට සහ භෞතික බුද්ධියට (Generative -> Agentic -> Embodied)

රූපය 2.9 හි දැක්වෙන්නේ කෘත්‍රිම බුද්ධිය සරල අන්තර්ගත නිර්මාණයේ සිට භෞතික ලෝකය මෙහෙයවීම දක්වා ගමන් කරන මහා සුසමාදර්ශී වෙනසයි (Paradigm Shift):

රූපය 2.9: AI සංක්‍රාන්තියේ අදියර 3 — උත්පාදක AI (Generative - Creating), නියෝජිත AI (Agentic - Doing) සහ භෞතික AI (Embodied - Moving).

රූපය 2.9 හි සුසමාදර්ශී සංක්‍රාන්ති අදියර:

1. පළමු අදියර: උත්පාදක අවධිය — නිර්මාණය කිරීම (Generative / Creating - Early Stage): * මූලික අවධානය: පෙළ (Text), පින්තූර, සංගීතය, වීඩියෝ සහ මූලික කේත උත්පාදනය කිරීම; නව අදහස් සැකසීම සහ සහායකයෙකු ලෙස ක්‍රියා කිරීම. * ක්‍රියාකාරිත්වය: මෙහිදී සම්පූර්ණ මෙහෙයුම් පාලනය ඇත්තේ මිනිසා අතය. මිනිසා එක ප්‍රොම්ප්ට් එකක් දුන් විට AI එක පිළිතුරක් දෙයි.
2. දෙවන අදියර: නියෝජිත අවධිය — ක්‍රියාත්මක කිරීම (Agentic / Doing - Current Frontier): * මූලික අවධානය: තීන්දු ගැනීම, බහු-පියවර සැලසුම් සකස් කිරීම සහ කාර්යයන් ස්වාධීනව අවසන් කිරීම. * ක්‍රියාකාරිත්වය: රාජ්‍ය නිලධාරියා "අසවල් බලපත්‍ර ඉල්ලුම්පත පරීක්ෂා කර අනුමැතියට සූදානම් කරන්න" යැයි කී විට, AI නියෝජිතයා තනිවම දත්ත සමුදාය පරීක්ෂා කර, ගාස්තු ගණනය කර, විගණන වාර්තාවක් සාදා නිලධාරියාගේ අත්සන සඳහා ගොනුව ඉදිරිපත් කරයි.
3. තුන්වන අදියර: භෞතික අවධිය — චලනය සහ හැසිරවීම (Embodied / Moving - Future Horizon): * මූලික අවධානය: සැබෑ භෞතික ලෝකයේ සංවේදනය, චලනය සහ භාණ්ඩ හැසිරවීම (Physical Robotics). * ක්‍රියාකාරිත්වය: මානව රූපී රොබෝවරුන්, ආපදා කළමනාකරණ ඩ්‍රෝන යානා, සහ ස්වයංක්‍රීය නගර පිරිසිදු කිරීමේ පද්ධති හරහා AI භෞතික ශ්‍රමයට එක්වීම.

7. AI පරිසර පද්ධතියේ ස්ථර 5: ශ්‍රී ලංකාවේ සැබෑ භූමිකාව කොතැනද?

NVIDIA සමාගමේ ප්‍රධාන විධායක නිලධාරී ජෙන්සන් හුවැන්ග් (Jensen Huang) පෙන්වා දෙන පරිදි, කෘත්‍රිම බුද්ධිය ක්‍රියාත්මක වීම සඳහා අත්‍යවශ්‍ය මූලික ස්ථර 5ක් (The 5 Layers of AI — From Energy to Intelligence) පවතී:

රූපය 2.10: AI පද්ධතියක ස්ථර 5 — ශක්තිය (Energy), යටිතල පහසුකම් (Infrastructure), සිලිකන් චිප්ස් (Chips / GPUs), මූලික මාදිලි (Foundation Models) සහ යෙදවුම් (Applications).

රූපය 2.10 හි ස්ථර 5 ගැඹුරු ඉංජිනේරු විග්‍රහය:

1. ස්ථරය 1: ශක්තිය සහ විදුලිබල ජාලය (Energy — Foundation & Primary Bottleneck): * මෙය සමස්ත AI පද්ධතියේ ප්‍රධානතම සීමාකාරී සාධකයයි (Primary Bottleneck). * තත්‍ය කාලීන බුද්ධිය සැකසීමේදී දැවැන්ත විදුලි ධාරාවක් සහ තාප කළමනාකරණයක් (Heat Dissipation) අවශ්‍ය වේ. අඛණ්ඩ, ස්ථායී සහ පුනර්ජනනීය බලශක්තියක් නොමැතිව AI දත්ත මධ්‍යස්ථානයක් පවත්වාගෙන යා නොහැක.
2. ස්ථරය 2: දත්ත මධ්‍යස්ථාන සහ යටිතල පහසුකම් (Infrastructure / AI Factories): * ඉඩම්, අධි-ශීතකරණ ද්‍රව සිසිලන පද්ධති (Liquid Immersion Cooling), සහ ටෙරාබිට් ගණනින් දත්ත හුවමාරු වන අධිවේගී ඔප්ටිකල් ජාල (Optical Interconnects).
3. ස්ථරය 3: ක්ෂුද්‍ර චිප්ස් සහ GPUs (Compute Power): * AI හි ප්‍රධාන එන්ජිමයි — NVIDIA H100, B200 (Blackwell) වැනි සමාන්තර ගණනය කිරීම් සිදුකරන ටෙන්සර් චිප්ස්.
4. ස්ථරය 4: මූලික ආකෘති (Foundation Models — The Brain of the System): * පද්ධතියේ සංජානන මොළයයි — ට්‍රිලියන ගණනක් වූ දත්ත මත පූර්ව පුහුණු කළ LLM ආකෘති (ChatGPT, Gemini, Claude, DeepSeek).
5. ස්ථරය 5: යෙදවුම් (Applications — Generates Economic Value): * තාක්ෂණය ආර්ථික වටිනාකමක් බවට පත්වන එකම ස්ථරයයි — සෞඛ්‍ය, කෘෂිකර්මය, ප්‍රවාහනය, නිෂ්පාදනය සහ රාජ්‍ය පුරවැසි සේවාවන්.

🇱🇰 ශ්‍රී ලංකාව සඳහා යථාර්ථ පරීක්ෂාව (Reality Check for Sri Lanka)

රාජ්‍ය නිලධාරීන් ලෙස අප අපේ රටේ සැබෑ හැකියාව හඳුනාගත යුතුය: * ස්ථරය 3 (චිප්ස් නිෂ්පාදනය): ඩොලර් බිලියන 20ක අතිනවීන Fab කර්මාන්තශාලා තැනීම ශ්‍රී ලංකාවට මේ මොහොතේ කළ නොහැක. * ස්ථරය 4 (මුල සිට Frontier Models හැදීම): ඩොලර් මිලියන සිය ගණන් වැය කර මුල සිට මාදිලි පුහුණු කිරීමද අපේ ප්‍රමුඛතාවය නොවේ. * අපේ සැබෑ අවස්ථාව ඇත්තේ ස්ථරය 5 (යෙදවුම් - Applications) තුළය! ලෝකයේ ප්‍රබලතම ආකෘති භාවිත කරමින්, අපේ රටේ රාජ්‍ය සේවයේ ලිපිගොනු ප්‍රමාදය නැති කිරීම, ඉඩම් ලියාපදිංචිය කඩිනම් කිරීම සහ පුරවැසියාට සාධාරණ සේවාවක් සැලසීම සඳහා යෙදවුම් ගොඩනැගීම අපට 100% ක්ම කළ හැක. එමෙන්ම හරිත බලශක්තිය (ස්ථරය 1) සහ දේශීය Edge දත්ත මධ්‍යස්ථාන (ස්ථරය 2) ශක්තිමත් කරගැනීම අපේ ඩිජිටල් ස්වෛරීභාවයට අත්‍යවශ්‍ය වේ. * අප චිප්ස් හදනවාද? නැත. චිප්ස් දෙකක් මිලදී ගැනීමට ඩොලර් මිලියනයක් වැය වේ. * අප ඩොලර් බිලියන ගණන් වැයකර මූලික ආකෘති (Foundation Models) බිංදුවේ සිට පුහුණු කරනවාද? නැත. * එසේ නම් ශ්‍රී ලංකාවේ අවස්ථාව ඇත්තේ කොතැනද?

අපේ අවස්ථාව ඇත්තේ 5 වන ස්ථරය වන "යෙදවුම්" (Applications) තුළය!

ලෝකයේ බලවත් රටවල් චිප්ස් සහ මොඩල්ස් හැදුවද, අපේ රටේ ප්‍රාදේශීය ලේකම් කාර්යාලයේ ඉඩම් ප්‍රශ්නය, අස්වැසුම ප්‍රතිලාභ බෙදාහැරීම, ග්‍රාම නිලධාරී වසමේ සේවාවන් කඩිනම් කිරීම හෝ විගණන වාර්තා පිරික්සීම වෙනුවෙන් යෙදවුම් හැදිය හැක්කේ අපට පමණි. ලෝකයේ පවතින උසස්ම මොඩල්ස් උපයෝගී කරගෙන, ශ්‍රී ලංකාවේ ප්‍රශ්න විසඳන නිෂ්පාදන ඉංජිනේරු (Product Engineering) මානසිකත්වයකින් යුතුව යෙදවුම් නිර්මාණය කිරීම අපේ ජාතික යුතුකමයි.

ඊළඟ පරිච්ඡේදයේදී, මෙම ආකෘති තුළ ඇති ට්‍රාන්ස්ෆෝමර් මොළය, ටෝකනීකරණය, සහ උසස් පෙළ සංයුක්ත ගණිතය AI සමග යා වන ආකාරය ගවේෂණය කරමු.